多模式公交网络（共8篇）
多模式公交网络 篇1
在技术壁垒、多样化需求、全球化分工影响下,新兴产业发展成为保持国家竞争力、增强对金融危机抵御能力、促进区域经济结构优化的关键。 产品高端性决定了创新过程依靠互相关联的技术链, 企业形成了多节点竞合关系,同时关键技术突破程度、顾客需求存在着不确定因素,新兴产业复杂性和风险性导致其成长呈现多方向、阶段性重组整合的网络特性。
1主要文献综述
自弗里曼提出创新网络概念以来,创新网络被认为是实现新兴产业创新扩散、产业融合的主要途径。其理论研究注重创新关系中不同个体的交互作用和结构差异,改变了BASS模型注重整体性分析的传统创新思想。
目前对创新网络研究主要集中在网络特征、功能、对创新绩效影响几个主要方面,Burt[1]较早提出创新网络中的 “结构洞”特征,认为在网络拓扑结构中节点之间分布具有较明显的异质性,对 “结构洞”利用程度不同会使参与者在信息获取和网络控制能力方面具有较大差异; Steven Caspera等[2]通过比较英国、德国新兴产业集群中创新组织间人员交流特点,提出创新网络中 “小世界” 连接模式。 创新网络相关概念的相继建立使创新网络研究进一步扩展,针对结构模型对创新网络内部资源的影响、 创新网络促进产业发展的途径,学者们提出了不同观点,其中Ahuja[3]的观点具有一定代表性,认为创新网络结构利于不同成员合作,交互联系关系促进了知识的获取与整合,并形成新的知识扩 散源; Boase认为知识共享与行动的一致性降低了创新网络中的交易成本、促进了网络绩效提高; 此外Mc Evily等[4]从 “结构洞”企业获得互补性信息与知识角度解释了创新网络作用。随着创新网络实证研究增加, 如何确定创新网络的绩效成为创新网络理论亟待解决的问题,多角度绩效研究如企业收益、组织效率、 外部溢出等成为创新网络研究的热点[5]。如Ritter等[6]通过分析企业在创新网络中绩效,认为企业成长与其在网络中位置有关,而更重要的是与其他组织关联中整合网络资源的能力,在与其他组织的交互发展中,创新网络成员更趋向于具有互补性并且长期、稳定的合作关系[7]; 创新网络成员与外部信息、知识交流效率促进了不同节点的创新能力增强, 进而提高网络绩效[8]。
目前新兴产业创新网络的研究仍存在着不足, 多数研究只注重结构、组织特性等单一因素的作用效果,基于多目标的创新网络研究较少,网络优化研究则刚刚开始被学者所关注。针对创新网络中企业具有的异质性,本研究根据新兴产业创新网络中不同企业特征,将企业划分为领先企业和跟随企业, 明确不同企业在新兴产业创新网络中特殊功能,构建了两者相互作用的并联模式,应用粒子群神经网络对网络要素进行优化,结合中航集团案例探讨了促进创新网络发展的要点。
2新兴产业创新网络并联模式
新兴产业的并联模式由领先企业带动机制、跟随企业后发机制、企业间网络关联机制共同组成。
2.1领先企业带动机制
新兴产业发展基础是关键技术的突破,新产品的形成改变了已有的技术集成方式。领先企业在技术优势、供应商、消费市场建立、商业模式形成等方面形成了优势[9]。这种优势在短时间内其他企业难以模仿和超越,促使领先企业成为创新网络中知识扩散的中心点[10],跟随企业在创新网络中需要从领先企业 中获得技 术、管理经验 等多方面 的支持[11]。领先企业在纵向集成过程中,可以通过与供应商和销售商建立稳定的信任关系,改变企业的外部环境,使其价值 链得以延 伸,增强其领 先优势[12]。共享过程并不单独存在与企业内部或企业之间,而是将不同内外部资源作为创新网络中的一部分进行系统性组合,其特征是改变了企业边界[13]。
领先企业的技术优势是促进新兴产业发展的基础,优势的保持与形成过程是不可分割的,其技术溢出在产品第一次商业化过程中已经开始,持续的改进会在技术应用于市场过程不断完善,跟随企业通过制造许可、FDI等技术溢出途径可分享到相应的适用技术。为阻止这种负面外部性,领先企业的知识保护是首选策略; 同时领先企业在创新网络中通过优先占有供应商、企业家、品牌与顾客联系, 扩展其在成本、市场份额上的优势。随着产品成熟度提高,领先企业的竞争方向已由提高产品功能、 增加附加价值转向形成技术壁垒,将标准竞争作为保有市场盈利水平的基本方法,制定新产品的技术标准形成了对跟随企业的进入障碍。领先企业在标准竞争中由于面临着较大的不确定性,相关企业参与形成标准联盟可进一步提高对产业发展的控制能力。
限制性标准使领先企业具有成本和市场份额的优势,但同时也减少了其对创新网络资源的利用, 领先企业在保有核心技术同时与跟随企业共享创新网络资源是新兴产业发展条件。领先企业通过产业链条延伸、空间聚集效应、技术转移等方式形成以其为核心的创新网络联盟,将部分产品采用外包生产,在降低自身成本同时增加市场供给量。1982年IBM公司公布除BIOS外的技术标准、GMC移动通信标准联盟的形成,使得计算机和移动通信从技术突破过度到市场规模拓展。领先企业在确定行业标准同时对新兴产业的运营平台有着直接的影响,如Google的免费搜索平台、Ebay的Seller’ s Assistant软件和Turbo Liste服务、淘宝网的 “支付宝”对于降低产业进入障碍、形成顾客群体产生了带动作用, 降低了跟随企业进入成本,促进新兴产业结构和规模的变化。领先企业带动作用如图1所示。
2.2跟随企业后发机制
