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

第３５卷　第６期２０１２年６月

计　　算　　机　　学　　报

ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ　　　

Ｖｏｌ．３５Ｎｏ．６

Ｊｕｎｅ２０１２　

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

丁治明　　高　需

１）

，１）２）

１）（中国科学院软件研究所基础软件国家工程研究中心

）００１９０　北京　１

２）（）中国科学院研究生院　北京　１０００４９

摘　要　物联网是目前国际和国内新兴的一项热门技术，正在给人们的生产和生活方式带来深刻的变革．物联网在带来诸多好处的同时，也给软件乃至整个信息技术领域带来了前所未有的挑战．该文针对物联网传感器采样数据管理中所面临的数据海量性、异构性、时空敏感性、动态流式特性等问题，提出一种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Ｉ实验结果表明，ｏＴ－ＣｌｕｓｔｅｒＤＢ．ＩｏＴ－ＣｌｕｓｔｅｒＤＢ具有良好的传感器数据接入与查询处理性能，为物联网海量异构传感器采样数据的存储与查询处理提供了一种可行的解决方案．关键词　物联网；传感器；时空数据；海量数据管理；数据库集群系统／中图法分类号ＴＰ３１１　　　ＤＯＩ号：１０．３７２４ＳＰ．Ｊ．１０１６．２０１２．０１１７５

ＡＤａｔａｂａｓｅＣｌｕｓｔｅｒＳｓｔｅｍＦｒａｍｅｗｏｒｋｆｏｒ　　　　　ｙ

ＭａｎａｉｎＭａｓｓｉｖｅＳｅｎｓｏｒＳａｍｌｉｎＤａｔａｉｎｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ　　　　　　　ｇｇｐｇｇ　　

１１

ＤＩＮＧＺｈｉｉｎＸｕ　－Ｍ　ｇ　ＧＡＯ

１）（

）），２）

）ＮａｔｉｏｎａｌＦｕｎｄａｍｅｎｔａｌＳｏｔｗａｒｅＲｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ，ＩｎｓｔｉｔｕｔｅｏＳｏｔｗａｒｅ，ＣｈｉｎｅｓｅＡｃａｄｅｍｏＳｃｉｅｎｃｅｓ，Ｂｅｉｉｎ００１９０　　　　　ｆｆ　ｆｙｆ　ｊｇ　１　

２）（）ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｏＣｈｉｎｅｓｅＡｃａｄｅｍｏＳｃｉｅｎｃｅｓ，Ｂｅｉｉｎ０００４９　　ｙｆ　ｙｆ　ｊｇ　１　　

，ＡｂｓｔｒａｃｔｎｒｅｃｅｎｔｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ（ＩｏＴ）ｈａｓｂｅｃｏｍｅｉｎｃｒｅａｓｉｎｌｉｍｏｒｔａｎｔａｎｄｉｓｅａｒｓ　Ｉ　　　　　　　　　ｇｇｙｐｙ　

，ｃｈａｎｉｎｔｈｅｗａｈｏｗｌｉｖｅａｎｄｗｏｒｋ．ＩｏＴｈａｓａｌｏｔｏｆｂｅｎｅｆｉｔｓａｎｄｍｅａｎｗｈｉｌｅｉｔａｌｓｏｅｏｌｅ　　　　　　　　　　　　　ｇｇｙｐｐ　　

，ｗｂｒｉｎｓａｂｏｕｔｒｅａｔｃｈａｌｌｅｎｅｓｔｏｔｈｅｓｏｆｔｗａｒｅａｎｄｔｈｅｗｈｏｌｅＩＴｃｏｍｍｕｎｉｔ．Ｉｎｔｈｉｓａｅｒｅ　　　　　　　　　　　　　ｇｇｇｙｐｐ

，ｍａｉｎｌｆｏｃｕｓｏｎｔｈｅｃｈａｌｌｅｎｅｓｉｎＩｏＴｄａｔａｍａｎａｅｍｅｎｔ．ＩｎＩｏＴｓｓｔｅｍｓｔｈｅｄａｔａｓａｍｌｅｄｆｒｏｍ　　　　　　　　　　　　ｙｇｇｙｐ　

，ｓｅｎｓｏｒｓａｒｅｍａｓｓｉｖｅａｎｄｈｅｔｅｒｏｅｎｅｏｕｓ．Ｂｅｓｉｄｅｓｔｈｅａｒｅｓａｔｉａｌｔｅｍｏｒａｌａｎｄｄｎａｍｉｃａｌｌｃｈａｎ　　　　　－　　－ｇｙｐｐｙｙ　　，ｓｔｒｅａｍｄａｔａ．ＴｏｍｅｅｔｔｈｅｓｅｃｈａｌｌｅｎｅｓｗｅａｎＩｏＴＤａｔａｂａｓｅＣｌｕｓｔｅｒＳｓｔｅｍＦｒａｍｅｉｎｒｏｏｓｅ　　　　　　　　　　　－ｇｙｇｇｐｐ　

ｗｏｒｋｆｏｒＭａｎａｉｎＭａｓｓｉｖｅＳｅｎｓｏｒＳａｍｌｉｎＤａｔａ（ＩｏＴ－ＣｌｕｓｔｅｒＤＢ）ｉｎｔｈｉｓａｅｒ．Ｔｈｅｅｘｅｒｉ　　　　　　　－ｇｇｐｇｐｐｐ　　

ｕｅｒｒｏｃｅｓｓｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＩｏＴ－ＣｌｕｓｔｅｒＤＢｈａｓｓａｔｉｓｆａｃｔｏｒｓｅｎｓｏｒｄａｔａｕｌｏａｄｉｎａｎｄ　　　　　　　　　－ｑｙｐｙｐｇ　　　

ｅｒｆｏｒｍａｎｃｅｓｒｏｖｉｄｅｓｏｏｄｕｅｒｉｎｉｎａｎｄｔｈｕｓａｓｏｌｕｔｉｏｎｆｏｒｍａｎａｉｎａｎｄｍａｓｓｉｖｅｓｅｎｓｏｒ　　　　　　　　　　ｐｐｇｑｙｇｇｇｇ　　　ｉｎｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ．ｄａｔａ　　　　　ｇ；；；ｍ；ＫｅｗｏｒｄｓｎｔｅｒｎｅｔｏｆＴｈｉｎｓｓｅｎｓｏｒｓａｔｉａｌｔｅｍｏｒａｌｄａｔａａｓｓｉｖｅｄａｔａｍａｎａｅｍｅｎｔｄａｔａ　Ｉ　　－　　　－ｇｐｐｇｙｂａｓｅｃｌｕｓｔｅｒｓｓｔｅｍ　　ｙ

［］

在１简单来讲就是把各类物品通９９９年提出的１－２，

１　引　言

，物联网（的概念是ＴｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓＩｏＴ）　　　ｇ

、传感器件与设备、全球定位系过射频识别（ＲＦＩＤ）统等种种装置与互联网结合起来而形成一个巨大的实现智能化的识别与管理，进而实现各类物品网络，

；收稿日期：最终修改稿收到日期：本课题得到国家自然科学基金重大研究计划·重点支持项目“面向非常规突发２０１１０８２６２０１２０４１２．－－－－（）事件主动感知与应急指挥的物联网技术与系统”资助．丁治明，男，博士，研究员，博士生导师，主要研究领域为数９１１２４００１１９６６年生，：据库与知识库系统、时态与空间数据库、物联网与云计算数据管理．高　需，男，博士研究生，讲Ｅ－ｍａｉｌｚｈｉｍｉｎｉｓｃａｓ．ａｃ．ｃｎ．１９８０年生，＠ｇ主要研究方向为数据库与知识库系统、时态与空间数据库．师，

１１７６

计　　算　　机　　学　　报２０１２年

的远程感知和控制，由此生成一个更加智慧的生产和生活体系．

目前，物联网已经成为一个新的技术热点，得然而，物到了世界各国研究者和产业界的广泛关注．联网的研究与产业化还存在着诸多局限，大部分的工作还集中在物联网中单个传感器或小型传感器网，络方面（如智能传感器技术、压缩传感技术等）或者集中在物联网硬件和网络层面（如新型网络互连技

［］３７－

，高通量服务器技术等）而对于物联网欲与互术、

传感器、生物医学类传感器等，其中每一类传感器又包括诸多具体的传感器，如交通类传感器可以细分为Ｇ车牌识别传感器、电ＰＳ传感器、ＲＦＩＤ传感器、交通流量传感器（红外、线子照相身份识别传感器、

、圈、光学、视频传感器）路况传感器、车况传感器等．这些传感器不仅结构和功能不同，而且所采集的数这种异构性极大地提高了软件开发据也是异构的．和数据处理的难度．

（）物联网数据的时空相关性．与普通互联网３

结点不同，物联网中的传感器结点普遍存在着空间——每个传感器结点都有地理位置，和时间属性—每个数据采样值都有时间属性，而且许多传感器结点的地理位置还是随着时间的变化而连续移动的，如每个车辆安装了高精度的Ｇ智能交通系统中，ＰＳ或在交通网络中动态地移动．与物联网数ＲＦＩＤ标签，

物联网应用中对传感器数据的时空相关性相对应，

据的查询也并不仅仅局限于关键字查询．很多时候，我们需要基于复杂的逻辑约束条件进行查询，如查询某个指定地理区域中所有地质类传感器在规定时间段内所采集的数据，并对它们进行统计分析．由此对物联网数据的空间与时间属性进行智能化可见，

的管理与分析处理是至关重要的．

（）物联网数据的序列性与动态流式特性．在４

物联网系统中，要查询某个监控对象在某一时刻的物理状态是不能简单地通过对时间点的关键字匹配这是因为采样过程是间断进行的，查询时来完成的，

间与某个采样时间正好匹配的概率极低．为了有效地进行查询处理，需要将同一个监控对象的历次采样数据组合成一个采样数据序列，并通过插值计算的方式得到监控对象在指定时刻的物理状态．采样数据序列反映了监控对象的状态随时间变化的完整过程，因此包含比单个采样值丰富得多的信息．此——外，采样数据序列表现出明显的动态流式特性—随着新采样值的不断到来和过时采样值的不断淘汰，采样数据序列是不断的动态变化的．

针对物联网海量数据管理所面临的上述挑战，目前尚没有有效的解决方法．在海量数据处理方面，最有效的方法之一是云数据管理技术，但几乎所有的云数据管理系统均为“键－值”数据库，即按照主关键字对数据进行分布组织和查询处理．这种方法无法有效地支持对传感器采样数据的时空查询处理．另一种海量数据管理方法是并行数据库技术，通过将多个关系数据库组织成数据库集群来支持海量结构化数据的处理，但这种方法在处理关键字查询时

即海量异构传感器联网相比肩所面临的核心问题，

数据的存储与查询处理、大量传感器的智能分析与协同工作、复杂事件的自动探测与有效应对等技术的研究还比较有限．

在物联网系统中，对传感器海量采样数据的集中存储与查询处理是十分重要的．通过对海量传感用户不仅可以直接在数据器采样数据的集中管理，

中心获得任一传感器的历史与当前状态，而且通过可以实现复杂事对集中存放的群体数据进行分析，

此外，传感器采样数据的集中管理件与规律的感知．

）、还使得物物互联（基于物的搜索引ＷｅｂｏｆＴｈｉｎｓ　　ｇ传感器采样数据的统计分析与数据挖掘等成为擎、可能．

在传感器采样数据的集中管理系统中，大量的传感器结点根据预先制定的采样及传输规则，不断地向从而形成海量的异构数数据中心传递所采集的数据，

数据中心不仅需要正确地理解这些数据，而且据流．

需要及时地分析和处理这些数据，进而实现有效的感知和控制．通过分析我们不难看出，物联网的以下４个特点对数据处理技术形成了巨大的挑战：

（）物联网数据的海量性．物联网系统通常包１含着海量的传感器结点．其中，大部分传感器（如温度传感器、压力传感器等）的采样数据ＧＰＳ传感器、是数值型的，但也有许多传感器的采样值是多媒体如交通摄像头视频数据、音频传感器采样数数据（

据、遥感成像数据等）每一个传感器均频繁地产生．新的采样数据，系统不仅需要存储这些采样数据的最新版本，而且在多数情况下，还需要存储某个时间段（如１个月）内所有的历史采样值，以满足溯源处理和复杂数据分析的需要．可以想象，上述数据是海量的，对它们的存储、传输、查询以及分析处理将是一个前所未有的挑战．

（）传感器结点及采样数据的异构性．在同一２

个物联网系统中，可以包含形形色色的传感器，如交通类传感器、水文类传感器、地质类传感器、气象类

６期丁治明等：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

１１７７

的性能要远低于“键－值”数据库；此外，由于采用了严格的事务处理机制，在传感器采样数据频繁更新的条件下，并行数据库的数据处理效率十分低下．

在传感器采样数据的表示方面，最自然的想法是采用时空数据库的有关方法．但是，传感器采样数据除了时空属性之外，还包含物理目标的种种其它，如温度、压力、交通流密度、速度等）如何对这属性（

些异构的物理属性进行统一的表示是目前尚未解决此外，目前的时空数据库方法主要针对单个的问题．

在大规模时空数据库集群方面尚没有数据库结点，有效的解决方案．

针对上述问题，本文提出一种“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”ＩｏＴＣｌｕｓｔｅｒＳｓｔｅｍＦｒａｍｅｗｏｒｋｆｏｒＭａｎａｉｎＤａｔａｂａｓｅ　　　　　ｙｇｇ

，在ＭａｓｓｉｖｅＳｅｎｓｏｒＳａｍｌｉｎＤａｔａＩｏＴ－ＣｌｕｓｔｅｒＤＢ）．　　ｐｇ　同一个监控对象的历次传感器ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中，

采样值被组织成采样数据序列进行存储，通过查询可以支持对传感器采样数据的复操作及时空计算，

此外，杂逻辑条件查询．ＩｏＴ－ＣｌｕｓｔｅｒＤＢ是一个由大量数据库组成的分布式系统，通过建立分布式的全局关键字索引和全局时空索引，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ可以支持高效率的关键字查询和时空查询．

本文第２节综述物联网海量数据管理方面的相关工作；第３节阐述ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的体系结构及第４节和第５节分别阐述Ｉ其核心工作机理；ｏＴ－第６ＣｌｕｓｔｅｒＤＢ的单个结点及集群系统的组织方法；节讨论系统的实现与实验结果；第７节给出相关结论．

析查询等，这类查询往往需要对大面积的传感器进行反复的扫描，因此查询处理会涉及密集的远程访问，带来庞大的通信开销，抵消了本地数据采集不需要进行通信传输的好处．

（）物联网系统中通常会涉及多种异构的传感２

器类型，通过模型转换的方式不仅表示能力有限，而导致查询处理的且模型转换需要额外的计算开销，效率较为低下．

（）物联网中通常需要存储长时间的历史与当３

以满足溯源处理和统计分析的需要，而前采样数据，

传感器和Ｓ难以ｉｎｋ结点的存储能力是相对有限的，满足长时间采样数据存储的要求．

鉴于分布式存储方式的上述局限，近年来越来在集越多的研究转向了集中式的传感器数据管理．中式数据管理系统中，各传感器按照一定的采样规将所采集的数据上传到数据中心进行统一的存则，

