大型车联网数据库的高效查询技术
李立 张修军
摘 要： 为了提高大型车联网数据库检索的查准率，提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。分析大型车联网的网络分布式结构和数据结构，对大型车联网数据库的数据信息流进行特征空间重组，采用关联语义融合方法进行数据库检索的特征量提取，结合模糊C均值聚类算法对提取的大型车联网数据库的语义本体特征进行分类检索，实现数据库的高效查询。仿真结果表明，采用该方法进行大型车联网数据库查询的查准率和查全率较高，查询过程的收敛性较好。
关键词： 车联网； 数据库； 查询技术； 信息融合
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）22?0060?03
Abstract： In order to improve the retrieval precision ratio of large vehicle networking database， a large vehicle networking database query technology based on fuzzy data clustering is presented. The network distributed structure and data structure of large vehicle networking are analyzed. The feature space reorganization of information flow for large vehicle networking database is conducted. The associated semantic fusion method is used to perform feature extraction of database retrieval. The classification retrieval for the extracted semantic ontology features from large vehicle networking database is carried out in combination with fuzzy C means clustering algorithm to realize efficient query of the database. The simulation results show that the method has high the precision ratio and high recall ratio for large vehicle networking database query， and excellent convergence in the query process.
Keywords： vehicle networking； database； query technology； information fusion
0 引 言
隨着网络信息技术的发展，采用物联网技术将车辆与车辆联网，通过GPS、RFID、传感器等装置进行车辆的信息采集，通过计算机技术，将这些大量车辆的实时信息输入到中央处理器的数据库中进行分析和处理，实现信息互通共享，为车辆规划最佳路线，避免交通拥堵，并实时报告路况信息，这样的网络称为车联网（Internet of Vehicles）。车联网络分为三层体系结构，分别为端系统、管系统、云系统[1]。在车联网的云构架系统中，海量的车辆信息存储在车联网的数据库中，围绕车辆的监控和管理进行数据汇聚、计算、调度，组成一个云架构的车辆运行信息平台。
为了提高车联网数据库计算、调度、监控、管理能力，需要进行数据库的高效查询设计，研究车联网数据库的高效查询技术，在4S店、车管、保险、紧急救援、打车软件的移动互联网通信领域都具有很好的应用价值[2]。针对传统的大型车联网数据库查询模型的收敛性不好，查准率不高的问题，本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术，通过查询算法设计和实际的车联网数据库查询仿真分析，展示了本文设计的数据库查询方法的高效性和准确性。
1 大型车联网数据分布结构与数据预处理
1.1 网络分布式结构分析
为了实现大型车联网数据库的高效查询，首先进行大型车联网的网络分布式结构分析和数据结构分析，采用车辆自组织网络（Vehicular Ad Hoc Networks， VANETs）结构模型构建车联网的节点分布模型[3]。车联网中的车辆节点通过RFID自动获取自己的位置信息。簇头根据车载GPS将数据上传到车联网数据中。簇内通信节点把相似/相近的数据回复给簇头。构建车联网节点分布式结构模型如图1所示。
1.2 数据信息流特征空间重组
对大型车联网数据库的数据信息流进行特征空间重组，在大型车联网数据库存储结构模型中进行查询数据信息流模型构建[4]，采用标量时间序列表示大型车联网数据库的存储数据信息流为：
2 数据库查询实现
2.1 关联语义融合
在上述进行了大型车联网数据分布结构分析与数据预处理的基础上，进行数据库查询设计。本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。采用关联语义融合方法进行数据库检索的特征量提取，用[Wx（t，v）]表示大型车联网数据库中的关联语义本体模型，对数据库中的关联数据进行语义加权处理[7]，得到数据库查询的二维插值拟合表达式为：
3 仿真结果分析
本文对大型车联网数据库查询的仿真实验采用Matlab 7软件设计，数据库服务器使用MySQL，基于RFID技术进行车联网中的车辆信息采样，对车联网数据库中内部存储的信息进行分类查询。数据库查询的持续时间T=100 s，迭代次数设定为1 000次，查询的时间间隔为1.25 s，特征空间重构的时间窗口系数[τ]为0.21。根据上述仿真环境和参数设定，进行数据库查询仿真分析，首先进行数据流信息采样，采样率设定为15 kHz，得到采样的数据信息流如图3所示。
4 结 语
本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。对大型车联网数据库的数据信息流进行特征空间重组，采用关联语义融合方法进行数据库检索的特征量提取，结合模糊C均值聚类算法对提取的大型车联网数据库的语义本体特征进行分类检索，实现数据库的高效查询。采用该方法进行大型车联网数据库查询的查准率和查全率较高，查询过程的收敛性较好，满足高效查询要求。
参考文献
[1] 胡荣娜，郭爱煌.车联网中基于功率控制的传输可靠性算法[J].计算机应用，2015，35（6）：1523?1526.
