APP下载

基于MongoDB的智能交通领域传感网数据存储模型设计

2017-01-05马兆丰

黑龙江科学 2016年22期
关键词:数据库智能模型

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。……

登录APP查看全文

猜你喜欢

数据库智能模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
智能前沿
智能前沿
智能前沿
智能前沿
数据库
3D打印中的模型分割与打包
数据库
数据库