储管理，使得查询处理可以直接在数据中心完成，而不需要给传感器或Ｓｉｎｋ结点带来额外的计算与通由于数据中心具有相对强大得多的存储与信开销．

计算能力，因此这种方式可以支持各种复杂的、密集更加适合于物联网的相关应用环境．型的查询，

在集中式的传感器数据处理方面，最直接的方

］１３１６－

法是采用云数据管理及其相关技术［云计算是．

最近几年新兴的一个技术领域，其核心特点是通过动态管理几万台、几十万台甚至上百一种协同机制，

并按需分配万台计算机资源所具有的总处理能力，

给全球用户，使它们可以在此之上构建稳定而快速的存储以及其它Ｉ因此为物联网海量数据Ｔ服务，处理提供了一种可能．然而，目前绝大多数的云数

［７］

、据管理系统属于“键－值”数据库，如Ｂｉｔａｂｌｅ１ｇ

［８］［９］［０］［１］

、、、等（少Ｄｎａｍｏ１ＨＢａｓｅ１ＰＮＵＴＳ２ＨＩＶＥ２ｙ

２　相关工作

在传感器采样数据的存储与查询处理方面，传统的方法主要是分布式的存储方法．分布式存储方

］８１０－

是指将采样数据直接存储在各传感器结点，法［

量的云数据库系统采用下面将讨论的并行数据库技

［２］

“术，如Ｓ等）键－值”数据库能够高效ＱＬＡｚｕｒｅ２．　

但不能有效地支持物地处理基于主关键字的查询，

联网数据的时空关系表示与存储、时空逻辑条件查询以及属性约束条件查询等．

另一种集中式的传感器数据管理方法是采用并

］２３２５－

行数据库技术［并行数据库通过将多个关系数．

或者存放在Ｓ查询处理时再通过远程访问ｉｎｋ节点，获取数据．如果查询涉及到不同的传感器网络，则需要通过中间件来进行模型转换，进而实现异构传感

］１１１２－

器网络之间的互操作［上述方法的好处是：由于．

传感器数据直接存储在本地或就近的Ｓ因ｉｎｋ结点，此避免了数据存储时的传输通信开销．但是，上述方式并不适合于以密集复杂查询和异构数据集成为特征的大规模物联网环境，原因如下：

（）物联网系统中通常涉及密集型的复杂查询１处理，如时空约束条件查询、群体数据查询、统计分

据库组织成数据库集群来支持海量结构化数据的处理，但这种方法在处理关键字查询时的性能要远低于“键－值”数据库，无法根据传感器的标识快速地检索到所需要的数据．此外，由于采用了严格的分布式事务处理机制（如两阶段提交协议、数据加锁协议，等）在传感器采样数据频繁上传和更新的情况下，

１１７８

计　　算　　机　　学　　报２０１２年

数据处理的效率十分低下．最后，传统的并行数据库技术主要针对通用的数据类型，尚不能有效地支持物联网中传感器时空相关数据的并行存储与查询处理．

］文献［讨论了传感器数据中心（的数据２６ＳＤＣ）复制与负载均衡问题．作者虽然对集中式传感器数据中心的最终目标进行了描述，但是目前的研究还所给出的Ｓ比较初步．ＤＣ框架是直接建立在计算机集群上的，而不是通过数据库集群的方式，因此没有全局索引、全解决传感器异构时空数据的表示模型、局查询机制等关键技术问题．

在异构传感器采样数据的统一表示方法方面，最直接的思路是采用空间数据库及时空数据库的有

］２７２８－

，关方法［解决传感器数据的异构性和时空相关

的时空数据库集群方面的研究尚处于空白．

从数据流处理的角度来看，虽然物联网传感器采样数据表现出动态上传的流式特性，但是其处理目前的绝方法与流数据管理技术有着根本的不同：

［９］［０］

、、大多数流数据库，如ＴｅｌｅｒａｈＣＱ２Ｇｉａｓｃｏｅ３ｇｐｇｐ［１］［３２］

、等，主要解决如何在数据流ＳｓｔｅｍＳ３ＮｅｔＦｌｉ　－ｙ

实时地解析出查询结果（通常针对相到来的过程中，

对简单的查询，如查找某个特定的数据项或序列模，数据库内并不存储长时间的历史数据；而物式等）

并在此基础上联网中需要保存长时间的历史数据，实现复杂和灵活得多的查询处理．

综合以上分析可以看出，针对物联网中传感器采样数据管理所面临的海量性、异构性、时空相关性目前尚没有成熟的解决方及动态流式特性等挑战，

案，需要有针对性地进行专门的研究．

但是，传感器采样数据除了时空属性之外，性问题．

还包含物理对象的种种其它属性（如温度、压力、交，速度等）如何对这些异构的物理属性进通流密度、

行统一的表示是目前尚未解决的问题．此外，空间数而时空数据库虽然据库主要面向静态的空间对象，

，如时空轨迹数据）但目可以处理动态上传的数据（

前的研究主要针对单个时空数据库结点，在大规模

３　ＩｏＴＣｌｕｓｔｅｒＤＢ的系统结构－

在本节，我们描述ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的体系结构（）见图１与工作机理

．

图１　ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的体系结构

ＩｏＴ－ＣｌｕｓｔｅｒＤＢ是由多个传感器时空　　如图１所示，

数据库结点（ＩｏＴＳｅｎｓｏｒＳａｔｉａｌｅｍｏｒａｌＤａｔａＢａｓｅ　　－Ｔ　ｐｐ，所组成的一个数据库集群．在ＮｏｄｅＩｏＴ－ＮｏｄｅＤＢ）

并不是原封不动地存放所有的ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中，传感器采样数据，而是只存放数值型的关键采样数据．为此，系统需要通过传感器接入处理器对数据进此外，原始的传感器采样数据也保存在各行预处理．

个传感器接入处理器中，以满足溯源处理的要求．

从层次划分的角度来看，传感器接入处理器位因此对各种传感器网络本身于传感器网络层之上，

的数据采集、通信模式没有特殊要求，从而增加了整个系统的灵活性和可扩充性．

３．１　传感器的接入与预处理

在Ｉ允许接入的监控设备包ｏＴ－ＣｌｕｓｔｅｒＤＢ中，括物联网系统中所管理的各类传感器设备、视频与音频监控设备、部署在某个区域的无线传感器网络（等．此外，ＷＳＮ）ＩｏＴ－ＣｌｕｓｔｅｒＤＢ还允许以人工的方式输入感知数据．所有这些方式获得的数据，我们均传感器采样数据”统一地称之为“．

通常情况下，传感器的采样数据是数值型的，如温度传感器、压力传感器、无线传感器ＧＰＳ传感器、但是，网络等所获得的数据．ＩｏＴ－ＣｌｕｓｔｅｒＤＢ也允许多媒体设备（如视频监控设备、遥感成像设备、高空成像设备等）接入系统，通过相应的多媒体分析，可

６期丁治明等：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

１１７９

以从这些设备所获得的多媒体数据（如交通摄像头采集的视频数据流）中提取出有意义的数值型数据（如道路交通流的平均速度、车辆密度、交通流量因此，多媒体设备连同传感器接入处理器（见等）．）图２中相应的多媒体分析模块，可以达到与普通传感器一样的效果，所以在本文中我们也将它们统一地纳入传感器的范畴．

通过上述分析可以看出，本文所说的“传感器数事实上是一个广义的概念，包括任意类型带有时据”

反映物理世界状态的数据．例如，在发生空特性的、

每一个病例登记即可看成一个传感ＳＡＲＳ疫情时，

器采样数据，该数据反映了病例发生的时间、地点、规模等信息．又如，在大面积布设的ＷＳ系统Ｎ中，本身即可根据多个传感器个体的采样值获得汇总数，据（如污染带的面积、位置等）这些汇总数据也可以在这种情况下，可以将整个看成传感器采样数据（

而不需要对其中的单个传ＷＳＮ看成一个传感器，感器进行管理）．

传感器将采样数据上传给传感器接入处理器（，的方式可分为ＳｅｎｓｏｒＣｏｎｎｅｃｔｉｎＰｒｏｃｅｓｓｏｒＳＣＰ）　ｇ　

主动上传与被动上传．其中，主动上传是根据两种：

预先定义的条件，由传感器自身进行计算和判断，只有当规定的条件满足时才上传数据，这种方式具有较好的数据传输效率，但需要传感器具备一定的计而被动上传则是以一定的频率周期性地上传算能力；

这种方式虽然具有较大的通信代价，但对传感数据，

器的计算能力要求很小，因此也得到了广泛的应用．

在Ｉ传感器采样数据是以“原ｏＴ－ＣｌｕｓｔｅｒＤＢ中，）”子监控对象（为单位进行ａｔｏｍｉｃｍｏｎｉｔｏｒｅｄｏｂｅｃｔ　　ｊ组织的，而不是以传感器为单位．同一个监控对象的所有传感器采样值按照时间序列组织在一起，形成，该监控对象的“采样数据序列”并作为一个属性存放在该监控对象的元组记录中．

在绝大多数情况下，一个监控对象即对应于一个传感器（如太湖中的一个温度传感器可看成是一个监控对象，对应于一个具体的温度监测点，因此太；湖中可包含大量的监控对象）但某些时候两者并不具有一一对应的关系，例如ＲＦＩＤ传感器与所监控——带有的车辆或货物之间并没有固定的对应关系—ＲＦＩＤ标签的监控对象的采样数据序列是由整个系统中的多个ＲＦＩＤ传感器所采集的数据汇总而成的．

根据监控对象的位置是否移动，我们可以将它们分为两大类：静止监控对象（如太湖中固定布设的温度传感器、车库中的剩余车位计数器、无线传感器网络

等）和移动监控对象（如带Ｇ条形码的ＰＳ、ＲＦＩＤ标签、车辆与货物、浮动车上布设的视频交通流传感器等）．

传感器接入处理器可以实现大量传感器的接实现对传感器原始采样数据的分析、过滤与转入，

换，完成原始采样数据的本地存储，并将处理后的数值型关键采样数据上传到ＩｏＴ－ＣｌｕｓｔｅｒＤＢ数据库集传感器接入处理器分担了整群中做进一步的处理．

个系统的很大一部分数据处理与存储任务，使得带有语义信ＩｏＴ－ＣｌｕｓｔｅｒＤＢ只需处理相对较少的、图２给出了传感器接入息的数值型关键采样数据．处理器的工作过程

．

图２　传感器接入处理器的主要工作过程

如图２所示，传感器接入处理器的主要工作过程如下：

（）非数值型采样数据的数值化．对于多媒体１

原始采样数据，传感器接入处理器需要进行相关的获得能够反映监控对象物理状态多媒体数据分析，

的数值型导出数据，如通过对交通摄像头视频图像的分析，可以提取出监控地点的车辆密度、平均车速、交通流量等参数信息；通过对高空遥感图像的分析，可以提取出污染区域及火灾区域的地理几何形状等空间数据信息．

（）密集采集数据的稀疏化．无论是通过多媒２

体数据分析所获得的数值型导出数据，还是直接从它们仍然存在传感器获得的数值型原始采样数据，

如果将这些数据全部传入着采样频率过高的缺陷．

则会导致数据中心数据ＩｏＴ－ＣｌｕｓｔｅｒＤＢ进行管理，量的急剧膨胀．为此，传感器接入处理器需要通过关键数据的提取操作，从原始数据流中抽取出能够反映监控目标物理状态变化的关键采样数据，仅将关键采样数据上传给ＩｏＴ－ＣｌｕｓｔｅｒＤＢ进行处理．

１１８０

计　　算　　机　　学　　报２０１２年

在关键数据的提取方面，一种简单的方法是基——对于每一于状态变化阈值的关键数据提取方法—

种传感器可以定义一个状态变化阈值，如果新的采样数据与上次上传的关键采样数据之间的差值没有则不需要进行任何处理；仅当它们之间超过该阈值，

的差值超过规定的阈值时，新的采样数据才成为需此外，我们还可以采取其它要上传的关键采样数据．

的更加智能化的数据提取方法，在保证关键数据上过滤掉大量的冗余数据（注意，如果传传的前提下，

则采样数据已经进行了感器采用主动上传的方式，

稀疏化处理，ＳＣＰ不需要再进行相应的处理）．（）条形码阅读器采样数据的提取．对于３ＲＦＩＤ、

条形码阅读器等所采集的数据，传感ＲＦＩＤ传感器、

并器接入处理器需要提取出移动监控对象的标识，连同相关的采样时间与采样地点组成采样记录，然后将该采样记录发送给ＩｏＴ－ＣｌｕｓｔｅｒＤＢ进行处理．来自于ＩｏＴ－ＣｌｕｓｔｅｒＤＢ将同一个移动监控对象的、不同ＲＦＩＤ传感器或条形码阅读器的采样数据集中可以获得该监控对象的采样数据序列，该数据起来，

序列反映了其完整的时空移动过程．

（）原始采样数据的存储．对于具有保留价值４

的原始采样数据（如视频监控多媒体数据、油库温度原始采样数据等）也由传感器接入处理器进行存储管理．在Ｉ每个监控对象的元组数ｏＴ－ＣｌｕｓｔｅｒＤＢ中，据中均含有存储该对象的原始采样数据的ＳＣＰ标通过这些标识，查询用户可以连接到相应的识，

并通过相应的数据访问接口检索和回放完整ＳＣＰ，的历史与当前原始采样数据．３．２　ＩｏＴＣｌｕｓｔｅｒＤＢ数据库集群－

ＩｏＴ－ＣｌｕｓｔｅｒＤＢ数据库集群是由大量的同构传感器时空数据库结点Ｉ每个ｏＴ－ＮｏｄｅＤＢ所组成的，ＩｏＴ－ＮｏｄｅＤＢ可以对各类异构的传感器采样数据进行统一化的管理．在Ｉ数据是以监控ｏＴ－ＮｏｄｅＤＢ中，——每个监控对象对应于一对象为单位进行管理的—

个元组，该监控对象的所有关键采样数据存放在一起构成一个采样数据序列，并作为一个属性值存放在该元组中．此外，每个监控对象的元组中还包含存放原始采样数据的Ｓ使得各个传感器接入ＣＰ标识，处理器与ＩｏＴ－ＣｌｕｓｔｅｒＤＢ能够分担系统的计算与存储任务并协同工作．

在Ｉ大量的ＩｏＴ－ＣｌｕｓｔｅｒＤＢ数据库集群中，ｏＴ－其中叶结点存储实ＮｏｄｅＤＢ被组成双层树形结构，际的传感器采样数据，而根结点则存储为了进行全局查询所需要的全局数据字典．所有的查询均提交

给根结点，根结点通过全局查询处理模块，实现对查询的全局处理．在Ｉ通过建立分布ｏＴ－ＣｌｕｓｔｅｒＤＢ中，式的全局关键字索引和全局时空索引，整个系统可时空查询以及复杂以同时支持快速的关键字查询、的逻辑条件约束查询．

４　传感器时空数据库模型

在本节，我们讨论ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中的各传感的数据管理方法，器时空数据库结点（ＩｏＴ－ＮｏｄｅＤＢ）并重点讨论如何使用统一的数据库表示方式，对异构的传感器关键采样数据进行存储与查询处理．我们假设数据库中已经实现了标准数据类型、空间数并采用据类型以及基于这些类型的相关查询操作，］文献［中的符号表示方法对数据类型和操作２７２８－进行相关的表示．

如前所述，在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中可以接入海量每一种类型的传感器所获得的的异构传感器结点．

但它们的共采样数据均可以具有不同的数据格式，

同特点是均具有时空特性：即每个传感器采样数据均对应于一个具体的采样时间ｔＩｎｓｔａｎｔ和一个具∈

体的采集地点ｌ在多数情况下，ｏｃ∈Ｐｏｉｎｔｅｉｏｎ．∪Ｒｇ传感器数据的采样地点是一个精确的位置（即ｌｏｃ∈），如风力与风向传感器、ＰｏｉｎｔＧＰＳ传感器等采集的

