基于分布式邊緣服務架構的地鐵自動售檢票系統研究

曾黃宇

（福州地鐵集團有限公司運營分公司 福建省福州市 350003）

1 引言

國內在革新現有地鐵AFC 體系架構方面，陳子汝，李道全，陳楠等人探索了北京地鐵、廣州地鐵接納多線路公用線路中心的方案，南京地鐵提出地區線路中心的方案[1-3]。雷定猷等人提出了基于云謀略的AFC 體系布局的革新頭腦，大大減少了AFC 體系的龐大性[4]。潘穎芳從都市軌道交通自動票務體系技能條件的根本上分析研究了自動票務體系的組成、成果和體系布局，具體分析了AFC體系的五層布局，給出了各層布局的成果模塊組成[5]。針對現在運行AFC 體系維護控制中存在的困難，李景虎等人利用AFCAZ 運行和數據創建一套配置維修維護體系，根據發掘環境分析終端配置的具體方法[6]，利用車站AFC 終端配置的種種交易和狀態數據，建立裝備配置狀態非常辦理、備件辦理、維修成本分析和維修辦事進程監督、跟蹤體系，以開展配置維修事情，合理配置資金的投入，減少了維修成本，為地鐵站級維修辦理提供了極大的方便。該體系補充了現有AFC 維護辦理體系的不夠，使配置維護辦理越發高效、方便。

邱華瑞等人分析了都市軌道交通自動票務(AFC)體系的根本布局及其體系的演變，認為布局設置的好壞，不僅影響AFC 體系本身的生長，而且對都市軌道交通能否實現多線路網絡化高效運營具有決定性的作用。在AFC 體系布局上，要綜合都市軌道交通的差異運營模式、辦理體系、新技能引進、線路接入等諸多要素。通過分析基于合并線路中心和清分中心、多線路中心、區域中心和配置嵌入層的種種AFC 體系的布局，指出都市軌道交通可根據自身特點和將來籌劃設置AFC 體系布局方案[7]。為了建立軌道交通的網絡化運營和發展，王國光根據實踐經歷，對AFC 體系的要害技能、票務體系的選擇、配置軟件和配置監控的綜合應用、嵌入式實時操作體系的應用、系統安全等，進行了邊緣謀略研究[8]，華镕提出了以云謀略模型為核心的大數據處理方法[9]，有效地處理邊緣方法生成的數據。基于邊緣模型的邊緣大數據處理的關鍵是聯和現有的以云謀略模型為核心的大數據處理方法。張旺持等人探索了分布式邊緣謀略對網絡資源分配和體系布局的影響[10]。

2 分布式邊緣服務架構與算法設計

2.1 邊緣服務器的部署及優化

2.1.1 基于SDN 技術的邊緣網絡服務架構

服務請求通過無線網絡就近連接到AP，以及邊緣網絡中的數據鏈路和邊緣服務器中的資源利用等信息通過軟件定義網絡（SDN）協議傳遞給軟件定義網絡控制器。軟件定義網路控制器根據接收到的實時信息，對邊緣網絡的總體狀況智能分析，并在線測評各個邊緣服務器的負載情況，SDN 協議作為控制信息與網絡接入點連接的橋梁，它對接收到的信息通過相應的算法，得出最優路徑，目的是提高邊緣網絡的數據利用率。

圖1：系統總體設備層次圖

2.1.2 邊緣服務器的部署

為保證眾多數量的移動終端獲取服務的需要，特別是其在移動過程中可以隨時隨地接入邊緣網絡，需要部署大量的網絡接入點。在一定程度上，服務請求數據從網絡接入點傳遞給邊緣服務器的傳輸時延對邊緣服務器所提供的服務質量會產生影響。某種程度上，交換機接入的負載，決定著數據在AP 與邊緣服務器之間的傳輸速度，成為衡量邊緣服務器部署的關鍵指標。