领先企业在形成市场先动优势后同时往往会产生 “创新惰性”,原因来自于技术更新的风险性、 现有市场垄断带来的稳定利润、对已经形成商业模式的依赖,使领先企业的创新过程由以突破式创新为主转变为以渐进性创新为主,其竞争优势的减弱使得跟随企业有机会超越领先企业形成后发优势。 创新知识随着产品生产、销售、技术管理人员流动在创新网络中扩散,使得跟随企业可以通过不同渠道获得领先企业的显性和隐性知识,跟随企业可以利用较少的资源投入、较低的创新风险形成新的创新过程[14]。
跟随企业创新过程能否形成后发优势取决于其自身的对于外部知识接受能力、内部知识整合能力、 资源调配能力和规模化能力等多方面的因素。20世纪90年代以来,产品复杂性、技术资源专业化、区域交流成本降低使企业在创新过程中利用外部资源比例明显高于内部资源[15]。创新网络中吸收外部资源能力受 企业文化、学习路径 影响呈现 不同效果[16]。组织中合作团队的形成、对不同意见的包容、乐于分享管理经验、成员中相互信任都有助于对外部知识的吸收,而较高层管理着的接触、正式的项目形成 “小世界”结构开发,缩短了学习路径。
跟随企业有目的地学习并与内部资源进行整合, 这种开放性吸收和动态重组过程使企业有效利用异质零散资源弥补内部知识局限[17]。跟随企业在创新知识吸收与整合过程的差异,决定了其发展为以低成本优势为主的模仿性企业、还是以超越为主的后发优势企业。对于形成后发优势的企业,利用创新网络中的学习机会,逐渐完善企业的技术体系,将可利用的内外部资源进行重新编码,使新的技术优势与市场需求结合,形成企业的新创新方向。如中兴手机通过与摩托罗拉公司建立联合实验室、与TI公司建立定期培训制度,获得了GSM双频手机、 GSMLayer2 /3等技术创新突破。技术的跨越式发展进而引发企业的组织变革[18]。企业家将创新机会、 企业资源、市场需求与企业内部新的运行方法结合, 形成利于未来发展的企业管理模式,实现从技术到流程的超越[19]。跟随企业的后发机制如图2所示。
2.3企业间网络关联机制
企业与顾客、供应商、科研机构及大学共同形成交错相连的创新网状结构[20]。其发展过程就是从创新网络中获取其缺乏资源的过程。企业所处的网络特征对其交流、学习效率有着直接影响[21]。创新网络的 “结构洞” 体现了网络组织之间的中介作用: 企业位于 “结构洞”时可实现不同组织间的信息与知识的交流,是企业互补性知识和异质性知识的来源,增加了创新过程中新产品和管理经验的传播; “结构洞”连接企业的不同特点,会引起其连接企业在创新过程中采用渐进性或根本性创新策略。
创新网络中的企业关联体现了横向和纵向交互关系,企业为了获得市场资源或互补性知识,多趋向于横向联系[22]。如Web Kit是网络浏览器最为流行的引擎,苹果、Google和Opera同时采用这种技术,随着这款综合了稳定、快速和共享特点的引擎联合开发,使得三家企业在浏览器市场上的份额得到了巩固; 2013年波音和洛马公司宣布共同开发新一代远程轰炸机,如竞标成功则两家公司将垄断美国空军战机市场。
创新网络中纵向关联则更多地体现为领先企业对跟随企业的带动作用,将其技术、管理经验扩展到供应商或销售商,从而将企业管理理念扩展到企业外部,通过网络关联实现交易成本的降低。如丰田公司的准时化生产由于在初期没有兼顾零部件供应商利益,导致了供应商对丰田公司的抵制,为了实现全方位的精益生产,丰田公司将供应商和经销商纳入其知识共享系统,形成了创新网络的密切协同关系。
创新网络的中关联强度体现在关联稳定性与关联密度两方面。联合研发、战略联盟及契约合作是创新网络中通常的强关联,能有效地控制知识扩散。 强关联企业间的技术引进、分包生产、风险共担提高了知识共享能力,组织结合紧密利于隐性知识扩散,但也存在知识异质性不足的问题,适宜形成渐进性创新模式。共享企业间的分销渠道与供应商、 单一技术的许可协议以及企业的特许经营是主要的弱关联形式。弱关联可以使企业接触到不同资源, 松散的组合方式利于企业进行探索性创新,随着对产品或技术成熟度,提高往往向强关联过渡。
新兴产业创新网络的相互关联使领先企业与跟随企业只是在阶段上划分的结果,在创新网络发展过程中两者可以互相转化。技术突破或商业模式改变使领先企业在从产品设计到销售的过程形成具有独特竞争力的自主创新模式,产品优势和管理诀窍提升了企业市场信誉,凭借拥有的知识产权建立符合企业利益的行业标准体系,与创新网络中其他企业共同建立营销网络,扩大了产品销售范围并保持有利的市场地位,通过FDI等形式优化生产成本、 形成全球化的加工网络,继而进入不同区域的市场。 领先企业在拓展市场同时也通过互补性合作获得合作企业的技术、成本等资源,通过创新网络联盟、 外包生产、建立共享平台带动新兴产业结构与规模的发展。
跟随企业虽然不具有领先企业所具有的创新人才、高端技术、风险资金、产品声誉等优势,但在新兴产业市场快速发展中通过对高端产品的模仿和简化设计、建立广泛的零配件供货渠道,可以减少研发风险与产品价格,利用其成本优势获得一定的市场份额,并在与领先企业强关联合作过程中形成适合本企业的新产品开发、质量管理及营销体系。 跟随企业在创新网络中不处于中心位置,与其他组织的合作强度较弱,降低了其获得信息、知识的能力,但由于网络冗余较少,企业可以有更多的机会构建新的网络节点,多方面学习新知识,从而构建与现有领先企业不同的知识框架。跟随企业在技术、 市场和管理方面不断积累,使其具有与领先企业竞争的能力; 同时其规模的扩大增加了新兴产业行业内竞争,会带来产品价格下降、顾客群体数目增加的产业发展效果。此时,跟随企业一旦具有技术或运营模式上的突破,则具有明显的后发优势。新兴产业创新网络关联机制如图3所示。
