近年來,無人駕駛技術(shù)作為未來城市交通的最佳解決方案受到了大眾的矚目。作為一個(gè)復(fù)雜的系統(tǒng),無人駕駛車輛使用了多樣的傳感器對(duì)周圍環(huán)境進(jìn)行感知。大量傳感器每秒產(chǎn)生海量數(shù)據(jù),這些數(shù)據(jù)能否及時(shí)處理事關(guān)無人駕駛車輛的可靠性和安全性。流式數(shù)據(jù)處理技術(shù)以其高吞吐量、低延遲的特性成為處理傳感器數(shù)據(jù)的首選方案。然而,傳統(tǒng)的基于云計(jì)算數(shù)據(jù)中心部署的流式數(shù)據(jù)處理平臺(tái),不可避免地存在兩個(gè)問題:一是鏈路帶寬資源有限,難以支持海量數(shù)據(jù)同時(shí)傳輸,二是傳輸過程中會(huì)產(chǎn)生較大延遲。對(duì)于無人駕駛這類延遲敏感型應(yīng)用來說,傳輸過程的不穩(wěn)定性和高延遲是難以接受的。針對(duì)上述問題,本文提出了面向無人駕駛的邊緣流式大數(shù)據(jù)處理框架,將計(jì)算、存儲(chǔ)能力由遠(yuǎn)端的云計(jì)算數(shù)據(jù)中心轉(zhuǎn)移到近端的邊緣數(shù)據(jù)中心。在充分分析無人駕駛車輛傳感器數(shù)據(jù)流特征和任務(wù)處理需求的基礎(chǔ)上,基于Spark Streaming實(shí)現(xiàn)了這一框架。本文提出了基于模糊控制的系統(tǒng)負(fù)載動(dòng)態(tài)平衡機(jī)制,實(shí)現(xiàn)了對(duì)于特定區(qū)域內(nèi)車流量的監(jiān)控及預(yù)測(cè),能夠根據(jù)車流量變化和系統(tǒng)工作負(fù)載調(diào)整系統(tǒng)的運(yùn)行狀態(tài),達(dá)到在滿足吞吐量的要求下盡可能降低端到端延遲,提高了無人駕駛車輛的響應(yīng)速度。本文提出了差異化的無人駕... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 云—邊緣協(xié)同的流式數(shù)據(jù)處理框架
        1.2.2 云端應(yīng)用卸載及邊緣環(huán)境下流式數(shù)據(jù)處理框架優(yōu)化
        1.2.3 邊緣計(jì)算環(huán)境下流式數(shù)據(jù)處理研究總結(jié)
    1.3 論文研究意義
    1.4 論文結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 相關(guān)技術(shù)研究
    2.1 無人駕駛
    2.2 分布式大數(shù)據(jù)實(shí)時(shí)流處理技術(shù)
        2.2.1 Yahoo!S4
        2.2.2 Apache Storm
        2.2.3 Apache Kylin
        2.2.4 Spark Streaming
        2.2.5 現(xiàn)有分布式大數(shù)據(jù)實(shí)時(shí)流處理技術(shù)對(duì)比
    2.3 流數(shù)據(jù)處理優(yōu)化研究
    2.4 邊緣計(jì)算技術(shù)
    2.5 本章小結(jié)
第三章 面向無人駕駛的邊緣流式大數(shù)據(jù)處理系統(tǒng)
    3.1 車載傳感器流量特征
    3.2 邊緣流式大數(shù)據(jù)處理需求分析
        3.2.1 系統(tǒng)負(fù)載監(jiān)控
        3.2.2 流量短期預(yù)測(cè)
        3.2.3 處理能力彈性調(diào)節(jié)
        3.2.4 多級(jí)別差異化服務(wù)
    3.3 本章小結(jié)
第四章 系統(tǒng)設(shè)計(jì)
    4.1 系統(tǒng)整體設(shè)計(jì)
    4.2 基于灰色模型的車流量監(jiān)測(cè)及預(yù)測(cè)
        4.2.1 概述
        4.2.2 車流量提取模塊
        4.2.3 車流量預(yù)測(cè)模塊
    4.3 基于模糊控制的資源動(dòng)態(tài)調(diào)節(jié)
        4.3.1 概述
        4.3.2 系統(tǒng)工作負(fù)載監(jiān)控
        4.3.3 模糊控制模塊
        4.3.4 微批次生成
    4.4 基于非搶占優(yōu)先權(quán)排隊(duì)論的Job調(diào)度
        4.4.1 概述
        4.4.2 任務(wù)優(yōu)先級(jí)計(jì)算
        4.4.3 非搶占式優(yōu)先級(jí)調(diào)度
    4.5 本章小結(jié)
第五章 系統(tǒng)實(shí)現(xiàn)
    5.1 系統(tǒng)整體實(shí)現(xiàn)
    5.2 基于灰色模型的車流量監(jiān)測(cè)及預(yù)測(cè)層實(shí)現(xiàn)
        5.2.1 概述
        5.2.2 Traffic Tracker模塊實(shí)現(xiàn)
        5.2.3 Gray Model模塊實(shí)現(xiàn)
    5.3 基于模糊控制的資源動(dòng)態(tài)調(diào)節(jié)層實(shí)現(xiàn)
        5.3.1 概述
        5.3.2 Stats Tracker模塊實(shí)現(xiàn)
        5.3.3 Dynamic Timer模塊實(shí)現(xiàn)
        5.3.4 Fuzzy Control模塊實(shí)現(xiàn)
    5.4 基于非搶占式優(yōu)先權(quán)排隊(duì)論的Job調(diào)度層實(shí)現(xiàn)
        5.4.1 概述
        5.4.2 Edge Receiver實(shí)現(xiàn)
        5.4.3 Priority Tracker模塊實(shí)現(xiàn)
    5.5 本章小結(jié)
第六章 實(shí)驗(yàn)
    6.1 實(shí)驗(yàn)環(huán)境
    6.2 基于灰色模型的車流量監(jiān)測(cè)及預(yù)測(cè)層驗(yàn)證
        6.2.1 離線預(yù)測(cè)驗(yàn)證
        6.2.2 在線預(yù)測(cè)驗(yàn)證
    6.3 基于模糊控制的資源動(dòng)態(tài)調(diào)節(jié)
        6.3.1 處理能力調(diào)節(jié)性能測(cè)試
        6.3.2 突發(fā)流量應(yīng)對(duì)能力測(cè)試
        6.3.3 處理能力彈性測(cè)試
    6.4 基于非搶占式優(yōu)先權(quán)排隊(duì)論的Job調(diào)度
    6.5 綜合實(shí)驗(yàn)
    6.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻(xiàn)】：
期刊論文
[1]機(jī)場(chǎng)出租車乘車問題的優(yōu)化模型研究[J]. 姜皓月.  中外企業(yè)家. 2020(14)
[2]地鐵車站行人排隊(duì)行為建模與仿真[J]. 杜棋東,許楚群.  計(jì)算機(jī)時(shí)代. 2020(04)
[3]基于排隊(duì)理論的超市收銀系統(tǒng)的分析與改善[J]. 謝富春,彭可樂,王娟,唐謙,卿上樂,王先安.  工業(yè)工程. 2020(02)
[4]基于灰色模型對(duì)上海市電力需求預(yù)測(cè)分析研究[J]. 孫金朋.  上海節(jié)能. 2020(03)
[5]Spark Streaming中參數(shù)與資源協(xié)同調(diào)整策略[J]. 梁毅,劉飛,常仕祿,程石帆.  軟件導(dǎo)刊. 2019(01)
[6]移動(dòng)邊緣計(jì)算綜述[J]. 李子姝,謝人超,孫禮,黃韜.  電信科學(xué). 2018(01)
[7]城市短期交通流量預(yù)測(cè)方法的探討[J]. 劉長(zhǎng)虹,陳志恒,黃虎.  現(xiàn)代交通技術(shù). 2006(01)