但是，有时候也存在采样位置不精确的情况数据．

（，即ｌ如在无线传感器网络中，通常在某ｏｃ∈Ｒｅｉｏｎ）ｇ

个区域中可以布设一群传感器，此时所得到的采样数据（可以是单个传感器的采样值，或者是群体传感器的汇总数据）对应的采样地点即为一个地理区域．

此外，为了快速地查询和分析各监控对象的历次采样信息，传感器采样数据应该以监控对象为单位进行组织，使得同一个监控对象的所有数据都存放在一起，并随着时间而动态变化．因此传感器采样数据表现出序列性和动态变化的流式特性．

在Ｉ为了对异构的传感器流式ｏＴ－ＮｏｄｅＤＢ中，时空相关数据进行有效的管理，需要定义相应的数据类型与查询操作，在数据库内核一级实现传感器采样数据的高效存储与查询处理．

４．１　数据类型

在本小节，我们首先定义单个传感器采样值的表示方法，在此基础上，给出监控对象的采样数据序列的表示方法．通过这些数据类型，数据库内核可以对异构的传感器关键采样数据流进行统一的表示与存储处理．

６期丁治明等：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

１１８１

（定义１传感器采样值）．　传感器的单个采样值ＳａｍｌｉｎＶａｌｕｅ可以表示为如下形式：ｐｇ

，，），ＳａｍｌｉｎＶａｌｕｅ＝（ｔｌｏｃ，ｎｏｓｓｃｈｅｍａ，ｖａｌｕｅｐｇｐ

其中：ｔ∈Ｉｎｓｔａｎｔ是该采样数据所对应的采样时间；

），）和（６２．５ｄｉｒｅｃｔｉｏｎ：ｒｅａｌ２２．

（定义３采样数据序列）．　同一个监控对象的历次采样值（可以来自于同一个传感器，也可以来自）如Ｒ条形码阅读器等）按照时于多个传感器（ＦＩＤ、间序列存放在一起，构成该对象的采样数据序列表示为如下形式：ＳａｍｌｉｎＳｅｕｅｎｃｅ，ｐｇｑ

ｌｏｃ∈Ｐｏｉｎｔ∪Ｒｅｉｏｎ是采样地点；ｎｏｓ∈Ｓｔｒｉｎｇｐｇ是

该采样数据所对应的交通网络位置（以有向道路的当采样位置不在交通网络中时ｎＩＤ表示；ｏｓ为空ｐ

；值）ｓｃｈｅｍａ∈Ｓｔｒｉｎａｌｕｅ∈Ｓｔｒｉｎｇ和ｖｇ分别是采样，型”和“值”其中“型”描述了采样数据的格数据的“

“值”是具体的采样数据值．由于ｓ式及语义，ｃｈｅｍａ和ｖ因此需要用括号对ａｌｕｅ均可能包含多个分量，它们的边界进行划分．

在上述定义中，采样地点ｌｏｃ的表示形式取决对于移动监控对象（通常通过于监控对象的类型．

，必然有ＧＰＳ、ＲＦＩＤ或条形码阅读器进行定位）ｌｏｃ∈；而对于静止监控对象，可以包含ｌＰｏｉｎｔｏｃ∈Ｐｏｉｎｔ（如固定布设的交通流传感器）和ｌ如无ｏｃ∈Ｒｅｉｏｎ（ｇ两种情况．线传感器网络中成片布设的传感器）

表１给出了各种不同类型的传感器关键采样数据的例子（设ｔｔｅｅ１～５是采样时间，２０１～２０２是有向道路的标识）．

表１　传感器采样值的例子

传感器类型温度传感器（部署在某区域的ＷＳＮ）

ＧＰＳ传感器风速风向传感器交通流视频分析传感器

传感器采样值（ＳａｍｌｉｎＶａｌｕｅ数据类型）ｐｇ（），（ｔｒｅｉｏｎＮＵＬＬ，ｔｅｍｅｒａｔｕｒｅ：ｒｅａｌｇｐ１，１，（））２７．５（，，ｔ３９．３，１４４．３）ｅｓｅｅｄ：ｒｅａｌｐ２，（２０１，（

），（））ｄｉｒｅｃｔｉｏｎ：ｒｅａｌ６２．５，２２（（，（ｔ３９．３，１４４．３）ＮＵＬＬ，ｗｉｎｄｓｅｅｄ：ｐ３，

，），（））ｒｅａｌｗｉｎｄｄｉｒ：ｒｅａｌ６２．５，２２（（，（ｔ３９．３，１４４．３）ｅａｖｅｒａｅＳｅｅｄ：ｇｐ４，２０２，，），（））ｒｅａｌａｍ：ｂｏｏｌ６２．５，ｔｒｕｅｊ

ａｍｌｉｎＳｅｕｅｎｃｅ＝　Ｓｐｇｑ

ｎ

（（（）），ｓｃｈｅｍａ，ｔｌｏｃｎｏｓｖａｌｕｅｌａｐｆｇｉ，ｉ，ｉ，ｉ，ｉ）ｉ＝１其中，ｓｃｈｅｍａ∈Ｓｔｒｉｎｇ是采样序列中各采样值的“，、型”ｔｎｓｔａｎｔｌｏｃｏｉｎｔ∪Ｒｅｉｏｎ、ｎｏｓｇｐｉ∈Ｉｉ∈Ｐｉ∈

ＳｔｒｉｎａｌｕｅＳｔｒｉｎｇ和ｖｇ分别是第ｉ个采样值的采ｉ∈样时间、采样地点、采样地点对应的网络位置以及实际的采样数值，ｌａｆｇｉ表示第ｉ个采样值是否为该数，间断点”即一个新片断的起点．据序列中的一个“

下面让我们来进一步讨论ｆ在ＩｌａｏＴ－Ｃｌｕｓ－ｇｉ．数据是根据地理区域进行分布的（详见第ｔｅｒＤＢ中，

对于移动监控对象（如Ｇ５．１节）．ＰＳ传感器、ＲＦＩＤ、条形码阅读器监控的对象）来说，其采样数据序列可以被分割成多个片段，并被存储在不同的数据库结如果某个移动监控对象ｍ点中．ｏｂｊ多次进入同一个数据库结点所对应的地理区域，则该数据库结点中存放的ｍ如ｏｂｊ的采样数据序列包含多个片段（，图３所示）而ｆｌａｇｉ则用于表示对应的采样值是否为一个新片段的起点

．

（，（高空遥感识别传感器（ｔ３９．３，１４４．３）ＮＵＬＬ，ｄｉｓａｓｔｅｒＡｒｅａ：５，

），（）（火灾区域识别）ｒｅｉｏｎｒｅｉｏｎｇｇ２）

传感器的采样值可以由多个分量组成，如表１中Ｇ速度和方向ＰＳ传感器的采样值具有两个分量：（注意：纬度信息是传感器采样ＧＰＳ所采集的经度、值的基本信息，表示在ｌ所以并不属于采ｏｃ属性中，样值的分量）为了进一步表示传感器采样值的分．量，我们定义如下ＳａｍｌｉｎＣｏｍｏｎｅｎｔ数据类型．ｐｇｐ

（定义２采样值的分量）．　传感器采样值的分量ＳａｍｌｉｎＣｏｍｏｎｅｎｔ可以表示为如下形式：ｐｇｐ），ＳａｍｌｉｎＣｏｍｏｎｅｎｔ＝（ｃＳｃｈｅｍａ，ｃＶａｌｕｅｐｇｐ

其中，ｃＳｃｈｅｍａ∈ＳｔｒｉｎｃＶａｌｕｅ∈Ｓｔｒｉｎｇ，ｇ分别是采样值分量的“型”和“值”例如，表１中Ｇ．ＰＳ传感器，采样值的速度与方向分量分别表示为（ｓｅｅｄ：ｒｅａｌｐ

图３　采样数据序列包含多个分段的情况

对于静止监控对象，由于其历次采样值的ｌｏｃ属性保持不变，因此ＳａｍｌｉｎＳｅｕｅｎｃｅ的格式可ｐｇｑ以简化为（注意此时尽管不存在采样数据序列分割的问题，但ｆ用于表示监控过程ｌａｇｉ仍然是需要的，：被暂时挂起的情况）

ＳａｍｌｉｎＳｅｕｅｎｃｅ＝ｐｇｑ

ｎ

，（（））ｓｃｈｅｍａ，ｌｏｃ，ｎｏｓｔｖａｌｕｅｌａ　（ｐｇｉ，ｉ，ｉ）ｉ＝１．上述两种ＳａｍｌｉｎＳｅｕｅｎｃｅ表示方式在格式ｐｇｑ

１１８２

计　　算　　机　　学　　报２０１２年

上稍有区别，由数据库系统自动进行区分和处理．

在系统实现时，ＳａｍｌｉｎＳｅｕｅｎｃｅ数据类型被ｐｇｑ真实的采设计成一个指向外存文件数据块的指针，而不是直接存放在样数据序列被存放在文件块中，

元组中．这样当新的采样数据到来并淘汰旧的采样数据时，只需要直接修改文件数据块即可，而不需要对数据库元组进行修改，从而提高了处理的效率．

通过上述数据类型，我们可以建立关系表用以表示和存储物联网中各监控对象的采样数据序列，如

ＣＲＥＡＴＥＴＡＢＬＥＩｏＴＤａｔａ（ＯｂＩＤ：Ｓｔｒｉｎ　　ｊｇ，

：：ＯｂＴｅＳｔｒｉｎＤｅｌｏｅｄＢＳｔｒｉｎｊｙｐｐｙｙｇ，ｇ，：，Ｈ：ＤｅｏｅｄＴｉｍｅＩｎｓｔａｎｔｏｓｔＯｂＳｔｒｉｎｐｙｊｇ，：）；ＳａｍｌｉｎｓＳａｍｌｉｎＳｅｕｅｎｃｅｐｇｐｇｑ

进行如下处理：

（）（如果ｔ则直接返回“未定义”用“１ｔ⊥”１，ｑ＜

；表示）

）），（如果ｔ则需要进一２ｔｔ２，ｎ］ｊ∈［ｊ－１＜ｑ＜ｊ（

，步检查ｆ如果ｆ则表明第ｊ个采ｌａｌａｒｕｅｇｇｊ：ｊ＝Ｔ；，样值为间断点，此时返回“如果ｆａｌｓｅｌａ⊥”ｇｊ＝Ｆ则需要通过插值的方法得到ｔ在进行ｑ时刻的结果．

插值计算时，根据采样值的ｎｏｓ属性是否为有效的ｐ可以选用基于交通网络的插值方法或基网络位置，

于Ｅｕｃｌｉｄｅａｎ空间的插值方法；

）（如果ｔ则返回（３ｔｔｌｏｃｎｏｓｓｃｈｅｍａ，ｐｎ，ｎ，ｎ，ｎ，ｑ＞

（注意，此时返回值中用的是ｔ用ｖａｌｕｅｎ）ｎ而不是ｔｑ，

以表明采样的实际时间）．

通过ａ数据库可以支持对监控对ｔＩｎｓｔａｎｔ操作，象在监控时间段内任意时刻的状态查询．

、、空间投影操作ｓＰｒｏｅｃｔＬｉｎｅｓｓＰｒｏｅｃｔＰｏｉｎｔｊｊｓＰｒｏｅｃｔＮｅｔＰｏｓ和时间投影操作ｓＰｒｏｅｃｔＴｉｍｅ分别ｊｊ

它们将采样数据序列向空间平面和时间轴上投影，的语法格式如下：

：ｓＰｒｏｅｃｔＬｉｎｅｓＳａｍｌｉｎＳｅｕｅｎｃｅ→Ｌｉｎｅｓｊｐｇｑ

针对移动监控对象）　　（

：ｓＰｒｏｅｃｔＰｏｉｎｔＳａｍｌｉｎＳｅｕｅｎｃｅ→Ｐｏｉｎｔｊｐｇｑ针对ｌｏｃ∈Ｐｏｉｎｔ的静止监控对象）　　（

：ｓＰｒｏｅｃｔＲｅｉｏｎＳａｍｌｉｎＳｅｕｅｎｃｅ→Ｒｅｉｏｎｊｇｐｇｑｇ针对ｌｏｃ∈Ｒｅｉｏｎ的静止监控对象）　　（ｇ：（ｓＰｒｏｅｃｔＮｅｔＰｏｓＳａｍｌｉｎＳｅｕｅｎｃｅ→ＳｅｔＳｔｒｉｎｊｐｇｑｇ）

：ｓＰｒｏｅｃｔＴｉｍｅＳａｍｌｉｎＳｅｕｅｎｃｅ→Ｐｅｒｉｏｄｓｊｐｇｑ、在上述空间投影操作中，ｓＰｒｏｅｃｔＰｏｉｎｔｓＰｒｏ－ｊｅｃｔＬｉｎｅｓ和ｓＰｒｏｅｃｔＲｅｉｏｎ分别针对特定的监控对ｊｊｇ

；象，对于其它类型的监控对象则返回“ｓＰｒｏｅｃｔ⊥”－ｊＮｅｔＰｏｓ操作返回空间投影值所对应的网络位置．

空间截取操作ｓＴｒｕｎｃａｔｅＧｅｏ和时间截取操作ｓＴｒｕｎｃａｔｅＴｉｍｅ分别根据给定的空间范围和时间范

它们的语法格式围截取采样数据序列的一部分，如下：

：ｓＴｒｕｎｃａｔｅＧｅｏ

；ＳａｍｌｉｎＳｅｕｅｎｃｅ×Ｒｅｉｏｎ→ＳａｍｌｉｎＳｅｕｅｎｃｅｐｇｑｇｐｇｑ

：ｓＴｒｕｎｃａｔｅＴｉｍｅ

在上述关系表模式中，ＯｂＩＤ、ＯｂＴｅ、Ｄｅｌｏｅｄ－ｊｊｙｐｐｙ、监控对ＢＤｅｏｅｄＴｉｍｅ分别是监控对象的标识、ｙｐｙ

象的具体类型（如Ｇ摄像识别传感器、温ＰＳ、ＲＦＩＤ、、度传感器等）部署者、部署时间，ＨｏｓｔＯｂｊ是该监控如太湖中的传感器的宿主对象为对象的宿主对象（

，太湖）Ｓａｍｌｉｎｓ是该监控对象的采样数据序列．ｐｇ此外，ＩｏＴ－ＮｏｄｅＤＢ中每个监控对象的元组还隐式地包含一个Ｓ其ＣＰＳｅｔ属性和一个ＳｔａｔｉｃＭｏｖ属性，中ＳＣＰＳｅｔ中存放该监控对象的原始采样数据的而Ｓ用ＳＣＰ集合，ｔａｔｉｃＭｏｖ是一个Ｂｏｏｌ型的标记，于区分静止监控对象和移动监控对象．４．２　查询操作

上述数据类型允许我们在数据库内核中以统一的数据格式表示异构的传感器采样数据流．为了对传感器数据进行查询，我们还需要在这些数据类型的基础上定义一系列的查询操作．

４．２．１　针对ＳａｍｌｉｎＳｅｕｅｎｃｅ数据类型的操作ｐｇｑ

针对ＳａｍｌｉｎＳｅｕｅｎｃｅ数据类型的最重要的ｐｇｑ查询操作是ａ该操作用于计算监控对ｔＩｎｓｔａｎｔ操作，象在某个给定时间ｔ其语法格式如下（在ｑ的状态值，操作的语法格式定义中，符号“两边分别是该操作→”的输入数据和输出数据的数据类型；如果操作有多个：输入数据，则输入数据类型之间用“进行连接）×”