2.4并联模式的变量度量
依据新兴产业创新网络并联模式,创新网络中领先企业与跟随企业交互发展是网络绩效提高的基础。而不同类型企业在创新网络中具有明显的功能差异,领先企业的作用主要在于形成产业根本性转变、得到标准化产品; 而通过知识扩散、市场竞争, 跟随企业吸收技术和知识资源,形成成本优势。这些是在创新网络组织间以契约、技术许可、供应链等形成相互关联的效果。
对于创新网络并联模式,度量指标可以分为领先企业开拓能力、领先企业共享能力、网络关联强度、跟随企业吸收能力、跟随企业规模化能力5个方面。其中,领先企业开拓能力是企业形成技术专利、限制性标准、建立新的商业模式的综合; 形成创新联盟、构建技术共享平台、技术转让则体现领先企业共享能力; 在相关技术中有效地识别企业发展的适用技术、与内部优势进行整合、形成利于新知识应用的组织模式是跟随企业在创新网络中吸收能力的主要方面; 技术改进与积累、成本优势形成、 学习的异质性是跟随企业规模化的评价指标; 创新网络中不同类型企业关联的持续时间、纵向或横向网络开放度、网络集中度、网络规模与结构洞度则从时间、空间与强度不同方面评价了创新网络的关联程度。
3新兴产业创新网络优化方法
3. 1粒子群优化算法改进方向
粒子群算法自20世纪90年代中期被提出以来, 由于在优化过程中具有结构层级少、易于收敛等优点,与蚁群算法、文化算法等成为具有优势的算法之一。但在求解中,基本粒子群算法容易出现落入局部极值和精度达不到要求的问题。对此,后续学者提出了多方面的改进策略,如惯性权重、速度钳位、交叉机制等。
基本粒子群算法中控制粒子位置和速度主要依据迭代过程中出现的最优解,单一的最优解使粒子漫游区域局限在较小的范围,难以形成对可行域中较大区域的搜索。本研究将最优解扩展为具有一定数量的解集,解集向量为当前最优的种群,其选择规则为: 将迭代后不同种群得到的最优解集与已有最优解集进行筛选,淘汰较差的粒子。经过比较和选择的粒子成为控制迭代方向的精英种群,精英种群的存在使粒子搜索范围由单点转变为集合,增加了算法搜索初期最优解范围,同时在收敛阶段进行多粒子比较使最优解的确定更为精确。
粒子群算法在迭代过程中需要结合以前粒子的最好位置、精英种群优化粒子位置及漫游过程的最佳方向,而漫游方向更多地取决于变异策略。为获得较好的搜索范围和精度,根据搜索不同阶段的特点对变异策略进行调整: 搜索开始阶段为增加精英种群的多样性采用均匀分布; 当搜索过程达到设定条件后,转向采用高斯变异策略,基于高斯概率分布特点,在减少变异控制参数的同时扩展了搜索空间,提高了收敛速度并增强了全局搜索能力。
3.2优化算法结构设计及实现
精英种群和基层粒子群在优化过程中形成相互关联的层级结构,精英种群为基层粒子群中选出的最好的粒子构成,再经过迭代后形成精英种群最好粒子回到基本粒子群。为增加搜索过程的多样性, 算法中下层的每个子群分别进行初始化和独立搜索, 基层粒子相互独立,在初值设定与迭代过程中相互不发生联系,每个基层粒子群迭代时最优解具有一定的差异,并且搜索范围也并不相同。通过精英种群与基本粒子群间信息传递,构成具有较大范围的精英种群集。为确保候选解的多样性,每个子群设置不同参数,如权重、最大和最小速度等。
3.3改进基础子群的进化规则
粒子群算法中基础子群的进化取决于精英种群、 粒子自身对漫游方向的记忆和基础子群的漫游方向, 为此在粒子速度计算公式中加入使粒子趋向于精英种群的调节变量c3和r3,使基本子群在记忆自身漫游方向基础上与精英种群变化趋势一致。以下为进化规则:
3.4改进上层精英种群变异策略
粒子群算法中精英种群的变异策略影响着粒子漫游方向与位置,其变异算子可控制其在搜索空间的分布及粒子移动速度。采用均匀分布算子可以增加精英种群粒子分散程度,提高精英种群粒子的多样性。在粒子满足公式xij(k + 1)= xij(k)+ δ 时,变异策略转变为高斯变异。高斯变异粒子位置控制参数只有一个利于提高收敛精度,粒子以不同概率分布在搜索区域内,增强了获得最优解能力。改进算法实际是一种多种群双进化机制,具体描述如图4所示。
4实证研究
通过对中国航空工业集团公司 ( 中航工业) 的实证研究,验证基于粒子群神经网络的新兴产业创新网络优化模型。中航工业是我国进入世界五百强的企业之一,是由具有技术和资金优势的20余家上市公司及为数众多的子公司组成的大型企业,拥有30多所研发机构,为中国空军提供歼击机、无人飞机等先进武器,同时新舟系列支线客机、运8、运12、直9等产品使中国航天产品进入到民用飞机国际市场,已形成以军用产品研发为先导,通过项目开发进行知识扩散,由技术集成拓展民用市场的创新网络。选取中航工业17家企业作为创新网络样本,原始数据通过调查问卷获得。共发放调查问卷230份, 其中有效 问卷173份, 问卷有效 率为75. 2% 。根据新兴产业创新网络概念模型,创新网络结构含领先企业开拓能力Ra和共享能力Sa、创新网络关联强度h、跟随企业吸收能力Rb和规模化能力Sb共5个参数。根据创新网络的运行方式,如果已知不同指标的参数,就可以计算出创新网络的时间和成本。计算公式如下:
式中: i表示第i个关联方式; j表示第j种运行模式,这里假设共有n种参考运动方式; strij为单个企业类型的时间; Fij为单个企业类型的成本。对于新兴产业创新网络最优参数的确定,应使创新网络中不同关联方式的关联时间和成本最低,为多目标优化问题,可将关联函数相乘形成单目标优化问题。即:
将基本粒子群算法与改进后的算法优化结果进行比较,两者在迭代4 ~ 5代时搜索效果十分接近, 但之后两者显示出较大差异: 基本粒子群算法出现了 “早熟”问题,没有达到全局极值; 而改进粒子群算法具有较强的全局搜索能力,其搜索的极值比基本粒子群算法低。5个指标的最优点值为 { 2. 05, 2. 16,2. 89,0. 21,0. 51 } ,函数值为25196; 而基本粒子群算法最优点为 { 1. 92,2. 04,2. 76,0. 21, 0. 53} ,数值为26084。如图5所示。双层种群、改进的进化规则和种群变异策略使改进粒子群算法的搜索能力和精度得到提升。
5结论
现有研究缺乏对不同类型企业对创新网络影响的分析,对共同作用下创新网络的优化未予以考虑。 本研究根据新兴产业创新网络中企业的特点构建创新网络中领先企业与跟随企业交互作用形成的并联模式,提出基于创新网络5种不同因素共同作用的优化模型。实证研究表明: 网络关联强度是创新网络首要的影响因素,是不同企业发挥各自优势的基础; 新兴产业创新网络优化是不同要素的协同效果, 不同企业投入要素最优值有明显的差异,跟随企业资源需求明显低于领先企业; 领先企业开拓能力相对于共享能力需要投入较多的资源。
依据新兴产业创新网络并联模式研究,政府应通过补贴、重大项目立项、拓展国际合作领域等方式促进新兴产业关键技术突破,建设产业平台、统一行业标准、规范企业合作法规、提高新兴产业创新网络关联效率,跟随企业的发展更多地依靠对低端市场的拓展,规范市场秩序、防止 “劣币淘汰优币”是维护创新网络持续发展的关键。创新网络优化中跟随企业后发优势的区域特点、领先企业引发的商业模式的变化未予考虑,需今后进一步研究。
公交车上欢乐多 篇2
一身材尚好的姑娘上了公交车，刚坐下，一大肚婆就站在她身边。司机叫：“这姑娘，给孕妇让个位子吧。”姑娘犹豫了一下，没有起身。
司机终于hold不住了，怒道：“现在女孩子长得漂漂亮亮的，怎么这么没有公德心啊？”
姑娘终于也hold不住了，泪奔道：“我也怀孕四个月了。”
大肚婆也hold不住了，怒吼：“我不是孕妇。”
让位
有一回，小美与同学一起坐公交车，因为她同学很胖，又不修边幅，她同学上车不久，就有一个小妹妹用很幼稚可爱的声音说：“阿姨。这个坐位让你坐吧。”
她同学觉得很奇怪，为啥这小妹会想要把坐位让她，于是便好奇地问：“你为什么要让位给大姐姐呀？”
没想到那个小妹妹竟然理直气壮地回答说：“老师说看到孕妇就要让位！”
全车一片哑然！
开空调
前几天去西安玩。车上，一男生喊：“师傅，开空调吧！”
司机还未开口，另一男生接口：“师傅，大师兄说的对啊！”
这时，又一男生喊：“师傅，二师兄说的也很对啊！”
全车爆笑！
手机彩铃！
公交车上不让乘客带宠物和动物上车，一个老太太把一只活公鸡装到布兜子里，带上了车！
车上能有20多人，老太太刚找到座位坐好，公鸡就把头伸了出来，打了一个清脆的鸡鸣，把司机吓了一跳，车上的乘客都知道是怎么回事，司机说：“什么东西？”
老太太迅速把鸡头按回袋子里，说了一声：“手机彩铃！”
屁真臭
一次出去玩坐公交车，弟弟坐在婶婶怀里放了个屁，本来车里人就多，瞬间空气中带有一丝凝重的气味，就在这时，弟弟直接说了句：“妈，你放的屁真臭……”
顿时婶婶就凌乱了……
应该做的
电车上，老奶奶笑着对雷雷说：“小伙子，我谢谢你，请问……”
话没说完，雷雷抢过话头：“没什么，这是我应该做的！”
老奶奶沉默片刻又要说话，雷雷大手一挥打断了她：“别说了！这是我应该做的！”
老奶奶委屈地嚅嗫道：“我知道这是你应该坐的，请问能让我也坐会儿么……”
我刚生完
铭铭坐公交车，途中上来一个大肚翩翩的妇女同志，一看像是孕妇，铭铭本着社会主义好青年的优良品质，起身正要让座，那位姐姐来了句：“没事，你坐吧，我刚生完。”
留下铭铭在风中踌躇……
拉链
北京的公交车售票大姐一般都很热情，一日，公交车上人特别多，一MM背着包被人群挤到了售票大姐旁！大姐瞅了瞅MM，用北京腔说：“姑娘啊，注意点，把拉链拉好啊！”
MM第一反应低头看自己胸口的拉链，说：“还好没漏！”
没想到大姐大笑着说：“姑娘，我说的是你的包包拉链。别被小偷盯住了！”
多模式公交网络 篇3
计算机网络的广泛应用已经对经济、文化、教育、科技的发展产生了重要影响, 许多重要的信息、资源都与网络相关。客观上, 几乎没有一个网络能够免受安全的困扰。依据Financial Times曾经做过的统计, 平均每20秒钟就有一个网络遭到入侵, 而安全又是网络发展的根本。尤其是在信息安全产业领域, 其固有的敏感性和特殊性, 直接影响着国家的安全利益和经济利益。因此, 在网络化、信息化进程不可逆转的形势下, 如何最大限度地减少或避免因信息泄漏、破坏所造成的经济损失, 是摆在我们面前亟需妥善解决的一项具有重大战略意义的课题。
而入侵检测技术便是为保证计算机系统的安全而设计与配置的一种能够及时发现并报告系统中未授权或异常现象的技术, 是一种用于检测计算机网络中违反安全策略行为的技术。在检测机制中最重要的组成部分是多模式匹配算法, 它能有效地进行精确的模式匹配并且能够适应网络中数据量的不断增长。然而, 传统的模式匹配算法对于数据包的检测是不切实际的[1]。因为在庞大的模式库中, 一个有效的检测机制必须同时搜索整个模式集, 而不是重复执行单模式匹配。包的处理过程不仅受到计算时间的影响, 更重要的是受到访问外部存储器次数的影响。众所周知, 近年来处理器速度的性能提高超过存储器速度的性能提高。例如, 一个外部存储器访问时间是网络处理器系统Intel IXP2x00检测反应时间的150-250倍[2]。因此, 一个快速的多模式匹配算法应减少外部存储器的访问次数。
