龙草芳，江荣旺
（三亚学院，海南 三亚 572022）
0 引 言
云计算具有极强的数据挖掘与分析能力，可在海量信息化数据环境中实现对节点参量的筛选与过滤。随着物联网时代的到来，数据结构体所需的响应处理速度也逐渐加快，但这些都是云计算理论所不能满足的。在网络带宽量不断扩充的前提下，云边融合逐渐取代云计算成为时代背景下的主流应用技术。通常情况下，该项实用处理手段由协同、互补两种形式共同组成[1⁃2]。其中，协同型云边融合是指在数据参量的支持下，关联型信息可自发结合成束状传输主体，从而降低数据转发所需的基础消耗时间。互补型云边融合可在现有信息节点的支持下，联合所有可利用的数据参量，使传输结构体的平均覆盖面积不断增大。
车联网是一种新型无线通信技术，可在车载设备结构体的支持下为运行车辆提供多项功能性服务。在特定时间阶段内，由于车辆拥堵等问题会造成交通运输压力的持续性提升。为避免上述情况的发生，分布式大数据安全容错存储算法[3]和互联型车联网信息聚类模型[4]通过移动云计算处理的方式，降低已缓存的数据信息参量，再借助ITS系统调节数据与数据之间的传输关系。但此类方法很难完全解决由车辆信息迁移而造成的集成等待时间过长的问题，基于此引入云边融合技术，在车载云网格结构的支持下，本文设计一种新型的车联网架构大数据安全集成算法，从而实现对车辆信息数据交叉与变异问题的统一处理。
1 车联网架构下的云边融合环境搭建
车联网架构下的云边融合环境由车载云网格结构、集中式微云决策引擎等多个元件共同组成，具体搭建方法如下。
1.1 车载云网格结构
车载云网格是车联网架构搭建的基础设备执行条件，由车辆移动终端、车载无线网络、云融合主机等多个结构主体共同组成。车辆移动终端位于车载云网格的最底层，负载位于所有车辆设备主机之中，能够在车辆无线网络的作用下，将应用化信息参量传输至云融合主机中。车载无线网络具备较强的数据调节能力，可按照实际应用需求，将已输入车辆数据信息分割成多个结构型主体，再分别传输至云边融合主机的不同应用结构之中，如图1所示。云融合主机具备大数据集成、车联网信息处理等多项应用执行功能，可在底层信息融合结构的作用下，实现对已存储数据参量的按需调取。在不违背车辆行驶目的的前提下，车联网架构的覆盖范围越大，车载云网格的最终表现形式也就越复杂。
图1 车载云网格结构
1.2 集中式微云决策引擎
集中式微云决策引擎与车载云网格结构体直接相连，由云边融合服务器、车联网边缘节点、大数据移动设备三部分共同组成。在云边融合环境下，微云应用主机能够负载执行器的实际连接需求，在车辆信息处于持续性传输的情况下，基于大数据安全集成算法的数据参量能够与决策信息保持相同的更新频率，直至将所有集成节点都更改为车联网架构节点的接入形式[5⁃6]。云边融合服务器作为车联网边缘节点设置的基础参量条件，可在性能分析器的作用下，完成对云存储车辆信息的融合与处理。大数据移动设备处于集中式微云决策引擎的最底层，在车联网架构节点保持不变的情况下，车辆信息能够直接存储于该层结构主机之中，形成集中式微云决策引擎结构，如图2所示。
图2 集中式微云决策引擎结构图
1.3 车联网信息发布
车联网信息发布只存在于云边融合主机之中，随已存储车辆数据总量的增加，待发布的信息参量会持续在集中式微云决策引擎中堆积，直至超过核心主机的最高承载容量[7]。为避免上述情况的发生，当已堆积车辆信息数值达到承载容量极值的一半时，微云决策引擎开始建立与云边融合主机的物理连接，并在集成信道的作用下，将这些信息参量直接由车联网底层传输至车联网顶层，即车联网信息的发布与处理。若存储主机内的剩余车辆信息不足以支撑下一次完整的数据转运流程，则开启集中式微云决策引擎与外界融合环境的连接，直至车联网架构内外的信息输入与输出行为完全趋于稳定[8⁃9]。设m0代表集中式微云决策引擎中的暂存车辆信息参量条件，β代表转存融合系数，w代表大数据集成参量，联立上述物理系数，可将车联网信息发布判别式定义为：
式中：y代表车辆信息的发布系数；λ代表基于云边融合的数据传输参量；l代表既定信息融合条件。
2 车联网架构大数据安全集成算法
在云边融合环境的支持下，按照数据相似度计算、集成选择机制完善、信息交叉和变异处理的应用流程，完成车联网架构大数据安全集成算法的设计。
2.1 数据相似度计算
在车联网大数据集成的过程中，待集成信息对象间的距离、差异量等系数，都会影响最终集成结果的好坏。采用不同处理方法所测算出的数据相似度结果也完全不同，但无论哪种方法所获取的车辆信息数据极值都不会出现明显变化。所谓数据相似度，也叫同类数据之间的相似关联度。在车联网环境中，随交通复杂度水平的提升，车辆数据信息会出现明显的两极化堆积行为。在云边融合技术的作用下，已堆积数据只能在车联网结构的两端夹层组织中快速传输，而中间结构体中的车辆信息被大量消耗，易导致车联网组织出现明显的不均化运行情况[10⁃11]。规定x1，v1分别代表不同车辆信息参量的最大化存储条件，x0，v0分别代表不同车辆信息参量的最小化存储条件，联立式（1），可将基于云边融合理论的车联网数据相似度计算公式表示为：