：ａｔＩｎｓｔａｎｔ

ＳａｍｌｉｎＳｅｕｅｎｃｅ×Ｉｎｓｔａｎｔ→ＳａｍｌｉｎＶａｌｕｅ．ｐｇｑｐｇ假设ａｔＩｎｓｔａｎｔ操作的两个输入分别是ｓｅｕ∈ｑ，其中ｓＳａｍｌｉｎＳｅｕｅｎｃｅ和ｔｎｓｔａｎｔｅｕ＝ｐｇｑｑｑ∈Ｉ

ｎ（（））如果ｓｃｈｅｍａ，（ｔｌｏｃｎｏｓｖａｌｕｅｌａｐｆｇｉ，ｉ，ｉ，ｉ，ｉ）ｉ＝１．

ＳａｍｌｉｎＳｅｕｅｎｃｅ×Ｐｅｒｉｏｄｓ→ＳａｍｌｉｎＳｅｕｅｎｃｅ．ｐｇｑｐｇｑ

为了支持新采样值到采样数据序列的插入，我们定义ｓ该操作将一个新的ａｍｌｉｎＡｅｎｄ操作．ｐｇｐｐ采样值（连同表示是否为间断点的ｆ附加ｌａｇ标识）到采样数据序列的末尾，同时根据系统中预定义的监控时间长度（如３个月）淘汰采样数据序列中过时

即ｔｔｔｑ正好为某个关键采样值所对应的时间，ｑ＝ｊ

（），则ａ１，ｎ］ｔＩｎｓｔａｎｔ操作直接将该关键采样值ｊ∈［

（作为结果返回，否则ｔｌｏｃｎｏｓｓｃｈｅｍａ，ｖａｌｕｅｐｊ，ｊ，ｊ，ｊ）

６期丁治明等：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

１１８３

的采样数据．该操作的语法格式如下：

：ｓａｍｌｉｎＡｅｎｄｐｇｐｐ

组均隐含一个Ｓ用以表示存放该监控对ＣＰＳｅｔ属性，象原始采样数据的Ｓ为了获得ＳＣＰ的标识．ＣＰＳｅｔ属，性的值，我们定义操作Ｇ该操作的输入ｅｔＲａｗＳｉｔｅｓ输出为Ｓ为监控对象的标识ＯｂＩＤ∈ＳｔｒｉｎＣＰ的ｊｇ，

标识集合．ＧｅｔＲａｗＳｉｔｅｓ操作的语法格式如下：

：（ＧｅｔＲａｗＳｉｔｅｓＳｔｒｉｎｅｔＳｔｒｉｎ．ｇ→ｓｇ）

查询用户通过ＧｅｔＲａｗＳｉｔｅｓ操作获得相应ＳＣＰ的标识之后，可以直接与相应的Ｓ并ＣＰ进行通信，通过原始采样数据浏览接口进行相关数据的存取与访问．

４．２．４　对传感器采样数据进行查询的例子

本节前部分定义的所有数据类型和查询操作均因此查询语言（包括实现为数据库系统的内嵌形式，

数据定义语言Ｄ是扩充ＤＬ和数据操纵语言ＤＭＬ）后的Ｓ下面给出一些查询的例子：ＱＬ语言形式．［查询Ｑ通过关键字查询获得监控对象１］

ｏｂＩＤ１的采样数据序列ｊ

（）ＳＥＬＥＣＴｋｅＳｅａｒｃｈｏｂＩＤ１．Ｓａｍｌｉｎｓ　ｙｐｇｊ；ＦＲＯＭＩｏＴＤａｔａ　

ＳａｍｌｉｎＳｅｕｅｎｃｅ×ＳａｍｌｉｎＶａｌｕｅ×Ｂｏｏｌ→ｐｇｑｐｇＳａｍｌｉｎＳｅｕｅｎｃｅ．ｐｇｑ

４．２．２　针对ＳａｍｌｉｎＶａｌｕｅ数据类型的操作ｐｇ

针对ＳａｍｌｉｎＶａｌｕｅ的操作主要包括对采样ｐｇ、、值的投影操作ｖＰｒｏｅｃｔＴｉｍｅｖＰｒｏｅｃｔＰｏｉｎｔｖＰｒｏ－ｊｊｅｃｔＲｅｉｏｎ和ｖＰｒｏｅｃｔＮｅｔＰｏｓ以及数据提取操作ｊｇｊ

它们的语法格式如下：ｅｔＣｏｍｏｎｅｎｔ．ｇｐ

：；ｖＰｒｏｅｃｔＴｉｍｅＳａｍｌｉｎＶａｌｕｅ→Ｉｎｓｔａｎｔｊｐｇ：ｖＰｒｏｅｃｔＰｏｉｎｔＳａｍｌｉｎＶａｌｕｅ→Ｐｏｉｎｔｊｐｇ；针对ｌｏｃ∈Ｐｏｉｎｔ的监控对象）　　（

ｖＰｒｏｅｃｔＲｅｉｏｎ：ＳａｍｌｉｎＶａｌｕｅ→Ｒｅｉｏｎｊｇｐｇｇ；针对ｌｏｃ∈Ｒｅｉｏｎ的监控对象）　　（ｇ

：ｖＰｒｏｅｃｔＮｅｔＰｏｓＳａｍｌｉｎＶａｌｕｅ→Ｓｔｒｉｎｊｐｇｇ；：ｅｔＣｏｍｏｎｅｎｔｇｐ

ＳａｍｌｉｎＶａｌｕｅ×ｉｎｔｅｅｒ→ＳａｍｌｉｎＣｏｍｏｎｅｎｔ．ｐｇｇｐｇｐ

如果将ＳａｍｌｉｎＳｅｕｅｎｃｅ看成监控对象的状ｐｇｑ则一个Ｓ态曲线，ａｍｌｉｎＶａｌｕｅ值实际上对应于监ｐｇ、因此，控对象状态曲线中的一个点．ｖＰｒｏｅｃｔＴｉｍｅｊｖＰｒｏｅｃｔＰｏｉｎｔ和ｖＰｒｏｅｃｔＮｅｔＰｏｓ操作的结果分别ｊｊ

、／是ＩｎｓｔａｎｔＰｏｉｎｔＲｅｉｏｎ和Ｓｔｒｉｎｇｇ型的值．

由于ＳａｍｌｉｎＶａｌｕｅ型的值可以有多个分量，ｐｇ，取出采ｅｔＣｏｍｏｎｅｎｔ操作根据指定的分量序号ｉｇｐ

样值的第ｉ个分量．

４．２．３　其它操作

为了实现ＳａｍｌｉｎＣｏｍｏｎｅｎｔ数据类型与数ｐｇｐ据库中其它数据类型的交互操作，还需要通过

［２７－２８］

“”的方式，对数据库中的各种标准查询ｌｉｆｔｉｎｇ

／、操作（如＋、和空间查询操作－、×、＝、＜、＞等）

在上述查询中，ｋｅＳｅａｒｃｈ操作返回一组元ｙ组的集合（由于ｏ因此该ｂＩＤ１只对应一个元组，ｊ，而ｋ集合中只含一个元素）ｅＳｅａｒｃｈ（ｏｂＩＤ１）．ｙｊ

”属性值．Ｓａｍｌｉｎｓ返回这些元组的“Ｓａｍｌｉｎｓｐｇｐｇ［查询Ｑ２］通过关键字查询获得所有由

“”部署的监控对象的采样数据序列ＢｅｉｉｎＴｒａｆｆｉｃｊｇ

（“”）ＳＥＬＥＣＴｋｅＳｅａｒｃｈＢｅｉｉｎＴｒａｆｆｉｃ．Ｓａｍｌｉｎｓ　ｙｊｇｐｇ；ＦＲＯＭＩｏＴＤａｔａ　

［］查询Ｑ通过属性约束条件实现查询Ｑ３２

ＳＥＬＥＣＴＳａｍｌｉｎｓ　ｐｇＦＲＯＭＩｏＴＤａｔａ　

”；ＤｅｌｏｅｄＢ＝“ＢｅｉｉｎＴｒａｆｆｉｃＷＨＥＲＥ　ｐｙｙｊｇ

（，，，，，如ｉｎｓｉｄｅｉｎｔｅｒｓｅｃｔｔｏｕｃｈｅｓｄｉｓｔａｎｃｅｄｉｒｅｃｔｉｏｎ进行扩充，使得ＳｏｖｅｒｌａａｍｌｉｎＣｏｍｏｎｅｎｔ可ｐ等）ｐｇｐ

以作为这些操作的输入数据类型参与这些操作的计“算．例如，操作在扩充之后的语法格式为（设＝”“和“分别是标准数据类型的集ＢＡＳＥ”ＳＰＡＴＩＡＬ”

：合和空间数据类型的集合）

，＝：ｏｏｌα×β→Ｂ

其中α，ｓａｍｌｉｎＣｏｍｏｎｅｎｔ｝∪ＢＡＳＥ∪ｐｇｐβ∈｛

ＳＰＡＴＩＡＬ．

此外，在Ｉ所有的查询均是以ｏＴ－ＮｏｄｅＤＢ中，即便对于关键字查询也套ＳＱＬ语句的格式提交的，用Ｓ为此，我们定义如下ｋＱＬ语句的格式．ｅＳｅａｒｃｈｙ操作，以提供关键字查询接口：

（）ｋｅＳｅａｒｃｈ：ＳｔｒｉｎｅｔＴｕｌｅ．ｙｇ→ｓｐ

如前所述，ＩｏＴ－ＮｏｄｅＤＢ中每个监控对象的元

查询Ｑ２和Ｑ３的区别在于Ｑ２采用关键字查询，因此其执行速度可能会快于采用ＳＱＬ查询

的Ｑ３．

［查询Ｑ４］查询所有位于地理区域ｒｅｉｏｎｇ１内且在ｔ返回除０的风力监控对象，１时刻的风速大于５

”属性之外的其它属性值了“Ｓａｍｌｉｎｓｐｇ

ＥＬＥＣＴ　Ｓ

，，，ｂＩＤ，ＯｂＴｅＤｅｌｏｅｄＢＤｅｏｅｄＴｉｍｅＨｏｓｔＯｂ　ＯｊｊｙｐｐｙｙｐｙｊＲＯＭＩｏＴＤａｔａ　Ｆ　

”ＡＮＲＥＯｂＴｅ＝“ＷｉｎｄｓｅｎｓｏｒＤ　ＷＨＥ　ｊｙｐ

（），ｉｎｓｉｄｅ（ｓＰｒｏｅｃｔＰｏｉｎｔＳａｍｌｉｎｓｒｅｉｏｎＡＮＤ　　ｊｐｇ１）ｇ（（，，）ｅｔＣｏｍｏｎｅｎｔａｔＩｎｓｔａｎｔＳａｍｌｉｎｓｔ１０；　　ｇ＞５ｐｐｇ１）

［查询Ｑ查询所有ｔ５］１时刻位于地理区域

如安装在公ｒｅｉｏｎｇ１内的视频交通流监控移动目标（

交车辆上的摄像头）

１１８４ＳＥＬＥＣＴ＊ＦＲＯＭＩｏＴＤａｔａ　

计　　算　　机　　学　　报２０１２年

分布到不同的叶结点进行存储，总的数据分布原则如：下（设数据库采用第４．１节中所描述的模式）（设１）对于任意一个移动监控对象ｍｏｂｊ，

（是ｍｓｉｔｅｓｍｏｂｏｂｊ）ｊ在监控时间范围内经过了其管辖区域的叶结点的集合，则ｍｏｂｊ对应于多个元组，（中的每个叶结点中存放其中的一个元ｓｉｔｅｓｍｏｂｊ）

”这些元组除了“属性之外的其它属性组，Ｓａｍｌｉｎｓｐｇ值是相互复制的，而其“属性值则在Ｓａｍｌｉｎｓ”ｐｇ（中的各叶结点之间进行分割：对于任一ｓｉｔｅｓｍｏｂｊ）

，”它仅存放“与叶结点ｓｉｔｅ∈ｓｉｔｅｓ（ｍｏｂＳａｍｌｉｎｓｐｇｊ）即ｓｓｉｔｅ）在空间上相交的部分，ＴｒｕｎｃａｔｅＧｅｏα（

（，）），如图５所示

．Ｓａｍｌｉｎｓｓｉｔｅα（ｐｇ

”ＡＮＷＨＥＲＥＯｂＴｅ＝“ＢｕｓＴｒａｆｆｉｃＶｉｄｅｏＤ　ｊｙｐ

（（，），ｖＰｒｏｅｃｔＰｏｉｎｔａｔＩｎｓｔａｎｔＳａｍｌｉｎｓｔｒｅｉｏｎ．ｉｎｓｉｄｅ（ｊｐｇ１）１）ｇ

５　ＩｏＴＣｌｕｓｔｅｒＤＢ数据库集群全局处理－

物联网系统中海量的传感器对各种物理目标的状态进行着实时的监控．为了对海量传感器数据进行快速处理，我们需要大量的数据库结点并将它们组织成一个协同工作的物联网集群存储系统．如前所述，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ采用一种双层树形

其中叶结点存储真正的传感器采样数据，而根结构，

结点则存储为了进行全局查询所需要的全局数据字典．ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的体系结构如图４所示

．

图４　ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的体系结构

在Ｉ每个数据库结点（包括根ｏＴ－ＣｌｕｓｔｅｒＤＢ中，结点和各个叶结点）均为传感器时空数据库．各结点除了具有第４节所描述的数据类型和查询操作之外，还协同建立了分布式的全局索引及全局查询处理模块．

为了提高系统的可靠性，根结点和每个叶结点如果其中一个副本都包含两个或多个数据库副本，失效，其它的副本可以接管其工作．５．１　数据分布策略

在Ｉ每个叶结点ｓｏＴ－ＣｌｕｓｔｅｒＤＢ中，ｉｔｅ对应于，一个地理区域，称之为该结点的“管辖区域”记为）所有叶结点的管辖区域均登记在根结点和ｓｉｔｅ．α（

采样数据接收服务器中的管辖区域分区表（Ｓｅｒｖｉｃｅ，）中．ＡｒｅａＰａｒｔｉｔｉｏｎｉｎＴａｂｌｅＳＡＰａｂｌｅ　－Ｔｇ　

设ＩｏＴ－ＣｌｕｓｔｅｒＤＢ系统包含ｎ个叶结点：ｓｉｔｅ１，…，且总的应用地理区域为Ａ，则有如下ｓｉｔｅｓｉｔｅ２，ｎ，条件成立：

（），：１ｉｉｓｉｔｅｓｉｔｅ＝；≠α（∩α（ｊ（ｊ）ｉ）ｊ）（）２ｓｉｔｅ∪ｉ＝Ａ．

ｉ＝１ｎ

”图５　“属性值在各叶结点之间的分割Ｓａｍｌｉｎｓｐｇ

（）对于静止监控对象ｓ如果其采样地点２ｏｂｊ，

，则ｓｌｏｃ∈Ｐｏｉｎｔ且ｌｏｃ∈α（ｓｉｔｅｏｂｊ仅对应于一个ｉ）

元组，该元组存放在叶结点ｓｉｔｅｉ中；（）对于静止监控对象ｓ如果其采样地点３ｏｂｊ，

（是管辖区域与ｌｌｏｃ∈Ｒｅｉｏｎ且ｓｉｔｅｓｓｏｂｏｃ相交的ｇｊ）（叶结点集合，则ｓ中的每个叶结点存放ｓｉｔｅｓｓｏｂｏｂｊ）ｊ的一个元组，这些元组是彼此复制关系，且每个元组”属性均包含完整的采样数据序列．的“Ｓａｍｌｉｎｓｐｇ