1 传统的模式匹配
根据需要匹配的模式串数目可以把模式匹配问题划分为两类:单模式匹配和多模式匹配。两者之间的不同在于单模式匹配算法是在文本中通过一次搜索仅仅匹配一个给定的模式, 而多模式匹配算法则要在整个文本中搜索一个模式集给出的所有模式。
1.1 Boyer-Moore (BM) 算法
单模式匹配是在长度为n的文本串y=y[0.n-1]中, 寻找一个或多个长度为m的模式串x=x[0.m-1]。
经典的单模式匹配算法有:Knuth Morris Pratt (KMP) 算法, Boyer-Moore (BM) 算法, KarpRabin (KR) 算法。在KMP算法中, 模式在文本串上从左向右滑动, 搜索每一个可能的匹配, 文本串中的每一个字符仅仅被检测一次。因此, KMP算法的时间复杂度是O (n+m) , n和m分别是文本串和模式串的长度。在BM算法中, 模式匹配是从右端而不是左端开始。当出现一个字符不能匹配时, 模式向右滑动, 文本串中的一些字符没有被检测而直接跳过了。在最坏情况下, BM算法的时间复杂度为O (n+r*m) , 其中, n和m分别为文本串和模式串的长度, r为文本中出现的模式串总数目。BM算法在一般情况下不需要检测文本串中的每一个字符, 这一点在英文字符串中尤为突出[3]。
在实际应用中BM算法是最有效的模式匹配算法。与其它经典算法相比较, BM算法能提供最好的平均匹配速度。一些模式匹配算法对每一个模式重复应用BM算法来解决多模式匹配问题。然而这些算法原本是为单模式匹配设计的。因为不同的模式长度、模式集范围以及内存存储能力, BM方法不适合网络中数据包的检查。表1显示了这些不同[4]。
1.2 Aho-Corasick (AC) 算法
多模式匹配是从文本串string[1.n]中一次查找多个模式串P1, P2, …, Pq;所有这些模式串形成模式串集合{P}, 其中q为模式串的数目, q=1时, 多模式匹配蜕化为单模式匹配。
多模式匹配的经典算法是基于有限自动机DFSA (deterministic finite state automata) 的算法[1], 该算法在匹配前对模式串集合进行预处理, 转换成树型有限自动机。然后只需对文本串进行一次扫描就可找出所有模式串, 其时间复杂度是O (n) 。这些基于DFSA的算法主要是通过软件或硬件来实现的。
Aho-Corasick (AC) 算法是一个基于自动机的算法, 它提供了最好的最坏情况下的计算时间复杂度[5]。通过用一个简单的数据结构, 存储状态转移矩阵的存储空间需求是O (|□|×S) , 其中S是自动机的状态数目, □是字符集, |□|表示字符集中的字符的数目。用一个压缩结构, Tuck等改进了AC算法 (AC-C) , 降低了AC算法内存需求的2%[6]。然而, AC-C算法的数据结构仍然很大, 不能放在片上的缓冲中。虽然, AC算法有最好的最坏情况下的计算时间复杂度, 但是对外部存储器访问的反应时间仍然是处理过程的主要影响因素而不是计算时间。另外, 即使仅仅只有一个模式改变了, AC算法必须重建失败表, 因为它的失败表是通过全部模式集的相互关联建成的。当增加或减少模式的时候, AC-C也需要重建完整的状态机。结果, 对于模式更新, 基于AC的检测机制不得不暂停, 暂停时间与P中所有模式的总长度成比例。
2 改进分级多模式匹配算法 (HMA)
BM算法主要应用于单模式匹配, AC算法对存储空间的需求又比较大, 以至于出现频繁访问外存的情况, 所以它们都不适合于实时网络数据包中多模式的匹配。基于以上原因提出了分级多模式匹配算法 (HMA) 。此算法包括两个阶段:线外预处理阶段和线上匹配阶段。线外阶段为线上阶段构造了两张小表:H1和H2[4]。HMA算法能有效地减少外存的访问次数和不以内存空间为代价的串匹配。
为了构造H1和H2表, 提出了一个频繁字符搜索算法 (FCS) 和一个集群平衡策略 (CBS) [4]。FCS是用来从模式集P中找出频繁字符集合F, 用它来建立第一层表:H1;用F和CBS建立第二层表:H2。H1和H2作为两个过滤器来避免不必要的外存访问和模式匹配。第二层匹配仅仅在第一层得到一个匹配之后才进行。HMA仅仅将P中的一些选定模式与包中的可疑子串进行比较, 而不是将包中的所有子串与所有模式进行比较。实验表明, HMA能有效地改善匹配的性能。
2.1 FCS算法
定义PC为P的子集, 在PC中的所有模式包含一个字符c, 即PC={pi|c∈pi和pi∈P}。显而易见, 假如一个字符在不同的模式中较其它字符出现的频繁, 它将被作为F中的一个元素, 这样则出现了小集合F。基于这一推论, 用FCS算法来查找P中的频繁字符集, 设为F={fi|fi∈□}, F是代表模式集P中模式的最小字符集, 其中fi是一个频繁代码, □为字符集。FCS算法如下所示。
输入:一个模式集P。
输出:一个频繁代码集F。