[2] 张秋实.分散控制系统中数据库的应用研究[J].计算机仿真，2013，30（11）：104?107.
[3] 王利，杨征，李洋.特征聚合的遥感图像数据库检索技术[J].激光杂志，2016，37（6）：78?81.
[4] 孟祥福，严丽，马宗民，等.基于语义相似度的数据库自适应查询松弛方法[J].计算机学报，2011，34（5）：812?824.
[5] 寇月，申德荣，李冬，等.一种基于语义及统计分析的Deep Web实体识别机制[J].软件学报，2008，19（2）：194?208.
[6] 潘颖，汤庸，刘海.基于关系数据库的极松散结构数据模型的访问控制研究[J].电子学报，2012，40（3）：600?606.
[7] 林楠，史苇杭.基于多层空间模糊减法聚类算法的Web数据库安全索引[J].计算机科学，2014，41（10）：216?219.
[8] 邓志刚，曾国荪，谭云兰，等.云存储内容分发网络中的能耗优化方法[J].计算机应用，2016，36（6）：1515?1519.
[9] 李永刚，张治中，李龙江.一种WLAN与eHRPD系统间负载均衡算法[J].微电子学与计算机，2017，34（1）：44?47.
摘 要： 为了提高大型车联网数据库检索的查准率，提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。分析大型车联网的网络分布式结构和数据结构，对大型车联网数据库的数据信息流进行特征空间重组，采用关联语义融合方法进行数据库检索的特征量提取，结合模糊C均值聚类算法对提取的大型车联网数据库的语义本体特征进行分类检索，实现数据库的高效查询。仿真结果表明，采用该方法进行大型车联网数据库查询的查准率和查全率较高，查询过程的收敛性较好。
关键词： 车联网； 数据库； 查询技术； 信息融合
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）22?0060?03
Abstract： In order to improve the retrieval precision ratio of large vehicle networking database， a large vehicle networking database query technology based on fuzzy data clustering is presented. The network distributed structure and data structure of large vehicle networking are analyzed. The feature space reorganization of information flow for large vehicle networking database is conducted. The associated semantic fusion method is used to perform feature extraction of database retrieval. The classification retrieval for the extracted semantic ontology features from large vehicle networking database is carried out in combination with fuzzy C means clustering algorithm to realize efficient query of the database. The simulation results show that the method has high the precision ratio and high recall ratio for large vehicle networking database query， and excellent convergence in the query process.