在Ｉ所有新的采样值均被发ｏＴ－ＣｌｕｓｔｅｒＤＢ中，，送给采样数据接收服务器（见图４）采样数据接收服务器根据ＳＡＰａｂｌｅ将采样数据值发送给不同－Ｔ的叶结点进行存储．如果新的采样值属于移动监控对象且与上次采样值相比跨越了不同叶结点的管辖区域，则采样数据接收服务器需要通过插值计算得到边界处的采样值，并将插值点也发送给相应的叶结点进行存储（详见第５．３节）．

５．２　全局索引及全局查询处理

为了支持全局查询处理，在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中需要建立分布式的全局关键字索引和全局时空索引．

在Ｉ数据是按照地理区域进行ｏＴ－ＣｌｕｓｔｅｒＤＢ中，分布的．各采样值根据其采样地点所属的管辖区域被

６期丁治明等：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

１１８５

５．２．１　分布式全局关键字索引及全局关键字查询

为了在Ｉ需ｏＴ－ＣｌｕｓｔｅｒＤＢ中支持关键字查询，要建立一个全局关键字Ｂ＋树索引（ＧｌｏｂａｌＦｕｌｌ　－

，），图６给ＴｅｘｔＫｅｗｏｒｄＢ＋－ＴｒｅｅＧＦＴＫＢ＋－Ｔｒｅｅ　　ｙ出了ＧＦＴＫＢ＋－Ｔｒｅｅ的结构

．

（是所有包含该关键字的所有元组的标识ｓｅｔｔｕＩＤ）ｐ集合．

让我们结合第４．２．４小节中的查询Ｑ１和Ｑ２来在Ｉ讨论对全局关键字查询的处理．ｏＴ－ＣｌｕｓｔｅｒＤＢ中，所有的查询均发送给根结点进行处理．当根结点接收到一个关键字查询时，将首先查询ＧＫＲ－

，从而判断应该进一步查询哪个叶结点的Ｔａｂｌｅ；然后，根据对应叶结点的ＫＫＳＭＢ＋－ＴｒｅｅＳＭＢ＋－，可以得到一组叶结点的ｓ这些叶结点均ＴｒｅｅｉｔｅＩＤ，包含被查询的关键字；最后，根结点将查询广播给这些叶结点并行执行，执行结果由根结点汇总并返回给查询用户．各叶结点在执行来自于根结点的关键字查询时，将调用本地的ＬＦＴＫＢ＋－Ｔｒｅｅ快速地得到查询结果．

算法１给出了全局关键字查询的处理过程．算法１．　全局关键字查询处理算法．

输入：全局关键字索引　　ＧＦＴＫＢ＋－Ｔｒｅｅ

关键字查询

输出：查询结果

图６　ＧＦＴＫＢ＋－Ｔｒｅｅ的结构

如图６所示，ＧＦＴＫＢ－Ｔｒｅｅ是一个分布式的

索引，采用３层结构，其中：

＋

ＱＲ

第１层是存放在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ根结点中的全，局关键字分区表（ＧｌｏｂａｌＫｅｗｏｒｄＲａｎｅＴａｂｌｅ　　　ｙｇ）ＧＫＲ－Ｔａｂｌｅ．ＧＫＲ－Ｔａｂｌｅ的记录格式为（ｋｅＲ－ｙ

，其中ｋａｎｅ，ｓｉｔｅＩＤ）ｅＲａｎｅ是关键字值域中的一ｇｙｇ个区域范围，ｓｉｔｅＩＤ是与该范围相对应的叶结点的该叶结点中的Ｋ标识，ＳＭＢ＋－Ｔｒｅｅ索引该范围内的关键字．

第２层是一组存放在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ各叶结点中的ｋｅｗｏｒｄ到ＳｉｔｅＩＤ的映射Ｂ＋树（ｋｅｗｏｒｄｔｏ－－ｙｙ

，）ＳｉｔｅＩＤ　ＭａｉｎＢ＋－ＴｒｅｅＫＳＭＢ＋－Ｔｒｅｅ．ＫＳＭＢ＋－ｐｐｇ　（），Ｔｒｅｅ的叶结点记录格式为（ｋｅｗｏｒｄ，ｓｅｔｓｉｔｅＩＤ）ｙ（其中ｋ是所有包含该ｅｗｏｒｄ是关键字，ｓｅｔｓｉｔｅＩＤ）ｙ关键字的叶结点的标识的集合．在创建ＫＳＭＢ＋－

每个叶结点从自己的本地元组中提取关键Ｔｒｅｅ时，字，并对每个关键字生成一个（偶ｋｅｗｏｒｄ，ｓｉｔｅＩＤ）ｙ；对（其中ｓ随后，ｉｔｅＩＤ即为该叶结点自己的标识）该叶结点根据ＧＫＲ－Ｔａｂｌｅ将各个偶对发送给相应的叶结点，这样每个叶结点可以收到一组来自于整个系统中其它各个叶结点的（集ｋｅｗｏｒｄ，ｓｉｔｅＩＤ）ｙ合，并在此基础上构建ＫＳＭＢ＋－Ｔｒｅｅ．

第３层是一组存放在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ叶结点中的本地全文关键字Ｂ＋树索引（ＬｏｃａｌＦｕｌｌｅｘｔ　－Ｔ＋＋

，）ＫｅｗｏｒｄＢｒｅｅＩｎｄｅｘＬＦＴＫＢｒｅｅ．ＬＦＴＫＢ＋－　－Ｔ　－ＴｙＴｒｅｅ是ＩｏＴ－ＮｏｄｅＤＢ针对本地数据建立的全文关

键字索引，其叶结点的记录格式为（ｋｅｗｏｒｄ，ｙ（），其中ｋｓｅｔｔｕＩＤ）ｅｗｏｒｄ是一个关键字，ｐｙ

；１．ｋｅＱ）ｅｔｋｅｙ＝ｇｙ（

＋

＿（）；２．ｋｓｍｂｓｉｔｅ＝ｒｅｔｒｉｅｖｅｋｅＧＦＴＫＢｒｅｅ．ＧＫＲａｂｌｅ－Ｔ－Ｔｙ，＿＿（＿）；ｅｔ３．ｋｓｍｂｔｒｅｅ＝ｇｔｒｅｅｋｓｍｂｓｉｔｅ，ＫＳＭＢ＋－Ｔｒｅｅ＿（＿）；４．ｌｔｋｂｓｉｔｅｓ＝ｒｅｔｒｉｅｖｅｋｅｋｓｍｂｔｒｅｅｆｙ，＿）５．ＦＯＲＥＡＣＨｓｉｔｅｌｔｋｂｓｉｔｅｓＤＯ（ＩＮＰＡＲＡＬＬＥＬ　∈　　ｆ＿＿（）；６．　ｌｔｋｂｔｒｅｅ＝ｇｔｒｅｅｓｉｔｅ，ＬＦＴＫＢ＋－Ｔｒｅｅｅｔｆ（＿）；７．　ｔｕｌｅｉｄｓ＝ｒｅｔｒｉｖｅｋｅｌｔｋｂｔｒｅｅｐｙ，ｆ

（）；８．　ｒｅｓ＝ｅｖａｌｕａｔｅＱ，ｔｕｌｅｉｄｓｐ（）；９．　ｓｅｎｄＭａｓｔｅｒｒｅｓ

１０．ＥＮＤＦＯＲ；

根结点收集各叶结点发来的查询结果并存入Ｒ；１１．

（１２．ＲｅｔｕｒｎＲ）．

在算法１中，函数返回查询Ｑ要检ｅｔｋｅＱ）ｇｙ（

（（）函数根据关键字ｋ索的关键字；ｒｅｔｒｉｅｖｅｋｅｄｓｅｙ，ｙ在数据结构ｄ并返回相应的结果；ｓ中进行检索，＿（函数返回指定叶结点ｓｅｔｔｒｅｅｓｉｔｅ，ｔｒｅｅＮａｍｅ）ｉｔｅｇ

中的ｔ函ｒｅｅＮａｍｅ索引子树，ｅｖａｌｕａｔｅ（Ｑ，ｔｕｌｅｉｄｓ）ｐ数在ｔｕｌｅｉｄｓ元组集合的基础上执行查询并返回结ｐ

）果，将结果ｒｓｅｎｄＭａｓｔｅｒ（ｒｅｓｅｓ发送给根结点．５．２．２　分布式全局时空索引及全局时空查询处理

物联网系统中的另一类重除了关键字查询之外，要的查询类型是带有时空约束条件的查询，如第４．２．４小节中的查询Ｑ为了支持这类查询，我们需４和Ｑ５．要建立全局时空Ｒ树索引（ＧｌｏｂａｌＳａｔｉａｌｅｍｏｒａｌ　－Ｔｐｐ，）由于在ＩｒｅｅＧＳＴＲ－Ｔｒｅｅ．ｏＴ－ＣｌｕｓｔｅｒＤＢ中数Ｒ－Ｔ

据是根据其空间属性进行分布的，因此ＧＳＴＲ－Ｔｒｅｅ的构建可以得到简化，图７给出了其总体结构．

１１８６

计　　算　　机　　学　　报２０１２年

从图８可以看出，移动监控对象时空轨迹的变化十分频繁，因为每一次新采样值的到来均会导致向轨迹中插入新的轨迹单元（轨迹单元是轨迹时空如果直曲线中相邻两个采样点构成的一条直线段）．接以轨迹单元作为索引记录的基本单位，则索引的更新频率将等同于采样数据插入数据库的频率，从而导致索引更新代价升高．

为了解决上述问题，我们首先将Ｘ×Ｙ×Ｔ空间划分成粒度较粗的等距格栅．然后，将每个移动监概略化”轨迹，概略化控对象的轨迹映射成对应的“

图７　ＧＳＴＲ－Ｔｒｅｅ的结构

轨迹单元是原始轨迹所穿过的格栅单元的中心点连线，因此其粒度比原始轨迹要大得多．最后对概略化轨迹单元进行索引并建立ＧＳＳＴＲ－Ｔｒｅｅ．

ＧＳＳＴＲ－Ｔｒｅｅ的叶结点记录的格式为（ｓｔｕ，

（），其中ｓｓｅｔｔｕｌｅＩＤ）ｔｕ是概略化轨迹单元，ｐ（是其概略化轨迹包含ｓｓｅｔｔｕｌｅＩＤ）ｔｕ的所有移动ｐ监控对象元组标识的集合（注意，多个移动监控对象概略化轨的概略化轨迹可以共享同一个轨迹单元）．迹的变化频率比原始轨迹低得多，因此ＧＳＳＴＲ－Ｔｒｅｅ有效地降低了索引更新的频率．在进行时空查询处理时，根结点首先检查ＳＡＰ－，看看哪些叶结点的管辖区域与查询地理区域Ｔａｂｌｅ相交，然后将查询发送给这些叶结点并行执行；叶结可以通过本点在处理来自于根结点的查询请求时，

４　地的Ｓ如果查询是针Ｔ－Ｔｒｅｅ快速地得到查询结果：４　

，对静态监控对象的（如Ｑ则仅需查询Ｓ４）Ｔ－Ｔｒｅｅ

如图７所示，ＧＳＴＲ－Ｔｒｅｅ是一个两层的分布式其中：全局索引，

第１层是ＩｏＴ－ＣｌｕｓｔｅｒＤＢ根结点中的管辖区域）分区表（ＳＡＰａｂｌｅ．ＳＡＰａｂｌｅ中的记录的格式－Ｔ－Ｔ，其中ａ为（ａｒｅａ，ｓｉｔｅＩＤ）ｒｅａ为一个管辖区域，

ｓｉｔｅＩＤ是与该管辖区域对应的叶数据库结点的标识；

第２层是ＩｏＴ－ＣｌｕｓｔｅｒＤＢ各叶结点中的针对本地数据的传感器采样数据序列时空索引树（Ｓｅｎｓｏｒ－，ＳａｍｌｉｎＳｅｕｅｎｃｅａｔｉａｌｅｍｏｒａｌｒｅｅＳＴ－　Ｓ－Ｔ　Ｔ－ｐｇｑｐｐ

４　

），用以对本地数据中采样数据序列的时空属性Ｔｒｅｅ

４　

进行索引．一个空ＳＴ－Ｔｒｅｅ实际上包括两个子树：，）间Ｒ树（用以对静止监控ＳａｔｉａｌＲ－ＴｒｅｅＳＲ－Ｔｒｅｅ　ｐ对象的空间位置（包括ｌｏｃ∈Ｐｏｉｎｔ和ｌｏｃ∈Ｒｅｉｏｎｇ两种情况）进行索引，一个格栅概略化时空Ｒ树（，ＧｒｉｄＳｋｅｔｃｈｅｄＳａｔｉａｌｅｍｏｒａｌＲ－ＴｒｅｅＧＳＳＴＲ－　－Ｔ　－ｐｐ）用于对移动监控对象的随时间动态变化的位Ｔｒｅｅ

”）置（亦称为“时空轨迹－进行索引．图８给ｔｒａｅｃｔｏｒｊｙ出了ＧＳＳＴＲ－Ｔｒｅｅ的结构

．

的空间Ｒ树部分；如果查询针对移动监控对象（如

４　

），则需要根据时空约束条件对ＳＱ５Ｔ－Ｔｒｅｅ的

根结点收到各叶结点ＧＳＳＴＲ－Ｔｒｅｅ部分进行搜索；

返回的结果之后，还需要进行必要的合并操作，并将最后的结果返回给查询用户．

全局时空查询处理算法如算法２所示．算法２．　全局时空查询处理算法．

输入：全局时空索引　　ＧＳＳＴＲ－Ｔｒｅｅ

时空查询

输出：查询结果

Ｑ

Ｒ；１．Ｑ）ｅｏｒａｎｅ＝ｇｅｔｅｏ（ｇｇｇ

；２．ｔｉｍｅｒａｎｅ＝ｇｅｔｅｒｉｏｄ（Ｑ）ｇｐ

（，）；３．ｓｉｔｅｓ＝ｒｅｔｒｉｅｖｅｅｏｅｏｒａｎｅＧＳＳＴＲｒｅｅ．ＳＡＰａｂｌｅ－Ｔ－Ｔｇｇｇ４．ＦＯＲＥＡＣＨｓｉｔｅ∈ｓｉｔｅｓＤＯ（ＩＮＰＡＲＡＬＬＥＬ）　　　

