大数据驱动的车联网信息物理融合系统的分析与设计方法

发布时间：2017-08-31 01:25

  本文关键词：大数据驱动的车联网信息物理融合系统的分析与设计方法

  更多相关文章： 大数据 车联网CPS 云计算 AADL 建模

【摘要】：车联网信息物理融合系统在智能交通的发展上起到了重要作用,它通过计算、通信和控制三大领域的技术,影响和改变着交通环境。随着车联网数据的日益增长,以及大数据技术的不断发展,使得大数据在车联网信息物理融合系统的应用越来越重要。大数据中潜在的价值对提高车联网智能化、改善用户出行体验等方面有很大帮助。然而,爆发式增加的数据量使得车联网在数据的处理和存储方面面临着挑战。本文为满足大数据背景下车联网信息物理融合系统的特性和需求,如大数据的规模性(Volume)、多样性(Variety)、高速性(Velocity)和真实性(Veracity),车联网信息物理融合系统的复杂性、实时性和时空性等,分析了大数据特性,提出基于云计算的车联网信息物理融合系统体系结构。针对车联网大数据的存储需求和特性,提出了实时数据模型和基于云计算平台的大数据存储模型；针对车联网大数据的数据处理,分析基于MapReduce的大数据批量处理模型,同时考虑到车联网大数据的实时性需求,提出了基于Storm的车联网大数据实时处理模型和基于Hadoop的车联网大数据并行处理模型。通过研究成体系系统理论(System of Systems,简称SoS)和体系结构分析与设计语言(Architecture Analysis Design Language,简称AADL),结合大数据、车联网和信息物理融合系统(Cyber-Physical System,简称CPS)的特点,提出一种基于SoS和AADL的大数据驱动的车联网CPS的建模方法：通过该方法在车联网CPS建模的具体应用,利用AADL组件建立了车联网车辆单元系统、车载数据处理系统、路边单元系统、控制中心系统等主要系统的硬件和软件模型；利用Modelica建模语言建立车联网CPS物理模型和描述车联网CPS的物理行为,并对物理模型和行为进行仿真；通过自定义属性扩展的AADL描述了车联网CPS的数据模型,以及通过附件扩展的AADL描述车联网CPS的非功能特性,包括数据流、非功能子程序、面向方面建模,并生成了相应代码；通过系统端对端的流延迟性分析和可调度性仿真测试,分析了系统的实时性和可调度性,证明了方法能在系统设计初期检测系统潜在的问题并及时做出修正,对大数据驱动的车联网信息物理融合系统分析与设计具有效性和高效性。
【关键词】：大数据 车联网CPS 云计算 AADL 建模
【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;TP391.44;TN929.5;TP202
【目录】：