Keywords： vehicle networking； database； query technology； information fusion
0 引 言
隨着网络信息技术的发展，采用物联网技术将车辆与车辆联网，通过GPS、RFID、传感器等装置进行车辆的信息采集，通过计算机技术，将这些大量车辆的实时信息输入到中央处理器的数据库中进行分析和处理，实现信息互通共享，为车辆规划最佳路线，避免交通拥堵，并实时报告路况信息，这样的网络称为车联网（Internet of Vehicles）。车联网络分为三层体系结构，分别为端系统、管系统、云系统[1]。在车联网的云构架系统中，海量的车辆信息存储在车联网的数据库中，围绕车辆的监控和管理进行数据汇聚、计算、调度，组成一个云架构的车辆运行信息平台。
为了提高车联网数据库计算、调度、监控、管理能力，需要进行数据库的高效查询设计，研究车联网数据库的高效查询技术，在4S店、车管、保险、紧急救援、打车软件的移动互联网通信领域都具有很好的应用价值[2]。针对传统的大型车联网数据库查询模型的收敛性不好，查准率不高的问题，本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术，通过查询算法设计和实际的车联网数据库查询仿真分析，展示了本文设计的数据库查询方法的高效性和准确性。
1 大型车联网数据分布结构与数据预处理
1.1 网络分布式结构分析
为了实现大型车联网数据库的高效查询，首先进行大型车联网的网络分布式结构分析和数据结构分析，采用车辆自组织网络（Vehicular Ad Hoc Networks， VANETs）结构模型构建车联网的节点分布模型[3]。车联网中的车辆节点通过RFID自动获取自己的位置信息。簇头根据车载GPS将数据上传到车联网数据中。簇内通信节点把相似/相近的数据回复给簇头。构建车联网节点分布式结构模型如图1所示。
1.2 数据信息流特征空间重组
对大型车联网数据库的数据信息流进行特征空间重组，在大型车联网数据库存储结构模型中进行查询数据信息流模型构建[4]，采用标量时间序列表示大型车联网数据库的存储数据信息流为：
2 数据库查询实现
2.1 关联语义融合
在上述进行了大型车联网数据分布结构分析与数据预处理的基础上，进行数据库查询设计。本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。采用关联语义融合方法进行数据库检索的特征量提取，用[Wx（t，v）]表示大型车联网数据库中的关联语义本体模型，对数据库中的关联数据进行语义加权处理[7]，得到数据库查询的二维插值拟合表达式为：
3 仿真结果分析
本文对大型车联网数据库查询的仿真实验采用Matlab 7软件设计，数据库服务器使用MySQL，基于RFID技术进行车联网中的车辆信息采样，对车联网数据库中内部存储的信息进行分类查询。数据库查询的持续时间T=100 s，迭代次数设定为1 000次，查询的时间间隔为1.25 s，特征空间重构的时间窗口系数[τ]为0.21。根据上述仿真环境和参数设定，进行数据库查询仿真分析，首先进行数据流信息采样，采样率设定为15 kHz，得到采样的数据信息流如图3所示。
4 结 语
本文提出一种基于模糊数据聚类的大型车联网数据库高效查询技术。对大型车联网数据库的数据信息流进行特征空间重组，采用关联语义融合方法进行数据库检索的特征量提取，结合模糊C均值聚类算法对提取的大型车联网数据库的语义本体特征进行分类检索，实现数据库的高效查询。采用该方法进行大型车联网数据库查询的查准率和查全率较高，查询过程的收敛性较好，满足高效查询要求。
参考文献
[1] 胡荣娜，郭爱煌.车联网中基于功率控制的传输可靠性算法[J].计算机应用，2015，35（6）：1523?1526.
[2] 张秋实.分散控制系统中数据库的应用研究[J].计算机仿真，2013，30（11）：104?107.
[3] 王利，杨征，李洋.特征聚合的遥感图像数据库检索技术[J].激光杂志，2016，37（6）：78?81.
[4] 孟祥福，严丽，马宗民，等.基于语义相似度的数据库自适应查询松弛方法[J].计算机学报，2011，34（5）：812?824.
[5] 寇月，申德荣，李冬，等.一种基于语义及统计分析的Deep Web实体识别机制[J].软件学报，2008，19（2）：194?208.
[6] 潘颖，汤庸，刘海.基于关系数据库的极松散结构数据模型的访问控制研究[J].电子学报，2012，40（3）：600?606.
[7] 林楠，史苇杭.基于多层空间模糊减法聚类算法的Web数据库安全索引[J].计算机科学，2014，41（10）：216?219.
[8] 邓志刚，曾国荪，谭云兰，等.云存储内容分发网络中的能耗优化方法[J].计算机应用，2016，36（6）：1515?1519.
[9] 李永刚，张治中，李龙江.一种WLAN与eHRPD系统间负载均衡算法[J].微电子学与计算机，2017，34（1）：44?47.