（；５．ｔａｔｉｃＭｏｖ＝ｇｅｔｏｂｔｅＱ）　Ｓｊｙｐ／６．ＩＦＳｔａｔｉｃＭｏｖ＝Ｓｔａｔｉｃｓｔａｔｉｃｏｂｅｃｔｓ　　　　／　ｊ

＿＿（）；７．ｓｒｔｒｅｅ＝ｇｅｔｔｒｅｅｓｉｔｅ，ＳＲ－Ｔｒｅｅ　　＿）；８．ｔｕｌｅｉｄｓ＝ｒｅｔｒｉｖｅｅｏ（ｅｏｒａｎｅ，ｓｒｔｒｅｅ　　ｐｇｇｇ

／／９．ＬＳＥｍｏｖｉｎｏｂｅｃｔｓ　Ｅｇｊ　

）图８　格栅概略化时空Ｒ树（ＧＳＳＴＲ－Ｔｒｅｅ

＿＿（）；１０．　ｇｓｓｔｒｔｒｅｅ＝ｇｅｔｔｒｅｅｓｉｔｅ，ＧＳＳＴＲ－Ｔｒｅｅ

６期丁治明等：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

１１８７

１１．　ｔｕｌｅｉｄｓ＝ｒｅｔｒｉｖｅｅｏｔｅｍｏ（ｅｏｒａｎｅ，ｐｇｐｇｇ

＿）；ｓｓｔｒｔｉｍｅｒａｎｅ，ｔｒｅｅｇｇ１２．ＥＮＤＩＦ；

（）；１３．ｒｅｓ＝ｅｖａｌｕａｔｅＱ，ｔｕｌｅｉｄｓｐ

（）；１４．ｓｅｎｄＭａｓｔｅｒｒｅｓ

１５．ＥＮＤＦＯＲ；

根节点收集各叶结点发来的查询结果并存入Ｒ；１６．

根节点对Ｒ中的结果按照Ｏ１７．ｂＩＤ进行合并；ｊ（１８．ＲｅｔｕｒｎＲ）．

为此，采样数据接插值结果也发送给相应的叶结点．

收服务器需要保存各移动监控对象上一次提交的采样数据值．

叶结点接收到新的采样数据之后，直接通过ｓａｍｌｉｎＡｅｎｄ操作将之附加到相应监控对象的ｐｇｐｐ

“”属性值中．Ｓａｍｌｉｎｓｐｇ

在算法２中，函数ｇ和ｇ分ｅｔｅｏ（Ｑ）ｅｔｅｒｉｏｄ（Ｑ）ｇｐ别返回Ｑ的查询地理区域和时间区域；ｅｔｏｂｔｅ（Ｑ）ｇｊｙｐ

，返回Ｑ所查询的监控对象类型，ｅｏｒａｎｅｒｅｔｒｉｅｖｅｅｏ（ｇｇｇ和ｒｄｓ）ｅｔｒｉｅｖｅｅｏｔｅｍｏ（ｅｏｒａｎｅ，ｔｉｍｅｒａｎｅ，ｄｓ）ｇｐｇｇｇ

分别根据地理区域ｇｅｏｒａｎｅ和时空区域在相关数ｇ据结构ｄ得到的结果为一组指针．ｓ中查询，５．２．３　其它查询类型的处理

），对于属性约束条件查询（如查询Ｑ尽管不是３但是Ｉ关键字查询，ｏＴ－ＣｌｕｓｔｅｒＤＢ仍然可以通过ＧＦＴＫＢ－Ｔｒｅｅ中的ＧＫＲ－Ｔａｂｌｅ和ＫＳＭＢ－Ｔｒｅｅ

来缩小需要查询的叶结点范围，然后再在各相关叶

＋

＋

６　系统实现及性能分析

本文提出的ＩｏＴ－ＣｌｕｓｔｅｒＤＢ系统框架已经在带有空间数据扩展模块ＰＰｏｓｔｒｅＳＱＬ８．２．４（ｏｓｔ　－ｇ

）的基础上进行了编码实现．ＧＩＳ１．３．１ＰｏｓｔｒｅＳＱＬ　ｇ是一个开源的对象关系型数据库系统，支持数据库内核一级的数据类型、查询操作以及索引的扩充．此外，我们还在ＰｏｓｔｒｅＳＱＬ的基础上实现了相应的ｇ全局索引机制，并在此基础上实现了一个全局查询使得多个Ｐ处理器，ｏｓｔｒｅＳＱＬ服务器可以组合在一ｇ起，形成一个协同工作的ＩｏＴ－ＣｌｕｓｔｅｒＤＢ集群系统．

为了对ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的性能进行比较与分析，我们在上述原型系统的基础上进行了实验．实验中的传感器数据采用第３．１节中描述的数据库模式数据包括两个部分：进行组织，

（）移动传感器数据是在北京１万个出租车所１

采集的真实Ｇ通过一个数据模拟ＰＳ数据的基础上，程序生成的，该模拟程序通过对原始ＧＰＳ采样数据的插值和倍增，可以动态模拟１２８００～３２０００个移　　动传感器的数据采样；

）（静止传感器数据是通过一个模拟程序随机２

生成的，该模拟程序可以模拟出１２８０００～３２００００　　个静止传感器的动态数据采样．

将上述两部分数据按照一定的比例（如移动传感器与静止传感器的比例为１进行合成，从而∶１０）可以得到实验中所需要的总体数据集．表２列出了实验中的主要参数．

表２　模拟实验的主要参数

参数名

参数值（单位）１２８００～３２０００

参数含义

移动传感器的数目静止传感器的数目

传感器的总数目（其中移动传感

）器与静止传感器的比例为１∶１０每个传感器进行原始数据采样

的平均时间间隔

ＳＣＰ结点抽取的关键采样数据的平均时间间隔根结点服务器的数目叶结点服务器的数目

结点上执行对应的Ｓ在执行ＳＱＬ语句．ＱＬ语句时，，叶结点不能调用本地的Ｌ但通过属ＦＴＫＢ－Ｔｒｅｅ性Ｂ＋树仍然可以获得较快的查询速度．

＋

对于更加复杂的查询（如多个约束条件通过，ＡＮＤ或者ＯＲ连接）ＩｏＴ－ＣｌｕｓｔｅｒＤＢ可以通过相应的全局索引，针对每个约束条件获得一个叶结点集然后根据连接条件对这些集合进行相应的交集合，

或并集计算，最终获得真正需要执行查询的叶结点范围，并在这些叶结点上执行查询从而得到最后的查询结果．

５．３　新采样数据触发的数据更新处理

在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中包含多个采样数据接收服务器，这些服务器组成一个集群，共同对传感器接入处理器上传的新采样值进行处理．

新采样值的数据格式为（ｏｂＩＤ，ｓｔａｔｉｃＭｏｖ，ｊ），其中ｏｓｖａｌｕｅｂＩＤ是监控对象的标识，ｓｔａｔｉｃＭｏｖｊ

标明监控对象是静止的还是移动的，ｓｖａｌｕｅ＝（，，是一个ｓｔｌｏｃ，ｎｏｓｓｃｈｅｍａ，ｖａｌｕｅ）ａｍｌｉｎＶａｌｕｅｐｐｇ类型的值．采样数据接收服务器接收到上述数据之后，首先判断ｓ如果是静止监控对象，则可ｔａｔｉｃＭｏｖ，通过ＳＡＰａｂｌｅ找到管辖区域与ｌｏｃ相交的叶结点－Ｔ（，然ｌｏｃ∈Ｒｅｉｏｎ时可以有多个叶结点与ｌｏｃ相交）ｇ

后将采样数据转发给相应的叶结点进行存储处理；如果是移动监控对象，则需要进一步判断上次提交了采样值之后该监控对象是否跨越了叶结点的管辖区域边界，若是，则需要进行相应的插值计算，并将

ＮＭｏｖＳｅｎｓｏｒｓ

ＮＳ２８０００～３２００００ｔａｔｉｃＳｅｎｓｏｒｓ１ＮＳｅｎｓｏｒｓ

ａｍｌｉｎｐｇξＳ

１４０８００～３５２０００

５ｓ３００ｓ１

２～３２

ｅＳａｍｌｉｎｙｐｇξＫ

ＮＭａｓｔｅｒＮｏｄｅｓ

ＮＬｅａｆＮｏｄｅｓ

１１８８

计　　算　　机　　学　　报２０１２年

在实验中，我们重点针对ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的查询响应时间及加速比进行了分析．由于在海量传感目前器采样数据的云存储以及时空数据处理方面，尚没有系统性的相关工作，我们将ＩｏＴ－ＣｌｕｓｔｅｒＤＢ与单数据库结点处理机制（ＳｉｎｌｅＮｏｄｅＱｕｅｒＰｒｏ　　－ｇｙ　，进行了比较．此外，为了分析传感器ｃｅｓｓｉｎＳＮＱＰ）ｇ数据动态采集对查询性能所造成的影响，在实验的过程中，由数据模拟生成程序根据实验数据集，持续向ＩｏＴ－ＣｌｕｓｔｅｒＤＢ发送并插入传感器采样数据．

实验的测试用例分别采用第３．２．４节中介绍的关键字查询Ｑ属性约束条件查询Ｑ１、３和时空约束条件Ｑ图９给出了Ｉ５．ｏＴ－ＣｌｕｓｔｅｒＤＢ处理各个查询的响应时间（为了更好地分析属性约束条件查询Ｑ３的性能，我们在各叶结点中没有对相关属性建立局部索引）

．

的，根结点上的ＳＡＰａｂｌｅ和各叶结点上的时空索－Ｔ

４　

引Ｓ加快了Ｔ－Ｔｒｅｅ共同构成了一个全局时空索引，

时空查询处理的速度，并降低了叶结点数据量对查询性能的影响．

为了进一步分析ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中叶结点规模对非关键字查询处理性能的影响，我们在表３和表４中分别给出ＩｏＴ－ＣｌｕｓｔｅｒＤＢ在处理Ｑ３和Ｑ５时的加速比实验结果．加速比Ｓｅｅｄｕｐｐ定义为

，Ｓｅｅｄｕｐｐ＝ＩｏＴＣｌｕｓｔｅｒＤＢξ

其中ξＮＱＰ和ＩｏＴＣｌｕｓｔｅｒＤＢ－ＳＮＱＰ和ξＩｏＴＣｌｕｓｔｅｒＤＢ分别是Ｓ

ＳＮＱＰ

的查询响应时间．

表３　ＩｏＴｌｕｓｔｅｒＤＢ在执行Ｑ３时的加速比－Ｃ

ＮＬｅａｆＮｏｄｅｓ

２　

４　８　１６　３２　

加速比

ＮＳ６４×１０００　ｅｎｓｏｒｓ＝

１．５７　

３．２５　６．２７　１１．８３　２０．１９　

ＮＳ１６０×１０００ｅｎｓｏｒｓ＝

１．６２

３．２６６．３２１３．５２２４．８６

表４　ＩｏＴｌｕｓｔｅｒＤＢ在执行Ｑ５时的加速比－Ｃ

ＮＬｅａｆＮｏｄｅｓ

２　

４　８　１６　３２加速比

ＮＳ６４×１０００　ｅｎｓｏｒｓ＝

１．６２　

１．９５　２．８９　３．６８　６．１１ＮＳ１６０×１０００ｅｎｓｏｒｓ＝

１．８７

２．４５３．９２４．７７６．１２

图９　ＩｏＴ－ＣｌｕｓｔｅｒＤＢ的查询响应时间

从图９可以看出，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ可以有效地支持关键字查询Ｑ且在不同的数据量及不同的叶１，结点规模的情况下，关键字查询的响应时间基本保持稳定．这是因为ＩｏＴ－ＣｌｕｓｔｅｒＤＢ通过ＧＦＴＫＢ－

＋

从表３可以看出，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ在处理属性约束条件查询Ｑ加速比随着叶结点个数的增３时，而且数据量越大，加速比增加得加几乎呈线性增长，

也越明显．这是因为在ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中所有的数据均是统一存放在单个关系表中的，不牵涉到连接因此查询的响应时间基本上取决于各叶结点运算，

的平均数据量．此外，多个数据库结点的协同工作也分担了传感器数据更新所带来的繁重通信与计算开销．

从表４可以看出，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ在处理时空约束条件查询Ｑ加速比也随着叶结点个数的５时，增加而随之增大，但与Ｑ３相比，Ｑ５的加速比变化这是由于全局时空索引的影响不如Ｑ３变化明显，而导致的．另外，轨迹的分割与合并也给全局查询处理带来了额外的计算开销．

系统的查询处理性能通常受到数据更新的影响．为了测试传感器数据上传对系统查询处理性能

Ｔｒｅｅ和ＫＳＭＢ－Ｔｒｅｅ对关键字进行了全局索引，

＋

因此数据量及结点规模的变化对查询响应时间的影响很小．

对于属性约束条件查询Ｑ查询响应时间明显３，——数据量越大则查地依赖于数据量及结点的规模—

询响应时间越长，且在同等数据量的情况下，查询响应时间随着结点规模的增大而减少．这是因为在各叶结点上没有建立属性索引，因此查询的响应时间主要取决于各叶结点的平均数据量．

对于时空约束条件查询Ｑ其查询响应时间的５，总体变化趋势与Ｑ但其变化幅度不如Ｑ３相似，３明显，且查询性能总体上优于Ｑ这是因为在Ｉ３．ｏＴ－ＣｌｕｓｔｅｒＤＢ中数据是按照地理空间属性进行分布

６期丁治明等：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

１１８９

的影响，我们比较了打开数据更新和没有数据更新两种情况下的查询响应时间（每一轮实验均取Ｑ１～由于和静态传感器Ｑ５五个查询的平均响应时间）．

移动传感器的数据更新代价更大（因为需要动相比，

），态维护Ｇ因此我们选择移动对象来进ＳＳＴＲ－Ｔｒｅｅ同时，为了增加每个叶结点服务器的压力，行测试．

在实验中我们选择相对较少的服务器数量（４～１６个）图１．０给出了相关的实验结果

．

系数据库集群的基础上建立分布式的全局关键字索引及全局关键字查询处理机制，使得ＩｏＴ－ＣｌｕｓｔｅｒＤＢ可以兼容多种查询类型的快速处理，突破了目前云数据管理技术主要针对“键－值”查询、并行数据库技术主要针对ＳＱＬ查询的局限．

（）提出了一种能够应对传感器采样数据的异２

时空相关性和动态流式特性的传感器时空数构性、

据库模型．通过采样数据序列等数据类型和相应的查询操作，在数据库内核一级实现了传感器采样数存储、计算和查询，突破了目前时空据的统一表示、

数据库主要针对静态的空间数据或相对单一的时空数据、缺乏有效的异构数据流表示方法的局限．

（）提出了一种地理区域敏感的传感器采样数３

据分布策略，并在此基础上提出了一种分布式的全局时空索引和全局时空查询处理方法，突破了目前时空数据库主要针对单机环境、缺乏时空数据库集群相关方法的局限．

物联网海量数据处理技术具有广阔的应用前景．例如，通过电网中的传感器结点，可以获知电网中的电力变化及用户的用电规律，并进一步实现智能化的电力传输；通过湖泊中布设的传感器，可以对污染数据进行采样并进行异常情况的报警；通过在交通系统中设置的大量传感器，可以实现车联网和先进的智能交通控制与管理等．

随着研究的不断深入及技术的不断发展，可以想见，物联网必将在国民经济和人民生活中扮演重要的角色，并给人们的生活和工作方式带来深刻的变革．

致　谢　感谢中国科学院软件研究所的郭黎敏，她在本文实验中做了大量工作！

参

考

文

献

图１０　ＩｏＴ－ＣｌｕｓｔｅｒＤＢ中数据更新对查询响应时间的影响

从图１０可以看出，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ在叶结点数目一定的情况下，所接入的传感器数目越多，则采样此外，当传感器的数据更新对查询性能的影响越大．

数目一定时，随着叶结点数目的增长，采样数据更新对查询性能的影响也随之降低．当叶结点的个数为所接入的传感器数目为９系统的查１６，１２００个时，　询响应时间仅为没有数据更新时的１仍然表．５倍，现了良好的查询处理性能．