用一个|□|维向量M= (mi) 和一个|□|×|□|矩阵R= (rij) 作为临时存储, 其中0≤i, j<|□|。M是一个位图, 记录模式中每一个字符的出现。R用来记录发生的频率。对于rij, i≠j, 表示模式集P中ai与aj同时出现的次数。rii记录字母ai∈□在不同模式中出现的频率。例如, rij=2表示当前P中有两个模式包含ai与aj。首先, FCS算法在位图M中记录每个模式的字符出现, 然后积累M中的元素到R中各自相对应的元素 (2-4行) 。然后, FCS找到最大的出现频率rff, 把相应的字符af作为F中的一个元素, 然后把R中与af相关的元素进行值调整 (6-9行) 。FCS重复这一过程, 直到R中对角线上的元素全为零。
FCS从P中找到F之后, 就可以构造第一层表 (H1) 。H1的第a个条目表示为H1 (a) , 每一个条目有两个字段:频繁代码ID, 即H1 (a) .fid;单字符模式ID, H1 (a) .pid。即H1 (a) .fid={i|a=fi∈F}, H1 (a) .pid={i||pi|=1, pi=’a’和pi∈P}, H1中不用的字段置为NULL。由于H1是一个小表, 例如仅仅256个条目, 它能被放在片上缓存中。H1作为第一层线上阶段过滤器, 它能很快的发现是否一个包包含一个模式。即, HMA利用F减小了搜索范围。
2.2 引入模式树的集群平衡策略
通常, 大多数包是没有危害的, 有危害的包也仅仅包含一部分模式。假如能够根据P中模式的相似性将P分成不同的小集群, 然后仅仅一个集群的模式与输入串相类似需要比较。这样, 匹配过程的效率将会提高。
定义集群关键点作为划分模式的标准, 其中每一个集群关键点是模式中的字符。两个普通代码作为一对集群关键点, 称作一个关键对, 记作 (a, b) , 其中第一个关键点是F中的频繁字符, 第二个关键点是普通字符。用Pa, b表示选定模式 (模式的子集) 的集群, 它包含关键对 (a, b) , 即Pa, b={pi|’ab’奂pi, a∈F且b∈□}, 其中’ab’是两个串a和b的联合, 是一个pi的子串。因为一个模式可能有几种方式选择一个集群, 一个好的分配能够均衡集群的大小, 因此能够改善HMA在最坏情况下的执行效率。
为了降低最坏匹配时间, CBS用来平衡集群大小。在CBS中, 一个|F|×|□|阶矩阵N= (na, b) 用来记录一个集群Pa, b的当前大小。算法如下:首先, CBS从P中读出一个模式并扫描它。根据FCS, 对于任何给定的pi, 存在一个字符pi[k]∈F, 1≤k<|pi|。为了平衡集群大小, CBS在pi的所有关键对中找到最小的na, b, 记作 (a, b) , 其中a∈F和’ab’∈pi。在pi进入最小集群Pa, b之后, 相应的na, b是增加了。按照这一方法, 所有模式分进了指定的集群中。
在集群分配的基础上构造了第二层表H2。因为每个集群Pa, b都有很多个模式, 这些模式都含有子串’ab’, 要在这些模式中找到一个模式与数据包T中的某个含有’ab’的子串相匹配仍然是耗时的。所以, 将一个集群Pa, b的所有模式以关键对 (a, b) 为根节点向前向后分别建立两颗模式树。H2每个条目H2 (a, b) 由4个字段组成:模式ID H2 (a, b) .pid, 模式内容H2 (a, b) .data, 同一个集群中指向向后模式树指针H2 (a, b) .next和指向向前模式树指针H2 (a, b) .late。
图1描述了HMA中H1、H2的构造, 假定字符表是26个英文字母。图中有6个模式:a, red, orange, green, yellow, black。由FCS算法可知’e’和’a’是最频繁字符, 它们都出现在三个不同的模式中, 所以F={e, a}作为这6个模式的频繁字符集。由于H1仅仅有|□| (=26) 个字段, 所以它能够存放在片上缓存中。第一个模式’a’是单模式, 它存放在H1表中。模式’red’有’e’∈F以及关键对 (e, d) , 所以根据CBS, ’red’被放到集群Pe, d。剩下的模式使用同样的集群策略。
2.3 HMA算法的在线匹配过程
2.3.1 第一层匹配
在这个匹配阶段, 从左到右扫描T, 每个字符T[t]作为索引关键字去查找H1中的条目H1 (T[t]) 。由于H1是很小的可以放在微处理机制的内存中, 所以访问内存的时间与访问外存相比较小得多。
在第一层匹配中, 假如H1 (T[t]) .pid不是NULL, 那么T[t]是一个单字符模式, 这个被匹配的模式将被放入成功匹配模式集PM。无论H1 (T[t]) .pid是不是NULL, 这第一层匹配程序都检测fid字段。
假如H1 (T[t]) .fid是NULL, 则T[t]埸F, T[t]不进行模式匹配而跳过。然后, 在线匹配停留在第一层匹配, 进入下一个字符T[t+1], 检查H1 (T[t+1]) .pid。由于|F|比|□|小, T大多数字符能够发生跳动而不进行第二层匹配。因此, 字符比较的数目和外存访问的次数都能减小。
假如T[t]F, T可能包含一个模式pi∈P, 其中T[t]∈pi。也就是说, 由于H1 (T[t]) .fid不是NULL, T可能有一个模式 (或者多个) 属于集群PT[t], T[t+1]。然后第二层匹配开始执行。
2.3.2 第二层匹配
在第一层匹配之后, 只要H1 (T[t]) .fid不是NULL, 这匹配过程进行第二层匹配。根据输入T, H2 (T[t], T[t+1]) 显示相对应的集群PT[t], [t+1]的位置。
