基于Hadoop的车载云服务系统的设计与实现

发布时间：2017-04-25 21:05

  本文关键词：基于Hadoop的车载云服务系统的设计与实现，由笔耕文化传播整理发布。

【摘要】：车载自组织网络是智能交通系统中重要的组成部分,车载自组织网络的研究有助于改善交通系统、供应链管理以及物流。随着车载终端越发智能化,简单的服务应用能够产生、收集的信息数据量越来越多,并且数据类型也趋于复杂,车载系统的存储和处理负荷变得更加沉重。如何解决车载自组织网络海量复杂数据的存储和处理,如何有效保证车载自组织网络数据信息的传播,始终是车载自组织网络研究中的重点问题。如今云计算和大数据技术吸引了越来越多的关注并应用于不同的研究领域。本文重点阐述了车载自组织网络中的几点关键问题,具体映射大数据的“4V”特征,构建基于Hadoop的车载云大数据处理平台,将车辆应用数据的存储和对其进行的计算都集中在“云”中,利用分布式计算框架MapReduce对数据进行批处理寻找路由最短路径,将大数据处理平台包装成一个整体对外发布的服务,满足车载用户的体验需求。本文的研究内容主要包含以下几个方面：(1)车载自组织网络中的大数据问题探讨。本文分析了车辆信息数据流的流动性、分布性、动态性和不确定性等特点,映射大数据的“4V”特征,验证车载自组织网络中的有些问题可被当作大数据问题,探索新的解决路由发现思路。(2)车载云大数据处理平台架构研究。本文选用开源的Hadoop作为车载大数据研究的基础平台,构建基于Hadoop的车载云大数据处理平台,可兼容离线、近实时和实时环境下的不同业务场景,解决车载自组织网络涉及的海量复杂数据的存储和处理问题。(3)分布式并行路由算法的设计和实现。路由协议保证在车辆节点之间建立有效的路由连接传递消息,并在车辆行驶中随着网络拓扑的改变调整路由连接的有效性。针对车载自网络的特点,本文创新在于,基于传统串行Dijkstra算法的基础上,对其进行改进使之并行化运行在分布式Hadoop集群上,验证其对于大规模数据集最短路径求取的性能提升,对于复杂多变的车载自组织网络路由发现具有重要意义。
【关键词】：车载自组织网络 云计算 大数据 Hadoop Dijkstra
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;U463.67;TP311.13
【目录】：

• 摘要4-5
• Abstract5-11
• 第一章 绪论11-17
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-16
• 1.2.1 国内外车载自组织网络研究现状12-14
• 1.2.2 国内外车载云研究现状14-16
• 1.3 论文结构安排16
• 1.4 本章小结16-17
• 第二章 系统相关技术17-33
• 2.1 车载自组织网络17-19
• 2.1.1 网络结构18-19
• 2.1.2 特点19
• 2.2 云计算19-22
• 2.2.1 服务类型21-22
• 2.2.2 分类22
• 2.2.3 应用22
• 2.3 大数据22-25
• 2.3.1 大数据特征23-24
• 2.3.2 车载大数据24-25
• 2.4 Hadoop平台25-32
• 2.4.1 分布式存储框架HDFS26-27
• 2.4.2 分布式计算框架MapReduce27-29
• 2.4.3 批任务执行流程29-30
• 2.4.4 数据仓库Hive30-32
• 2.5 本章小结32-33
• 第三章 基于Hadoop的车载云计算系统33-47
• 3.1 系统需求33-34
• 3.2 系统架构34-37
• 3.3 平台功能设计37-40
• 3.3.1 数据访问层38
• 3.3.2 处理层38-39
• 3.3.3 业务应用层39
• 3.3.4 数据服务39-40
• 3.4 系统部署实施40-46
• 3.4.1 集群环境40-41
• 3.4.2 集群部署测试41-46
• 3.5 本章小结46-47
• 第四章 分布式路由算法设计与并行实现47-58
• 4.1 路由算法47-48
• 4.2 Dijkstra算法48-51
• 4.2.1 算法描述49-50
• 4.2.2 广度优先遍历50-51
• 4.3 Dijkstra算法的MapReduce设计与实现51-55
• 4.3.1 Map过程52-53
• 4.3.2 Shuffle过程53-54
• 4.3.3 Reduce过程54-55
• 4.4 结果分析55-57
• 4.5 本章小结57-58
• 结论58-60
• 本文工作总结58-59
• 课题研究展望59-60
• 参考文献60-63
• 攻读学位期间发表论文63-65
• 致谢65

