基于MongoDB的智能交通领域传感网数据存储模型设计

马兆丰

(浙江交通职业技术学院 信息学院，杭州 311112)

基于MongoDB的智能交通领域传感网数据存储模型设计

马兆丰

(浙江交通职业技术学院 信息学院，杭州 311112)

通过讨论智能交通领域的传感网具有的独特特性，设计出一种数据存储和数据查询的模型，应用MongoDB数据库的特点，展现其在智能交通数据处理领域中数据检索的优势，对智能交通中传感网的数据存储给出了解决方案。

MongoDB；智能交通；传感网；模型设计

1 传感网中的数据存储与访问模式

传感网中主要存储方式的优缺点。第一，集中式存储。优点：与传统的数据存储思想吻合，数据访问方便。缺点：当网络中的节点多时，会有很多数据需要传输，靠近存储点的节点会因转发数据而消耗能量太快。 第二，本地存储。优点：数据存储简单，存储过程几乎没有通信开销。缺点：存储能力有限，不能长期保存数据，数据容易丢失。查询请求在网络中广播将占用大量网络资源，所以，不适用于查询请求频繁的网络。第三，分布式存储。优点：与传感器网络本身的特性非常吻合，中间件技术可以提供较为丰富的查询模式。缺点：无线传感器节点的存储和处理能力有限，不能支撑大量的数据存储；系统需要为中间件提供额外的开销。

表1 不同存储方式的代价对比
Tab.1 The cost comparison of different storage modes

存储形式存储代价访问代价集中存储M*O()0分布式存储M*O()Q*O(n/m)+Q*O()传感器本地存储0Q*O(n)+Q*O()

其中：n为传感器的个数(假设传感器网络是均匀分布的)，M为产生数据的速率，Q为查询数据的速率，m为数据分布存储的点位数，而O()则为数据由传感节点传递到接受点的平均代价。

2 智能交通领域传感网的特点

2.1 智能交通领域的传感网数据的特点

第一，传感器地理位置敏感。第二，数据采集量巨大。第三，数据兼有时效性强和长期保存的两方面特点。第四，传感器工作存在明显的繁忙期与空闲期。第五，需要进行区域的数据检索。

图1 网络结构图图Fig.1 Network structure

图2 数据存储模型Fig.2 Data storage model

2.2 与智能交通特点相适应的网络结构与存储模型

第一，结合分布式存储和集中式存储两种方法。在“繁忙”期，数据主要沉积在传感器中，而在“空闲”期中，数据则通过网络传输到传感器接入网关中。第二，数据处理结合面向文档的数据库和面向事务处理的数据库。使用MongoDB数据库实现实时采集；采用MySQL数据库系统进行后期处理，可以实现联机事务处理与联机事物分析。第三，在云平台层和网关汇聚层之间，设立逻辑抽象层。将用户的查询请求与物理存储的数据分割开来；同时，屏蔽大量传感器设备的物理参数特性。第四，云平台层实现存储和处理能力的弹性动态分配，再结合面向文档的数据库管理系统MongoDB，就可以很好地实现对频繁更新海量数据的存储和处理。第五，应用管控层主要对整个系统进行综合调控。

如图1、图2的系统架构有以下几方面优点：第一，底层传感器中存储有最“新鲜”数据，可以通过车载传感器和车联网系统，动态、实时地接受这些传感器的数据。第二，采用了在“繁忙”时存储、“空闲”时发送的策略，很好地处理了数据的存储问题和数据的上传瓶颈问题。第三，系统采用MongoDB数据库处理“原始数据”，能很好地实现数据的频繁更新插入及多种索引，能够实现基于地理信息的范围所搜、自动数据分片等功能。采用关系数据库MySQL处理联机事物处理和联机事物分析。第四，系统引入逻辑抽象层的概念，使上层处理层中呈现更容易被程序员和用户所理解的描述，使很多与传感器硬件相关的信息被屏蔽掉。

2.3 关键数据的MongoDB存储实现

以采集数据集合和网关设备集合这两个集合做例子，展示MongoDB数据库的存储实现技术和地理空间查询技术的应用。

第一，采集数据集合：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，地理空间查询技术。

>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}}})

•以上可以检索出在给出的地域范围内所有传感器发出的数据内容。

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

•以上可以检索出在给出的地域范围附近所有的传感器发出的数据内容。

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

•以上可以检索出在给出的地域范围内所有温度传感器发出的数据内容。

[1] 丁治明，高需.面向物联网海量传感器采样数据管理的数据库集群系统框架[J].计算机学报，2012，6(35)：120-121.

[2] 蔚赵春，周水庚，关佶红.无线传感网络中国数据存储与访问研究进展[J].电子学报，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

马兆丰(1965-)，男，副教授，硕士。

TP333；TP212

A

1674-8646(2016)22-0020-02