在第二层匹配中, 首先是检查H2的pid字段。假如H2 (T[t], T[t+1]) .pid是NULL, 它意味着集群PT[t], [t+1]没有模式。然后, 扫描下一个字符T[t+1], 匹配过程返回到第一层匹配。否则, 假如H2 (T[t], T[t+1]) .pid是有效的, 意味着集群PT[t], [t+1]中可能有模式匹配于T中的子串。然后, HMA将H2 (T[t], T[t+1]) 中的模式串内容与T中对应部分相比较。比较时先搜索向前模式树, 若成功, 再搜索向后模式树, 若还成功, 则将匹配成功的模式加入PM。以此类推, 最后得到包含所有匹配成功的模式集PM。
3 实验及分析
通过实验模拟, 将HMA算法与目前常用的BM算法、AC算法相比较, 其中BM算法、AC算法都已经用在IDSs中。Snort是最著名的NIDS, 其中的模式是由VRT提供和检测的。在这一模拟中, 不同的模式有200-2000个, 字符集|□|=256。含有可疑信息的数据包是通过随机选择模式和随机分布产生的[4]。攻击系数λ表示一个数据包中可疑模式的期望数。得出如图2所示的实验数据。
从图2可以看到HMA算法的性能要优于BM算法和AC算法, 即使|P|和λ增加也是如此。HMA的曲线随着λ的增加逐渐上升, 这是因为当数据包中有比较多的可疑模式时, HMA访问外存的次数会增加。
4 结束
网络安全在当今社会的各行各业越来越引起重视, 高效的多模式匹配方法是网络信息审计系统好坏的主要评价标准。本文章提出了一种分级的多模式匹配算法 (HMA) , 该算法在性能上明显优于其它类似的算法, 例如BM算法、AC算法。当然, 网络在迅速发展着, 攻击网络的方式方法也在不断变化着, 所以要求多模式匹配的模式库要不断更新, HMA算法的模式库更新还需要在以后的学习中深入研究。
摘要：多模式匹配的效率是网络内容检测的主要技术之一。本文在分析现有模式匹配方法的基础上——主要是BM算法和AC算法, 提出了分级的多模式匹配算法 (HMA) , 该算法适合网络数据包中模式数量大、长度小的特点。实验表明该算法能有效减少访问外存的次数, 性能明显优于其它算法, 这样可以有效保证网络信息安全。
关键词：网络安全,内容检测,多模式匹配
参考文献
[1]A.V.AHO, M.J.CORASICK, Efficient string matching:an aid to bibliographic search[J].Communications of the ACM18 (6) (1975) 330-340.
[2]Sridhar Lakshmanamurthy, Kin-Yip Liu, Yim Pun, Larry Huston, Uday Naik, Network pro-cessor performance analysis methodology[J].In-tel Technology Journal6 (2002) 19-28.
[3]FAN JANG-JONG, SU KEH-YIH.An effi-cient algorithm for match multiple patterns[J].IEEE Trans on Knowledge and Data Engineer-ing, 1993, 5 (2) :339-351.
[4]Tzu-Fang Sheu, Neu-Fu Huang, Hsiao-Ping Lee.Hierarchical multi-pattern matching algo-rithm for network content inspection[J].Informa-tion Science178 (2008) :2880-2898.
[5]GRAHAM A.STEPHEN, String Matching Algorithms[J].World Scientific, 1994, ISBN981-02-1829-X.
多模式公交网络 篇4
近年来, 移动互联网的飞速发展似乎超出了所有人的想象, 曾几何时, 那些保守者还在宣扬“手机的功能是通信而非计算机”, 但现在, 以iPhone为首的智能终端正在颠覆人们的传统认知——手机似乎变得无所不能。
来自美国摩根士丹利的报告更具说服性:智能手机2010年的全球市场规模已经超过了笔记本和上网本, 该报告还预测, 智能手机将在2012年超越全球PC市场规模, 而移动互联网用户也将在2014年中旬赶超桌面互联网在全球的用户数。
运营商们早已预见到这一趋势, 转战“移动互联网蓝海”成为了他们最初的口号, 但没过多久, 运营商发现, 在移动互联网产业中, 自己不再是产业链和利益链条的主导者, 包括腾讯、谷歌在内的互联网巨头正在将已经成型的互联网版图迁移至手机上, 并将运营商逼到了“管道提供者”的角落中。
对此, 国内三家运营商纷纷建立业务基地, 期望聚拢大量的第三方合作者, 搭建具备主导权的业务平台, 挽回价值链的核心地位。
就在去年, 中国电信一口气推出了八大业务基地, 分别为江苏无锡物联网基地、江苏游戏基地、广东爱音乐基地、上海视讯中心、四川成都天翼空间、福建厦门动漫中心、浙江阅读基地、浙江协同通信基地。
但是, 这种缺乏创造性, 过于强调以自我为核心的运营模式, 在崇尚开放的互联网领域如何显效, 中国电信还有很长的一段路要走, 但至少已经掌握了要领。
中国电信公众客户事业部张新告诉记者:“建立基地的目的不是抢夺内容, 而是聚拢内容, 而如何发挥固移协同网络能力, 也将是我们制定移动互联网战略的重要思考点。”
手机Web沦落, 垄断瓦解