• 摘要4-6
• ABSTRACT6-14
• 第一章 绪论14-18
• 1.1 研究背景及意义14-15
• 1.2 国内外研究现状15-16
• 1.3 论文研究内容16-17
• 1.4 论文组织结构17-18
• 第二章 相关理论18-26
• 2.1 大数据18-21
• 2.1.1 大数据概述18
• 2.1.2 大数据特性18-19
• 2.1.3 大数据体系结构19-21
• 2.2 信息物理融合系统21-23
• 2.2.1 CPS概述21
• 2.2.2 CPS特点21-22
• 2.2.3 CPS体系结构22-23
• 2.3 车联网23-26
• 2.3.1 车联网概述23-24
• 2.3.2 大数据驱动的车联网相关技术24-26
• 第三章 车联网CPS建模方法26-39
• 3.1 AADL26-28
• 3.2 SoS理论28-29
• 3.3 基于SoS和AADL的建模方法29-34
• 3.4 AADL建模方法扩展34-39
• 3.4.1 数据扩展34-36
• 3.4.2 面向方面扩展36-38
• 3.4.3 物理建模扩展38-39
• 第四章 基于云计算的车联网CPS39-58
• 4.1 基于云计算的车联网的体系结构39-42
• 4.1.1 车联网系统40-41
• 4.1.2 车联网云模型41-42
• 4.2 基于MangoDB的大数据云存储42-46
• 4.2.1 云存储架构42-43
• 4.2.2 MongoDB集群架构43-44
• 4.2.3 分布式云存储部署架构44-46
• 4.3 实时时空数据模型46-47
• 4.4 实时MapReduce47-50
• 4.4.1 MapReduce48
• 4.4.2 RTMR48-50
• 4.5 车联网大数据的实时处理50-52
• 4.5.1 Storm50-51
• 4.5.2 基于Storm的车联网大数据实时处理51-52
• 4.6 车联网大数据的并行处理52-58
• 4.6.1 整体架构52-54
• 4.6.2 基于Hadoop的车联网大数据并行处理54-55
• 4.6.3 基于MapReduce的实时交通流预测55-58
• 第五章 车联网CPS建模方法的应用研究58-91
• 5.1 系统分析58-60
• 5.2 车辆单元系统60-68
• 5.2.1 硬件组件建模60-62
• 5.2.2 软件组件建模62-65
• 5.2.3 物理世界建模65-68
• 5.3 车载数据处理系统68-73
• 5.3.1 系统建模69-70
• 5.3.2 数据建模70-73
• 5.4 路边单元系统73-77
• 5.4.1 硬件组件建模73-74
• 5.4.2 软件组件建模74-75
• 5.4.3 物理世界建模75-77
• 5.5 控制中心系统77-79
• 5.5.1 硬件组件建模77-78
• 5.5.2 子系统建模78-79
• 5.6 系统非功能特性描述79-84
• 5.6.1 数据流描述79-81
• 5.6.2 非功能性子程序81-83
• 5.6.3 面向方面建模83-84
• 5.7 系统分析与验证84-91
• 5.7.1 端对端的流分析测试85-86
• 5.7.2 系统可调度性分析86-88
• 5.7.3 物理模型仿真88-91
• 结论91-93
• 参考文献93-97
• 攻读学位期间发表的论文97-99
• 致谢99

【相似文献】

中国期刊全文数据库 前1条

1 蔡新梅;;CBR/VTS融合系统及其应用[J];船海工程;2013年01期

中国重要会议论文全文数据库 前1条

1 黄濵;陈森发;周振国;;多源信息的实时智能融合系统研究[A];江苏省自动化学会七届四次理事会暨2004学术年会青年学者论坛论文集[C];2004年

中国重要报纸全文数据库 前1条

1 本报记者 夏文燕;何积丰院士:信息物理融合系统开创软件业新起点[N];江苏科技报;2010年

中国硕士学位论文全文数据库 前10条

1 郭仕航;大数据驱动的铁路信息物理融合系统的分析与设计方法[D];广东工业大学;2016年

2 李玉珍;信息物理融合系统过程数据流处理关键技术研究[D];广东工业大学;2016年

3 钟伟;大数据驱动的飞行信息物理融合系统的分析与设计方法[D];广东工业大学;2016年

4 覃华;大数据驱动的车联网信息物理融合系统的分析与设计方法[D];广东工业大学;2016年

5 黎楚乾;基于大数据的信息物理融合系统的分析与设计方法[D];广东工业大学;2015年

6 陈明铝;航天信息物理融合系统的分析与设计方法[D];广东工业大学;2013年

7 罗崇伟;面向车联网的信息物理融合系统的分析与设计方法[D];广东工业大学;2013年

8 朱晨曦;基于AADL的信息物理融合系统的分析与设计方法[D];广东工业大学;2014年

9 李云霄;铁路信息物理融合系统的分析与设计方法[D];广东工业大学;2013年

10 雷瑶;信息物理融合系统的形式化建模与分析[D];广东工业大学;2013年

，

本文编号：762642