博士論文
[1]時(shí)空流計(jì)算模型及其在邊緣計(jì)算環(huán)境下的驗(yàn)證[D]. 鄭曄.浙江大學(xué) 2017

碩士論文
[1]基于邊緣—云環(huán)境的數(shù)據(jù)處理任務(wù)放置研究[D]. 黎一澤.南京大學(xué) 2019
[2]面向邊緣的基于FPGA加速的分布式流處理系統(tǒng)[D]. 胡蝶.華中科技大學(xué) 2019
[3]基于LSTM深度網(wǎng)絡(luò)的城市道路短時(shí)交通狀態(tài)預(yù)測(cè)模型研究[D]. 陳韞.福建工程學(xué)院 2018
[4]基于容器技術(shù)的高效能數(shù)據(jù)處理框架研究[D]. 殷駿.上海交通大學(xué) 2018
[5]公路隧道出入口燈光配置優(yōu)化及其控制系統(tǒng)研究[D]. 王茜.西安建筑科技大學(xué) 2014
[6]基于短—長(zhǎng)期模型組合的交通流預(yù)測(cè)方法[D]. 彭?xiàng)潡?山東理工大學(xué) 2012
[7]城市道路改造對(duì)道路交通噪聲的影響分析與對(duì)策研究[D]. 徐涵.哈爾濱工業(yè)大學(xué) 2011



本文編號(hào)：3038462