综合以上分析，ＩｏＴ－ＣｌｕｓｔｅｒＤＢ在海量传感器采样数据管理方面提供了良好的数据接入与查询处理性能，为物联网海量数据管理提供了一种可行的解决方案．

７　结　论

物联网打破了物理世界和数字世界的界限，将信息技术延伸到了物理世界和人类社会，是促使未本文从物联网来信息技术产业变革的关键性技术．

海量数据处理技术的角度出发，对物联网所提出的挑战及相关对策进行了分析，并提出了一种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本文的的主要创新点如下：架ＩｏＴ－ＣｌｕｓｔｅｒＤＢ．

（）提出了一种能够同时支持“键－值”查询和１

普通Ｓ通过在关ＱＬ查询的物联网数据库集群框架．

［］Ｓ１ａｒｍａＳ，ＢｒｏｃｋＤＬ，ＡｓｈｔｏｎＫ．ＭＩＴ　ＡｕｔｏＩＤ　ＷＨ－００１：　　　　　

ＴｈｅＮｅｔｗｏｒｋｅｄＰｈｓｉｃａｌＷｏｒｌｄＰｒｏｏｓａｌｓｆｏｒＥｎｉｎｅｅｒｉｎ　　　－　　ｙｐｇｇ，ｔｈｅＮｅｘｔＧｅｎｅｒａｔｉｏｎｏｆＣｏｍｕｔｉｎＣｏｍｍｅｒｃｅ＆Ａｕｔｏｍａｔｉｃ　　　　　－ｐｇ：Ｍ，Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ．ＭａｓｓａｃｈｕｓｅｔｔｓＩＴＰｒｅｓｓ２０００　

［］Ｙ，Ｈ，Ｗ２ｅＴｉａｎｈｕｎｕａｎＸｉａｏａｎａｎＷｅｎＳｈｅｎｅｔａｌ．　－Ｃ－Ｇ－　ｇｇｇ　ｇ　　

’ＴｈｅＡｎｎｕａｌＢｌｕｅＢｏｏｋｏｎＣｈｉｎａｓＤｅｖｅｌｏｍｅｎｔｏｆＩｎｔｅｒｎｅｔ　　　　　　　　ｐ（ｏｆＴｈｉｎｓＩｎｄｕｓｔｒ．ＰｕｂｌｉｓｈｅｄｂＣＩＴ－ＣＨＩＮＡ，２０１０ｉｎＣｈｉ　　　　－ｇｙｙ　）ｎｅｓｅ

（叶甜春，黄晓刚，王文升等主编．中国物联网产业发展年度））蓝皮书（２０１０．中国物联网研究发展中心，２０１０

１１９０

计　　算　　机　　学　　报２０１２年

［］Ｓ３ｕｎｄｍａｅｋｅｒＨ，ＧｕｉｌｌｅｍｉｎＰｅｔａｌ．ＶｉｓｉｏｎａｎｄＣｈａｌｌｅｎｅｓｆｏｒ　　　　　　　ｇ

：ＰＲｅａｌｉｚｉｎｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ．Ｌｕｘｅｍｂｏｒｕｂｌｉｃａｔｉｏｎｓ　　　ｇｇｇ　，ＯｆｆｉｃｅｏｆｔｈｅＥｕｒｏｅａｎＵｎｉｏｎ２０１０　　　　ｐ

［］Ｎ，Ｎ４ｉｎＨｕａｎＳｈｅｎｉｎＮａｅｔａｌ．Ｌａｅｒｅｄｓｔｒｕｃｔｕｒｅａｎｄ－　　　　ｇｇｇｙ　　

／／ｍａｎａｅｍｅｎｔｉｎＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅＦｕ　　　　　　　－ｇｇｇｔｕｒｅＧｅｎｅｒａｔｉｏｎＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＮｅｔｗｏｒｋ（ＦＧＣＮ）．Ｊｅｕ　　　　ｊ，Ｋ，Ｉｓｌａｎｄｏｒｅａ２００７：３８６３８９－

［］Ｙ５ａｎＬｕ，ＺｈａｎＹａｎ，ＹａｎＬａｕｒｅｎｃｅＴ，ＮｉｎＨｕａｎＳｈｅｎ．　　－ｇｇｇ　　　

：ＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓＦｒｏｍ　ＲＦＩＤｔｏｔｈｅＮｅｘｔｅｎｅｒａｔｉｏｎＴｈｅ　　　　　　－Ｇｇ：ＡＰｅｒｖａｓｉｖｅＮｅｔｗｏｒｋＳｓｔｅｍｓ．Ｎｅｗ　ＹｏｒｋｕｅｒｂａｃｈＰｕｂｌｉｃａ　　　－ｙ，ｔｉｏｎｓ２００８

［］Ｇ６ｉｕｓｔｏＤ，ＩｅｒａＡ，ＭｏｒａｂｉｔｏＧ，ＡｔｚｏｒｉＬｅｄｓ．ＴｈｅＩｎｔｅｒｎｅｔ　　　　　　

：ｏｆＴｈｉｎｓ２０ｔｈＴｒｒｈｅｎｉａｎ　ＷｏｒｋｓｈｏｏｎＤｉｉｔａｌＣｏｍｍｕｎｉ　　　　－ｇｙｐｇ　：，ｃａｔｉｏｎｓ．ＧｅｒｍａｎＳｒｉｎｅｒ２０１０ｙｐｇ

［］Ａ：Ａ７ｔｚｏｒｉＬ，ＩｅｒａＡ，ＭｏｒａｂｉｔｏＧ．ＴｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ　　　　　　ｇ

，（）：Ｎｅｔｗｏｒｋｓ２０１０，５４１５１１９ｓｕｒｖｅ．Ｃｏｍｕｔｅｒ　－ｙｐ

［］Ｔ／／８ｓｉｆｔｅｓＮ，ＤｕｎｋｅｌｓＡ．ＡｄａｔａｂａｓｅｉｎｅｖｅｒｓｅｎｓｏｒＰｒｏｃｅｅｄ　　　　　－ｙ　

ｉｎｓｏｆｔｈｅ９ｔｈＡＣＭ　ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｂｅｄｄｅｄＮｅｔｗｏｒｋｅｄ　　　　　　　ｇ

，ＵＳｅｎｓｏｒＳｓｔｅｍｓ．ＳｅａｔｔｌｅＳＡ，２０１１：３１６３２９　－ｙ

［］Ｗｕ，Ｚ，Ａ，Ｔ９ＪｉｈｏｕＹｏｎｕａｎｂｅｒｅｒＫａｒｌａｎＫｉａｎｅｅ．　　－Ｌ　　－Ｌｇ

Ｔｏｗａｒｄｓｉｎｔｅｒａｔｅｄａｎｄｅｆｆｉｃｉｅｎｔｓｃｉｅｎｔｉｆｉｃｓｅｎｓｏｒｄａｔａｒｏ　　　　　　　－ｇｐ：Ａ／／ｃｅｓｓｉｎｄａｔａｂａｓｅａｒｏａｃｈＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ１２ｔｈＩｎ　　　　　　－ｇｐｐｇ：ｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｘｔｅｎｄｉｎＤａｔａｂａｓｅＴｅｃｈｎｏｌｏ　　　　ｇｇｙ　，Ｒ，ＡｄｖａｎｃｅｓｉｎＤａｔａｂａｓｅＴｅｃｈｎｏｌｏ．Ｓｔ．Ｐｅｔｅｒｓｂｕｒｕｓｓｉａ　　　ｇｙｇ２００９：９２２９３３－

［］Ｍ，，１０ａｄｄｅｎＳＦｒａｎｋｌｉｎＭＪＨｅｌｌｅｒｓｔｅｉｎＪＭ，ＨｏｎＷ．ＴｉｎＤＢ：　　　　　ｇ　ｙ

Ａｎａｃｕｉｓｉｔｉｏｎａｌｕｅｒｒｏｃｅｓｓｉｎｓｓｔｅｍｆｏｒｓｅｎｓｏｒｎｅｔ　　　　　－ｑｑｙｐｇｙ　　，ｗｏｒｋｓ．ＡＣＭ　ＴｒａｎｓａｃｔｉｏｎｓｏｎＤａｔａｂａｓｅＳｓｔｅｍｓ２００５，３０　　　ｙ（）：１１２２１７３－

［］Ｇ：Ａ１１ｕｒｅｎＬ，ＲｏｎｃａｎｃｉｏＣ，ＬａｂｂéＣｅｔａｌ．ＳＳｔｒｅａＭＷａｒｅ　　　　ｇ

ｏｒｉｅｎｔｅｄｍｉｄｄｌｅｗａｒｅｆｏｒｈｅｔｅｒｏｅｎｅｏｕｓｓｅｎｓｏｒｄａｔａｓｅｒｖｉｃｅ　　　　　　ｇ／／ｍａｎａｅｍｅｎｔＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ　　　　　－ｇｇ，Ｉ，ｅｎｃｅｏｎＰｅｒｖａｓｉｖｅＳｅｒｖｉｃｅｓ（ＩＣＰＳ’０８）．Ｓｏｒｒｅｎｔｏｔａｌ　　　ｙ２００８：１２１１３０－

［］Ｋ：Ａ　１２ｉｍ　Ｍ，ＬｅｅＪＷ，ＲｏｕＪＣ．ＣＯＳＭＯＳｍｉｄｄｌｅｗａｒｅｆｏｒ　　　　　ｙ

ｉｎｔｅｒａｔｅｄｄａｔａｒｏｃｅｓｓｉｎｏｖｅｒｈｅｔｅｒｏｅｎｅｏｕｓｓｅｎｓｏｒｎｅｔ　　　　　－ｇｐｇｇ　，（）：ｗｏｒｋｓ．ＥＴＲＩＪｏｕｒｎａｌ２００８，３０５６９６７０６　－

［］Ｙ：１３ｕｒｉａｍａｕｓｈｉｄａｅｎｓｏｒｌｏｕｄｎｆｒａｓｔｒｕｃｔｕｒｅ　Ｍ，Ｋ　Ｔ．Ｓ－Ｃ　ｉｙ

Ｐｈｓｉｃａｌｓｅｎｓｏｒｍａｎａｅｍｅｎｔｗｉｔｈｖｉｒｔｕａｌｉｚｅｄｓｅｎｓｏｒｓｏｎｃｌｏｕｄ　　　　　　　ｙｇ／／ｃｏｍｕｔｉｎＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ１３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ　　　　　ｐｇｇ），ｏｎＮｅｔｗｏｒｋａｓｅｄＩｎｆｏｒｍａｔｉｏｎＳｓｔｅｍｓ（ＮＢｉＳ．Ｔａｋａａｍａ　－Ｂ　　ｙｙＪａａｎ，２０１０：１８－ｐ

［］Ｂ１４ａｌｄｏｎｉＲ，ＣｅｒｏｃｃｈｉＡ，ＬｏｄｉＧｅｔａｌ．Ｄｅｓｉｎｉｎｈｉｈｌａｖａｉｌ　　　　　－ｇｇｇｙ　　

ａｂｌｅｒｅｏｓｉｔｏｒｉｅｓｆｏｒｈｅｔｅｒｏｅｎｅｏｕｓｓｅｎｓｏｒｄａｔａｉｎｏｅｎｈｏｍｅ　　　　　　　　ｐｇｐ／／ａｕｔｏｍａｔｉｏｎｓｓｔｅｍｓＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ７ｔｈＩＦＩＰ　ＷＧ１０．２　　　　　　ｙｇＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｏｎＳｏｆｔｗａｒｅＴｅｃｈｎｏｌｏｉｅｓｆｏｒＥｍ－　　　　　ｐｇ　，ｂｅｄｄｅｄａｎｄＵｂｉｕｉｔｏｕｓＳｓｔｅｍｓ（ＳＥＵＳ’０９）．Ｓｒｉｎｅｒ　　　ｑｙｐｇ，ＵＮｅｗｏｒｔＢｅａｃｈＳＡ，２００９：１１２　－ｐ

［］Ａ：Ｌ１５ｂａｄｉＤＪ．Ｄａｔａｍａｎａｅｍｅｎｔｉｎｔｈｅｃｌｏｕｄｉｍｉｔａｔｉｏｎｓａｎｄ　　　　　　　ｇ

，２ｏｏｒｔｕｎｉｔｉｅｓ．ＩＥＥＥＤａｔａＥｎｉｎｅｅｒｉｎＢｕｌｌｅｔｉｎ００９，３２　　ｐｐｇｇ　（）：１１１０－

［］Ｓ，，Ｌ：Ａ１６ｕｎＮｉｎｕｉＸｕＺｈｉｅｉｉＧｕｏＪｉｅ．Ｓｅａｏｍｕｔｉｎ　－Ｈ　－Ｗ　－－Ｃｇｐｇ

ｎｏｖｅｌｃｏｍｕｔａｔｉｏｎｍｏｄｅｌｆｏｒｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ．Ｃｏｍｍｕ　　　　　　　－ｐｇ

，（）：ｎｉｃａｔｉｏｎｓｏｆｔｈｅＣｈｉｎａＣｏｍｕｔｅｒＦｅｄｅｒａｔｉｏｎ２０１０，６７５２　　　　　－ｐ（）５６ｉｎＣｈｉｎｅｓｅ　

（孙凝晖，徐志伟，李国杰．海计算：物联网的新型计算模（）：）型．中国计算机学会通讯，２０１０，６７５２５６－

］Ｃ，：［１７ｈａｎＦ，ＤｅａｎＪＧｈｅｍａｗａｔＳｅｔａｌ．ＢｉｔａｂｌｅＡｄｉｓｔｒｉｂｕｔｅｄ　　　　　ｇｇ　

／／ｓｔｏｒａｅｓｓｔｅｍｆｏｒｓｔｒｕｃｔｕｒｅｄｄａｔａＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ７ｔｈ　　　　　　　ｇｙｇｏｎＯｅｒａｔｉｎＳｓｔｅｍｓＤｅｓｉｎａｎｄＩｍｌｅｍｅｎｔａｔｉｏｎＳｍｏｓｉｕｍ　　　　　ｐｇｙｇｐｙｐ　（’），ＵＯＳＤＩ０６．ＳｅａｔｔｌｅＳＡ，２００６：２０５２０８－

［］Ｄ：１８ｅＣａｎｄｉａＧ，ＨａｓｔｏｒｕｎＤ，ＪａｍａｎｉＭｅｔａｌ．Ｄｎａｍｏ　　　　　ｐｙ

’／／ＡｍａｚｏｎｓｈｉｈｌａｖａｉｌａｂｌｅｋｅｖａｌｕｅｓｔｏｒｅＰｒｏｃｅｅｄｉｎｓｏｆ　　－　　ｇｙｙｇ　ｔｈｅ２１ｓｔＡＣＭ　ＳｍｏｓｉｕｍｏｎＯｅｒａｔｉｎＳｓｔｅｍｓＰｒｉｎｃｉｌｅｓ　　　　　ｙｐｐｇｙｐ　（）ＳＯＳＰ’２００７．Ｗａｓｈｉｎｔｏｎ，ＵＳＡ，２００７：２０５２２０－ｇ

［］Ｃ：１９ａｒｓｔｏｉｕＤ，ＬｅａｄａｔｕＥ，ＧａｓａｒＭ．ＨｂａｓｅＮｏｎＳＱＬｄａｔａ　　　　　－ｐｐ

，ｂａｓｅｅｖａｌｕａｔｉｏｎ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｅｒｆｏｒｍａｎｃｅｓ　　　　－ｐ，（）：ｖａｎｃｅｍｅｎｔｓｉｎＣｏｍｕｔｉｎＴｅｃｈｎｏｌｏ２０１０，２５４２５２　　－ｐｇｇｙ　