2.2 邊緣服務器部署算法

2.2.1 基于枚舉的最優邊緣服務器部署算法

邊緣網絡的平均接入時延，可以通過EOESPA 算法計算多個服務器各自的部署方案，得到多個時延數據，然后求出時延平均數而得出。對所有方案的平均接入時延進行比較，從而得到最優邊緣服務器部署方案，該方案可為所有移動終端的服務請求提供最小邊緣服務器接入時延的。

2.2.2 基于深度學習神經網絡的近似最優邊緣服務器部署算法

基于深度學習神經網絡，網絡接入點可以根據自己需求，來尋求最高合適度的邊緣服務器，而這種合適度由移動網絡用戶發起的服務請求有關。系統總體設備層次圖如圖1 所示。

RBM 網絡有三個常用參數：一是可視層與隱藏層之間的權重矩陣Wn×m；二是可視節點偏移量b=b(b1，b2，…，bn)；三是隱藏節點的偏移量c=(c1，c2，…，cm)，通過這三個參數，可以將n維樣本編譯成m 維樣本，實現數據的隱藏。

采用對比散度算法更新權重矩陣，主要步驟如下：

輸入：可視層向量v，隱藏單元個數m,學習效率ε，最大的訓練周期T；

輸出：連接權重矩陣W、可視層的偏置向量b、隱藏層的偏置向量c；

初始化：連接權重矩陣W、可視層的偏置向量b、隱藏層的偏置向量c 為隨機的較小數值；

For t = 1,2,3，...，T

For j = 1,2,3，...，m（對所有隱藏層神經元）

End For

For i = 1,2,3，...，n（對所有可視層神經元）

End For

For j = 1,2,3，...，m（對所有隱藏層神經元）

End For

更新各個參數：

End For

在有限狀態馬爾科夫模型中，定義初始分布參數和狀態轉換概率矩陣參數來分析與評價當前狀態的概率特征，而在隱藏的馬爾科夫模型,只能分析與評價狀態的過程概率，相應的隱藏馬爾科夫結構描述為：

根節點Si的概率密度函數；給定父狀態為r，子狀態Si為m 的條件概率；和描述狀態參數Si在m 時的設定小波系數Wi的均值和方差參數。參數向量θ 表示為：

針對M=2，μ=0 的情況，多尺度隱馬爾可夫模型（Multi-scale Hidden Markov Model）包括訓練：基于相關小波系數，可以定義參數θ。多尺度隱馬爾可夫模型采用EM（Ex pectation Maximization）算法計算與分析訓練和相似度參數。EM 算法可以實現對多尺度隱馬爾可夫模型參數θ 的評價與分析，同時分析與計算小波系數下隱狀態變量S 的概率特征。

3 邊緣服務器與AFC系統的結合

隨著5G 通信和物聯網時代的到來，傳統意義上的云計算很難滿足數據吞吐量和數據鏈路的需求，通過邊緣計算可以有效的緩解這種現狀，并很大程度上提高系統運行的效率。由于邊緣計算的數據源更加接近數據源本身，可以對數據的處理實現本地化，這樣不但可以節省網絡帶寬，而且可以幫助中心服務器，盡可能少處理無用數據，使得服務器進一步實現低時延、高可靠服務。

對于目前AFC 系統而言，主要處理傳統意義上的業務，主要工作是對用戶請求的數據進行預處理，再發送給中央分布式處理器，進行匯總；匯總完成后，再反饋給移動終端，如在線購票業務和在線路線查詢業務；功能可升級和擴展的邊緣計算AFC 系統，應能夠承擔物聯網、網絡功能虛擬化等物理環境。后者不但需要選擇合適的邊緣計算框架，二者更應該選擇功能完善的配套硬件設施。同時，移動邊緣服務器應該具備處理處理交易、清算、賬戶等模塊的數據處理和分析功能，并且完成部門決策和配置。

4 結束語

本文通過分布式邊緣計算的分析，結合地鐵AFC 系統的結構特性網絡化的需求，開展自動售檢票系統的結構框架、運行流程和系統結構的研究與分析，并探索地鐵自動售檢票系統的系統總體架構模型，從而為地鐵AFC 系統的開發與應用提供了一種指導與參考，在提升乘客的體驗和降低系統復雜度及提升系統安全性方面有重要意義。