式中：χ代表基于云边融合理论的数据波动系数；q代表大数据信息的实际集成条件；r代表大数据信息的理想集成条件。
2.2 集成选择机制
集成选择机制的构建需要同时考虑车辆信息传输、数据存储、量化考核等多项应用条件。所谓车辆信息传输是指在常规应用状态下，随云边融合技术的实施，车联网环境中的初始数据输入量必须与最终数据输出量完全相等。数据存储是与车联网架构相关的信息应用条件，随着安全集成算法的实施，车辆信息的原始输入量也会逐渐增加，直至达到集中式微云决策引擎的极限存储条件，实现一次完整的信息传输流程[12⁃13]。量化考核是针对车联网架构信息所提出的应用条件，其处理权限受到车联网架构大数据的直接影响，但平均数值表现水平始终不会超过待集成信息总量的50%。设k1，k2，k3分别代表车辆信息传输、数据存储、量化考核三项信息应用条件，联立式（2），可将车联网架构大数据的集成选择机制定义为：
式中：C代表与车辆传输信息相关的理想化存储条件；Δg代表车联网大数据在单位时间内的应用变化量；e0代表待集成大数据的最小量化存储等级；e1代表待集成大数据的最大量化存储等级；ξ代表车辆数据信息的集中融合系数。
2.3 信息的交叉和变异
信息交叉与变异处理是基于云边融合车联网架构大数据安全集成算法搭建的末尾应用环节，可按照已确定集成机制中车辆信息的实际存储数值，完成对参量处置边限条件的定义。通常情况下，在一个云边融合周期内，随车辆信息总量的提升，整个车联网架构的覆盖面积也会逐渐增大，而在大数据存储条件的作用下，最终集成结果却不会出现无限制提升的变化趋势[14⁃15]。简单来说，在车联网架构环境中，所有待集合的车辆应用信息都具备明显的交叉性与变异性，正是因为此类执行限制条件的存在，才使得云边融合原理的作用范围始终保持在车联网架构的作用空间内。设hˉ代表车辆应用信息在单位时间内的集成化传输均值，联立式（3），可将信息数据的交叉和变异参量表示为：
式中：μ，ω分别代表两个不同的大数据集成系数。至此，完成各项理论系数参量的计算与处理，在云边融合技术的支持下，实现车联网架构大数据安全集成算法的顺利应用。
3 算法应用能力测试
为验证基于云边融合车联网架构大数据安全集成算法的实际应用价值，设计如下对比实验。
在交通繁忙的时间段内，将搭载车联网设备的行驶车辆与普通行驶车辆混合在一起，在核心监控台中设置独立的信息收发设备，使其与车联网主机保持良好的信息互通关系。为突出实验结果的真实性，实验组车联网主机搭载新型大数据安全集成算法，对照组分别搭载分布式大数据安全容错存储算法和互联型车联网信息聚类模型（文献[3]和文献[4]），记为对照组1和对照组2。在固定实验环境下，分别记录实验组、对照组相关记录指标的具体变化情况。
车辆信息数据由一个集成节点迁移至另一个集成节点所需的等待时间能够反映数据集成算法的实际应用能力，通常情况下，前者的等待时间越短，后者的应用能力也就越强，反之则越弱。表1记录了实验组、对照组集成等待时间的具体数值水平。
分析表1可知，在理想状态下，车辆信息数据由一个集成节点迁移至另一个集成节点所需的等待时间出现了先上升、再稳定、最后下降的变化趋势，全局最大值达到0.31 ms。实验组车辆信息数据由一个集成节点迁移至另一个集成节点所需的等待时间则保持先下降、再稳定的变化趋势，全局最大值达到0.40 ms，而两个对照组全局最大值达到0.55 ms，与实验组极值相比，上升了0.15 ms。综上可知，基于云边融合的车联网架构大数据安全集成算法，具备缩短车辆信息数据由一个集成节点迁移至另一个集成节点所需等待时间的能力。
表1 集成等待时间对比 ms
规定10 min为一个单位时长，分别记录在4个单位时长内，实验组、对照组车辆信息堆积总量的具体变化情况，如表2所示。
表2 车辆信息堆积总量对比 ×109 TB
分析表2可知，在理想状态下，车辆信息堆积总量始终保持不变。实验组车辆信息堆积总量则一直保持阶段性的波动变化趋势，全局最大值仅达到7.5×109TB。对照组全局最大值达到9.9×109TB，与实验组极值相比，上升了2.4×109TB。综上可知，基于云边融合的车联网架构大数据安全集成算法，能够在缩短车辆信息迁移等待时长的同时，控制车辆信息堆积量的增长变化趋势。
4 结 语
在云边融合技术的支持下，联合车载云网格与集中式微云决策引擎，在计算车辆数据传输相似度的同时，实现对信息参量的交叉与变异处理。从实用性角度来看，随着该算法的应用，车辆数据迁移等待时长、信息堆积总量均出现明显下降的变化趋势，可缓解特定时间阶段内的交通拥堵压力，解决与过往车辆相关信息数据深度化挖掘的问题。