【相似文献】

中国期刊全文数据库 前10条

1 张念;;用Dijkstra算法实现对整车配送线路的优化[J];中国水运(理论版);2007年05期

2 邓化宇;李康弟;黄建雄;;改进的Dijkstra矩阵算法在城市公交线路选择中的应用[J];上海电力学院学报;2009年01期

3 熊碧霞;杨春兰;;基于Dijkstra算法的最短时延路由算法的实现[J];中国水运(下半月);2009年02期

4 冯欣欣;;Dijkstra算法在嵌入式GIS中的优化实现[J];北京理工大学学报;2009年10期

5 孙强;徐远涛;;地理信息系统中Dijkstra算法的改进与研究[J];硅谷;2009年19期

6 李雪松;谢军;;改进Dijkstra算法在雷达突防中的应用[J];火力与指挥控制;2009年11期

7 郝新刚;任传祥;刘法胜;;基于改进Dijkstra算法的路径优化仿真研究[J];西部交通科技;2010年11期

8 ;Research on the Optimization and Simulation of the Shortest Path Based on Algorithm of Dijkstra[J];Journal of Measurement Science and Instrumentation;2010年S1期

9 官斌;马焱;;Dijkstra算法在后勤补给运输中的应用及其优化[J];舰船电子工程;2011年08期

10 王峰博;崔先国;丁琳;原建顺;;基于Dijkstra算法驾车导航路径研究与实现[J];中国西部科技;2011年34期

中国重要会议论文全文数据库 前8条

1 李晓年;朱翊;王崇倡;;一种Dijkstra算法的优化及其实现[A];中国测绘学会2010年学术年会论文集[C];2010年

2 李杰;张文栋;杨卫;;双向Dijkstra算法设计与实现[A];中国宇航学会深空探测技术专业委员会第四届学术年会论文集[C];2007年

3 胡洪林;;求最短路的Dijkstra算法原理分析[A];2008年计算机应用技术交流会论文集[C];2008年

4 施培港;;Dijkstra最短路径算法的实现及优化[A];中国地理信息系统协会第三次代表大会暨第七届年会论文集[C];2003年

5 崔铁军;段莉琼;雷大伟;;车辆自导航系统中的弧段Dijkstra算法的研究[A];中国地理信息系统协会第三次代表大会暨第七届年会论文集[C];2003年

6 徐卫亚;周家文;邓俊晔;石崇;张宗亮;刘兴宁;;基于Dijkstra算法的边坡极限平衡有限元分析[A];第一届中国水利水电岩土力学与工程学术讨论会论文集（上册）[C];2006年

7 吴晓佳;仰燕兰;叶桦;;基于人车信息一体化的远程智能派工系统[A];2013年中国智能自动化学术会议论文集（第四分册）[C];2013年

8 ;EVALUATION AND REALIZATION OF WORKSHOP DYNAMIC PRODUCTION CAPABILITY BASED ON DIJKSTRA'S ALGORITHM[A];2005年中国机械工程学会年会论文集[C];2005年

中国重要报纸全文数据库 前1条

1 王 选;从Dijkstra谈帅才的洞察力[N];计算机世界;2002年

中国硕士学位论文全文数据库 前10条

1 王轩;基于GPS的AGV车辆路径规划与设计[D];陕西科技大学;2015年

2 李铎;基于Hadoop的车载云服务系统的设计与实现[D];广东工业大学;2016年

3 赵新;基于移动GIS的Dijkstra算法的优化及应用研究[D];成都理工大学;2012年

4 周文广;基于Dijkstra的自动布线算法的优化及其应用研究[D];华中科技大学;2007年

5 余震江;基于最短路径Dijkstra算法的铁路客运中转径路优化研究[D];重庆大学;2008年

6 吴一鸣;应用Dijkstra算法对MAPGIS功能扩展与实现[D];中国地质大学（北京）;2008年

7 岳靓亮;基于Dijkstra、A*算法的汽车导航算路实现[D];吉林大学;2006年

8 杨宏川;改进的Dijkstra算法和改进的K-Medoids聚类算法在物流领域中的应用[D];吉林大学;2012年

9 邓俊晔;边坡极限平衡有限元稳定分析的Dijkstra算法的理论及应用[D];河海大学;2006年

10 花玲玲;基于GIS空间分布特征的Dijkstra最短路径算法研究[D];重庆大学;2007年

  本文关键词：基于Hadoop的车载云服务系统的设计与实现，由笔耕文化传播整理发布。

，

本文编号：327062