［］Ｃ：２０ｏｏｅｒＢＦ，ＲａｍａｋｒｉｓｈｎａｎＲ，ＳｒｉｖａｓｔａｖａＵｅｔａｌ．ＰＮＵＴＳ　　　　　　ｐ

！’／／ＹａｈｏｏｓｈｏｓｔｅｄｄａｔａｓｅｒｖｉｎｌａｔｆｏｒｍＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ　　　　　ｇｐｇ　ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＶｅｒＬａｒｅＤａｔａＢａｓｅｓ３４ｔｈ　　　　　　ｙｇ　（），Ｎ，ＶＬＤＢ’２００８．ＡｕｃｋｌａｎｄｅｗＺｅａｌａｎｄ２００８：１２７７１２８８　－

［］Ｔ：Ａ　２１ｈｕｓｏｏＡ，ＳａｒｍａＪＳ，ＪａｉｎＮｅｔａｌ．Ｈｉｖｅｗａｒｅｈｏｕｓｉｎ　　　　　　ｇ

／／ｏｖｅｒａｍａｒｅｄｕｃｅｆｒａｍｅｗｏｒｋＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅｓｏｌｕｔｉｏｎ　　　－　　　ｐｇ３５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＶｅｒＬａｒｅＤａｔａＢａｓｅｓ　　　　　　ｙｇ　（），ＶＬＤＢ’２００９．Ｌｏｎ，Ｆｒａｎｃｅ２００９ｙ

［］Ｃ２２ａｍｂｅｌｌＤＧ，ＫａｋｉｖａａＧ，ＥｌｌｉｓＮ．Ｅｘｔｒｅｍｅｓｃａｌｅｗｉｔｈｆｕｌｌ　　　　　　　ｐｙ

／／ＳＱＬｌａｎｕａｅｓｕｏｒｔｉｎｍｉｃｒｏｓｏｆｔＳＱＬＡｚｕｒｅＰｒｏｃｅｅｄｉｎｓ　　　　　　ｇｇｐｐｇｏｆｔｈｅ２９ｔｈＡＣＭ　ＳＩＧＭＯＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｎ　　　　　　　－，ＵａｅｍｅｎｔｏｆＤａｔａ（ＳＩＧＭＯＤ’２０１０）．ＩｎｄｉａｎａＳＡ，２０１０：　　ｇ１０２１１０２３－

［］Ｗ：２３ａａｓＦｌｏｒｉａｎＭ．Ｂｅｏｎｄｃｏｎｖｅｎｔｉｏｎａｌｄａｔａｗａｒｅｈｏｕｓｉｎ　　　　　ｙｇ

ＭａｓｓｉｖｅｌａｒａｌｌｅｌｄａｔａｒｏｃｅｓｓｉｎｗｉｔｈＧｒｅｅｎｌｕｍ　Ｄａｔａ　　　－ｙｐｐｐｇ　　／／ｂａｓｅＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｏｎ　　　　　ｇｐ　Ｂｕｓｉｎｅｓｓｎｔｅｌｌｉｅｎｃｅｏｒｈｅｅａｌｉｍｅｎｔｅｒｒｉｓｅ　Ｉ　ｆ　ｔ　Ｒ－Ｔ　Ｅｇｐ（），Ｎ，ＢＩＲＴＥ’２００８．ＡｕｃｋｌａｎｄｅｗＺｅａｌａｎｄ２００８：８９９６　－

［］Ｐ２４ｏｅｓｓＭ，ＮａｍｂｉａｒＲＯ．Ｌａｒｅｓｃａｌｅｄａｔａｗａｒｅｈｏｕｓｅｓｏｎ　　　　　　　ｇ

：Ｏ／／ｒｉｄｒｏＬｉａｎｔｒａｃｌｅｄａｔａｂａｓｅ１０ｇａｎｄＨＰｓｓｔｅｍｓＰｒｏ　　　　　－ｇｐｙ　ｃｅｅｄｉｎｓｏｆｔｈｅ３１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＶｅｒＬａｒｅ　　　　　　　ｇｙｇ　，２Ｂａｓｅｓ（ＶＬＤＢ’２００５）．Ｔｒｏｎｄｈｅｉｍ，Ｎｏｒｗａ００５：Ｄａｔａ　ｙ１０５５１０６６－

［］Ｙ２５ｕＸｕ，ＫｏｓｔａｍａａＰ．Ａｎｅｗａｌｏｒｉｔｈｍｆｏｒｓｍａｌｌｌａｒｅｔａｂｌｅ　　　　　　－　ｇｇ

／／ｏｉｎｓｉｎａｒａｌｌｅｌＤＢＭＳＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅＩＥＥＥ２６ｔｈｏｕｔｅｒ　　　　　　　　ｊｐｇＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＥｎｉｎｅｅｒｉｎＩＣＤＥ’２０１０）．　　　　ｇｇ（，ＵＢｅａｃｈＳＡ，２０１０：１０１８１０２４Ｌｏｎ－ｇ　

［］Ｋ２６ａｎＫＤ，ＢａｓａｒａｎＣ．Ａｄａｔｉｖｅｄａｔａｒｅｌｉｃａｔｉｏｎｆｏｒｌｏａｄｓｈａ　　　　　　　－ｇｐｐ　

／／ｒｉｎｉｎａｓｅｎｓｏｒｄａｔａｃｅｎｔｅｒＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ２９ｔｈＩＥＥＥ　　　　　　　　ｇｇ　ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤｉｓｔｒｉｂｕｔｅｄＣｏｍｕｔｉｎＳｓｔｅｍｓ　　　　ｐｇｙ　，Ｃ，ＩＣＤＣＳ　Ｗｏｒｋｓｈｏｓ’０９）．ＭｏｎｔｒｅａｌａｎａｄａＷｏｒｋｓｈｏｓ（ｐｐ２００９：２０２５－

［］Ｇ２７üｔｉｎＲ　Ｈ，ＢｈｌｅｎＭ　Ｈ，ＥｒｗｉＭ，ＪｅｎｓｅｎＣＳｅｔａｌ．Ａ　　　　　ｇｇ　　

ｆｏｕｎｄａｔｉｏｎｆｏｒｒｅｒｅｓｅｎｔｉｎａｎｄｕｅｒｉｎｍｏｖｉｎｏｂｅｃｔｓ．　　　ｐｇｑｙｇｇｊ　　　，（）：ＡＣＭ　ＴｒａｎｓａｃｔｉｏｎｓｏｎＤａｔａｂａｓｅＳｓｔｅｍｓ２０００，２５１１４２　　　－ｙ

［］Ｇ２８üｔｉｎＲ　Ｈ，ＡｌｍｅｉｄａＶ　Ｔ，ＤｉｎＺ．Ｍｏｄｅｌｉｎａｎｄｕｅｒｉｎ　　ｇｇｇｑｙｇ　　　

，：ｍｏｖｉｎｏｂｅｃｔｓｉｎｎｅｔｗｏｒｋｓ．ＶＬＤＢＪｏｕｒｎａｌ２００６，１５（２）　　　ｇｊ　１６５１９０－

６期丁治明等：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

１１９１

［］Ｃ２９ｈａｎｄｒａｓｅｋａｒａｎｏｏｅｒｅｓｈａｎｄｅｔｌ．　Ｓ，Ｃ　Ｏ，Ｄ　Ａ　ｅ　ａｐｐ

ＣｏｎｔｉｎｕｏｕｓｄａｔａｆｌｏｗｒｏｃｅｓｓｉｎｆｏｒａｎｕｎｃｅｒＴｅｌｅｒａｈＣＱ：　　　　－ｐｇｇｐ　／／ｔａｉｎｗｏｒｌｄＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ１ｓｔＢｉｅｎｎｉａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎ　　　　　　　　－ｇ，ｎｏｖａｔｉｖｅＤａｔａＳｓｔｅｍｓＲｅｓｅａｒｃｈ（ＣＩＤＲ’２００３）．Ａｓｉｌｏｍａｒ　　　ｙＵＳＡ，２００３：２７６２８５－

［］Ｃ３０ｒａｎｏｒＣＤ，ＪｏｈｎｓｏｎＴ，ＳａｔｓｃｈｅｃｋＯ，ＳｈｋａｅｎｕｋＶ．　　　　　ｐｐｙ

：Ａ／／Ｇｉａｓｃｏｅｓｔｒｅａｍｄａｔａｂａｓｅｆｏｒｎｅｔｗｏｒｋａｌｉｃａｔｉｏｎｓ　　　　　ｇｐｐｐＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ２２ｔｈＡＣＭＳＩＧＭＯＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ　　　　　　　－ｇ，ｅｎｃｅｏｎＭａｎａｅｍｅｎｔｏｆＤａｔａ（ＳＩＧＭＯＤ’２００３）．ＳａｎＤｉｅｏ　　　　　ｇｇＵＳＡ，２００３：６４７６５１－

［］Ａ３１ｎｄｒａｄｅＨ，ＧｅｄｉｋＢ，ＷｕＫ－Ｌ，ＹｕＰＳ．Ｓｃａｌｅｓｔｒａｔｅｉｅｓ　　　　　－Ｕｐｇ　

／／ｒｏｃｅｓｓｉｎｈｉｈｒａｔｅｄａｔａｓｔｒｅａｍｓｉｎＳｓｔｅｍＳＰｒｏｃｅｅｄｉｎｓｆｏｒ　－　　　　　ｐｇｇｙｇ　ｏｆｔｈｅＩＥＥＥ２５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＥｎｉｎｅｅｒ　　　　　　　　－ｇ），，ｉｎＩＣＤＥ’２００９．ＳｈａｎｈａｉＣｈｉｎａ２００９：１３７５１３７８－ｇ（ｇ［］Ｆ：Ｏ３２ｕｓｃｏＦ，ＳｔｏｅｃｋｌｉｎＭ　Ｐ，ＶｌａｃｈｏｓＭ．Ｎｅｔｌｉｎｔｈｅｆｌ　　　－Ｆ－－ｙ

，ｃｏｍｒｅｓｓｉｏｎａｒｃｈｉｖｉｎａｎｄｉｎｄｅｘｉｎｏｆｓｔｒｅａｍｉｎｎｅｔｗｏｒｋ　　ｐｇｇｇ　　　／／ｔｒａｆｆｉｃＰｒｏｃｅｅｄｉｎｓｏｆｔｈｅ３６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ　　　　　　ｇ，２ＶｅｒＬａｒｅＤａｔａＢａｓｅｓ（ＶＬＤＢ’２０１０）．Ｓｉｎａｏｒｅ０１０：　　ｙｇｇｐ　１３８２１３９

３－

，ｂＤＩＮＧＺｈｉｉｎｏｒｎｉｎ１９６６，　－Ｍ　　ｇ，ｐ，ＰｒｏｆｅｓｓｏｒＰｈ．Ｄ．ｈ．Ｄ．ｓｕｅｒｖｉｓｏｒ．ｐＨｉｓｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｄａｔａｂａｓｅ　　　　，ｓｋｎｏｗｌｅｄｅｂａｓｅｓｓｔｅｍｓａｔｉａｌａｎｄ　　　－ｇｙｐ，，ｔｅｍｏｒａｌｄａｔａｂａｓｅｓＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ　　　ｐｇ，ａｃｌｏｕｄｏｍｕｔｉｎｎｄｎｆｏｒｍａｔｉｏｎ　ｃ　ｉｐｇｒｅｔｒｉｅｖａｌ．

，，ＧＡＯＸｕｂｏｒｎｉｎ１９８０，Ｐｈ．Ｄ．ｃａｎｄｉｄａｔｅｌｅｃｔｕｒｅｒ．Ｈｉｓ　　　ｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｄａｔａｂａｓｅａｎｄｋｎｏｗｌｅｄｅｂａｓｅｍａｉｎ　　　　　　　ｇ，ｓｓｔｅｍｓａｎｄｓａｔｉａｌｔｅｍｏｒａｌｄａｔａｂａｓｅｓ．　－　ｙｐｐ

Ｂａｃｋｒｏｕｎｄｇ

，ｏｗａｄａｓｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓ（ＩｏＴ）ｈａｓｂｅｃｏｍｅａ　　Ｎ　　　　　ｙｇ，ｈｏｔｒｅｓｅａｒｃｈｉｓｓｕｅ．ＨｏｗｅｖｅｒｔｈｅｍａｓｓｉｖｅＩｏＴｄａｔａｍａｎａｅ　　　　　　－ｇ，ｗｒｏｂｌｅｍｍｅｎｔｈａｓｎｏｔｂｅｅｎｔｈｏｒｏｕｈｌｓｔｕｄｉｅｄｈｉｃｈｂｅ　　　　　　－ｐｇｙ　ｃｏｍｅｓａｂｏｔｔｌｅｎｅｃｋｆｏｒｔｈｅｄｅｖｅｌｏｍｅｎｔｏｆｔｈｅＩｏＴｉｎｄｕｓｔｒ．　　　　　　　　　ｐｙ，ｗ，ｅａｒｓＩｎｒｅｃｅｎｔｅｈａｖｅｃｏｎｄｕｃｔｅｄｃｏｎｔｉｎｕｏｕｓｒｅｓｅａｒｃｈ　　　　　　ｙ，ｓｏｆｔｗａｒｅｄｅｖｅｌｏｍｅｎｔａｎｄｉｎｄｕｓｔｒｉａｌｉｚａｔｉｏｎｏｎＩｏＴｄａｔａｍａｎ　　　　　　－ｐａｅｍｅｎｔ．ｇ

ＴｈｅｗｏｒｋｏｆｔｈｉｓａｅｒｉｓｓｕｏｒｔｅｄｂｔｈｅＮａｔｉｏｎａｌ　　　　　　　　ｐｐｐｐｙ　

’ＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（ＮＳＦＣ）ｓｋｅＮａｔｕｒａｌｒｏｅｃｔ　　　　　ｙｐｊ　“ＩｎｔｅｒｎｅｔｏｆｈｉｎｓＴｅｃｈｎｏｌｏａｎｄＳｓｔｅｍｆｏｒＳｅｎｓｉｎＵｎ－－Ｔ　　　　－ｇｇｙｙｇ　　ｃｏｎｖｅｎｔｉｏｎａｌＥｍｅｒｅｎｃｉｅｓａｎｄｆｏｒＥｍｅｒｅｎｃＣｏｍｍａｎｄｉｎ　　　　ｇｇｙｇ”　（ｒｏｅｃｔＧｒａｎｔＮｏ．９１１２４００１）ａｎｄｔｈｅｋｅｄｉｒｅｃｔｉｏｎｏｆＣｈｉ　　　　　　－ｐｊｙ　ｎｅｓｅＡｃａｄｅｍｏｆＳｃｉｅｎｃｅｓ“ＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｍｅｎｔｏｆ　　　　　ｙｐ　”ａｅｒＣｌｏｕｄＳｔｏｒａｅａｎｄＲｅｔｒｉｅｖａｌＳｓｔｅｍｓ．Ｔｈｉｓｉｎｃｌｕｄｅｓ　　　　　　ｐｐｇｙｒｏｅｃｔｓ．ｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｏｆｔｈｅａｂｏｖｅｔｈｅ　　　　　　ｐｊ

本文来源：https://www.bwwdw.com/article/kxem.html