基于MongoDB的智能交通領域傳感網數據存儲模型設計

馬兆豐

(浙江交通職業技術學院 信息學院，杭州 311112)

基于MongoDB的智能交通領域傳感網數據存儲模型設計

馬兆豐

(浙江交通職業技術學院 信息學院，杭州 311112)

通過討論智能交通領域的傳感網具有的獨特特性，設計出一種數據存儲和數據查詢的模型，應用MongoDB數據庫的特點，展現其在智能交通數據處理領域中數據檢索的優勢，對智能交通中傳感網的數據存儲給出了解決方案。

MongoDB；智能交通；傳感網；模型設計

1 傳感網中的數據存儲與訪問模式

傳感網中主要存儲方式的優缺點。第一，集中式存儲。優點：與傳統的數據存儲思想吻合，數據訪問方便。缺點：當網絡中的節點多時，會有很多數據需要傳輸，靠近存儲點的節點會因轉發數據而消耗能量太快。 第二，本地存儲。優點：數據存儲簡單，存儲過程幾乎沒有通信開銷。缺點：存儲能力有限，不能長期保存數據，數據容易丟失。查詢請求在網絡中廣播將占用大量網絡資源，所以，不適用于查詢請求頻繁的網絡。第三，分布式存儲。優點：與傳感器網絡本身的特性非常吻合，中間件技術可以提供較為豐富的查詢模式。缺點：無線傳感器節點的存儲和處理能力有限，不能支撐大量的數據存儲；系統需要為中間件提供額外的開銷。

表1 不同存儲方式的代價對比
Tab.1 The cost comparison of different storage modes

存儲形式存儲代價訪問代價集中存儲M*O()0分布式存儲M*O()Q*O(n/m)+Q*O()傳感器本地存儲0Q*O(n)+Q*O()

其中：n為傳感器的個數(假設傳感器網絡是均勻分布的)，M為產生數據的速率，Q為查詢數據的速率，m為數據分布存儲的點位數，而O()則為數據由傳感節點傳遞到接受點的平均代價。

2 智能交通領域傳感網的特點

2.1 智能交通領域的傳感網數據的特點

第一，傳感器地理位置敏感。第二，數據采集量巨大。第三，數據兼有時效性強和長期保存的兩方面特點。第四，傳感器工作存在明顯的繁忙期與空閑期。第五，需要進行區域的數據檢索。

圖1 網絡結構圖圖Fig.1 Network structure

圖2 數據存儲模型Fig.2 Data storage model

2.2 與智能交通特點相適應的網絡結構與存儲模型

第一，結合分布式存儲和集中式存儲兩種方法。在“繁忙”期，數據主要沉積在傳感器中，而在“空閑”期中，數據則通過網絡傳輸到傳感器接入網關中。第二，數據處理結合面向文檔的數據庫和面向事務處理的數據庫。使用MongoDB數據庫實現實時采集；采用MySQL數據庫系統進行后期處理，可以實現聯機事務處理與聯機事物分析。第三，在云平臺層和網關匯聚層之間，設立邏輯抽象層。將用戶的查詢請求與物理存儲的數據分割開來；同時，屏蔽大量傳感器設備的物理參數特性。第四，云平臺層實現存儲和處理能力的彈性動態分配，再結合面向文檔的數據庫管理系統MongoDB，就可以很好地實現對頻繁更新海量數據的存儲和處理。第五，應用管控層主要對整個系統進行綜合調控。

如圖1、圖2的系統架構有以下幾方面優點：第一，底層傳感器中存儲有最“新鮮”數據，可以通過車載傳感器和車聯網系統，動態、實時地接受這些傳感器的數據。第二，采用了在“繁忙”時存儲、“空閑”時發送的策略，很好地處理了數據的存儲問題和數據的上傳瓶頸問題。第三，系統采用MongoDB數據庫處理“原始數據”，能很好地實現數據的頻繁更新插入及多種索引，能夠實現基于地理信息的范圍所搜、自動數據分片等功能。采用關系數據庫MySQL處理聯機事物處理和聯機事物分析。第四，系統引入邏輯抽象層的概念，使上層處理層中呈現更容易被程序員和用戶所理解的描述，使很多與傳感器硬件相關的信息被屏蔽掉。

2.3 關鍵數據的MongoDB存儲實現

以采集數據集合和網關設備集合這兩個集合做例子，展示MongoDB數據庫的存儲實現技術和地理空間查詢技術的應用。

第一，采集數據集合：ITS_Data

{

_ID:ObjectID( ),

“DevID”:”D0001”,

“DevType”:”Temp”,

“SampleRate”:500

“Description”:”G25 Highway temperature sensor”

“DevLoca”:{

“LocType”:”Point”,

“coordinates”:[120.2000005,30.3000005]

}

“DevData”:{

“GetTime”:Date( ),

“Value”:32.58

}

“ITS_GateWay”:ObjectID(GateWay0707),

}

第二，地理空間查詢技術。

>var eareRect={

“Type”:”Polygon”,

“coordinates”:[

[120.2000010,30.3000010],

[120.2000010,30.3000001],

[120.2000001,30.3000001],

[120.2000001,30.3000010]

]}

>db.ITS_Data.find({“DevLoca”:{“$within”:{“$geometry”:eareRect}}})

?以上可以檢索出在給出的地域范圍內所有傳感器發出的數據內容。

>db.ITS_Data.find({“DevLoca”:{“$near”:{“$geometry”:eareRect}}})

?以上可以檢索出在給出的地域范圍附近所有的傳感器發出的數據內容。

>db.ITS_Data.find({“DevLoca”:{“$within”:{“$geometry”:eareRect}},“DevType”:”Temp”})

?以上可以檢索出在給出的地域范圍內所有溫度傳感器發出的數據內容。

[1] 丁治明，高需.面向物聯網海量傳感器采樣數據管理的數據庫集群系統框架[J].計算機學報，2012，6(35)：120-121.

[2] 蔚趙春，周水庚，關佶紅.無線傳感網絡中國數據存儲與訪問研究進展[J].電子學報，2008，(10)：143-144.

Design of data storage model for sensor network based on MongoDB in intelligent transportation

MA Zhao-feng

(School of Information, Zhejiang Institute of Communications, Hangzhou 311112, China)

A model for data storage and data query is designed by discussing the unique characteristics of sensor networks in intelligent transportation. The advantages of data retrieval in intelligent traffic data processing are demonstrated by using the characteristics of MongoDB database, and the solutions for the data storage of sensor network in intelligent transportation are proposed.

MongoDB; Intelligent transportation; Sensor network; Model design

2016-10-20

馬兆豐(1965-)，男，副教授，碩士。

TP333；TP212

A

1674-8646(2016)22-0020-02