国外《连线》杂志曾经抛出过“Web将死”的论调, 尽管遭到了业界的不少抨击, 但它至少点出了一个趋势, 那就是, 随着智能终端性能的完善以及移动宽带的不断提速, 移动用户连接互联网的方式不仅仅是手机浏览器, 大量的应用程序也成为了移动互联网的入口。
这对于电信运营商而言, 无疑是致命的打击。
“在过去的2G和2.5G时代, 由于移动带宽受限, 移动用户对互联网的访问需要通过手机Web浏览器, 对宽屏网页进行特殊处理, 而运营商也通过这个唯一入口后方的网关系统, 构建起了一个封闭的花园, 牢牢掌握住了移动互联网的主导权。”张新表示, 但现在, 手机Web上网逐渐过时, 运营商的垄断高墙开始坍塌。
当然, 类似APP的应用程序的大量出现丰富了移动互联网体验, 用户从最初的文字浏览已逐渐延伸至现在的媒体社交、电子商务、游戏等众多领域。
用户的人均数据流量随之攀升, 这也带动了运营商的数据业务营收, 但是, 运营商更加看到, 那些风头正旺的P2P应用、IM应用正在耗费大量的移动宽带资源, 而运营商换得的仅是微薄的流量费用。
基地模式遭遇多重竞争
运营商的基地模式能否成为扭转移动互联网战略颓势的救命稻草, 现在还难见分晓, 但起码让运营商看到了希望。
比如浙江电信正在运营的天翼阅读基地, 其产业链涵盖了内容方、出版方以及终端厂商, 浙江电信总经理张新建还表示, 将直接投入3亿元人民币用于基地的建设和应用推广, 并计划与超过500家的出版单位进行合作。
如此大规模的资源聚合动作, 无疑为中国电信天翼品牌的推广, 以及数据流量的控制起到了示范效应;但另一方面, 也产生了新的产业竞争关系。
面对运营商平台搭建所引发的多重竞合关系, 中国电信也有自己的看法。“在移动互联网的新产业格局中, 合作共赢已经成为主旋律, 任何一家独大都无法撑起整个移动互联网的运营。虽然运营商搭建的阅读平台会与其他出版商在建的数字平台构成直接的竞争关系, 但我们认为, 这种竞争态势将长期共存且共同发展。”张新表示。
协同网络优势有望突围困局
另外, 这种多重竞争关系也反映在不同的电信运营商之间。
毕竟基地模式并非中国电信独创, 目前三家运营商都有“极为相似”的基地规划, 而中国电信和中国移动的建设步伐几乎为同期, 如何体现“差异化”成为了运营商们需要思考的核心问题。
对此, 中国电信将目光放在了协同网络上——结合自身固移融合的网络优势, 联合产业链上下游创造出差异化的商业模式。
中国电信集团公司市场部总监何志强对此也公开表示:“中国电信拥有‘天地一体, 固移融合’的全业务运营优势, 运营着全球最大的互联网络, 宽带用户数位居全球之首, 率先在全国范围内实现了良好的3G无线网络覆盖, 独家提供全国范围内有线、无线相融合的宽带接入服务, 这些都是发展移动互联网业务的基础。”
上海电信运营的视讯中心就是典型案例。
多模式公交网络 篇5
1.1小速率业务对网络的冲击
在3G网络下, 数据业务已成为主角且业务种类繁多, 本文将网络中常见的数据业务归纳为八大类, 以便于分析各类数据业务的特点, 分别是视频类、浏览类、即时类、电商类、游戏类、地图类、彩信类、下载类。从下表的分析可以看出, 即时类业务用户数占比达到30%但流量占比仅有1.71%, 每日单用户平均流量仅有0.06MB, 属于典型的小流量业务, 特别是单位流量消耗信令286条, 对网络资源的消耗过大, 对网络资源的均衡策略提出了极大的挑战。
1.2网络资源区域性紧张
虽然全网全天平均码资源利用率不高, 但忙时有部分小区已经出现资源不足的情况, 尤其是上行。统计发现小区上行最大码资源利用率多集中在40%-70%区间, 且有44.7%的小区上行最大码资源利用率大于50%。网络资源区域性出现紧张的情况对无线网络资源的有效利用提出新的要求。
1.3资源利用率对网络质量和用户感知的影响
当小区码资源利用率大于50%时, CS接通率和PS接通率均开始下降, 掉话率和掉线率均开始升高, 且小区拥塞次数明显增加。当HSDPA最大用户数大于5时, 拥塞小区开始明显增多;当HSDPA最大用户数达到极值 (6或12) 时, 拥塞情况最为严重。可见网络资源的合理配置对提高网络质量和用户感知的意义重大。
从以上三点可以看出, 为解决3G网络资源利用不均衡、业务种类繁多带来的新挑战, 必须改进无线资源优化策略, 采用多维角度进行分析, 在无线资源优化理念和手段上有所突破, 有所创新。随着网络业务类型的变化, 采用新的资源优化策略可以高效、快捷的提升网络资源利用效率, 增强客户对网络质量的良性感知, 起到事半功倍的效果。
二、基于用户感知的无线资源优化方法
2.1数据业务三等级八类型划分方法
在3G网络下, 数据业务已成为主角且业务种类繁多, 本文将网络中常见的数据业务归纳为以下八类, 以便于分析各类数据业务的特点, 针对不同的业务类型制定合理的优化策略。
为了进行数据业务速率等级划分, 我们在现网无线环境良好的情况下, 选取了各种应用的典型业务进行了下行速率测试。以此为依据, 可将数据用户业务进行大类汇总。
测试结果可以看出, 以QQ为代表的即时类业务速率较小, 通常下行速率在30kpbs以下, 可归为小速率业务;以移动视频为代表的视频类业务要求的下行速率较大, 通常要在260kpbs以上, 下载类业务则越大越好, 没有上限, 因此将视频类和下载类归为大速率业务;其他几类业务要求下行速率在30kpbs至260kpbs之间, 可归为中速率业务, 对数据业务速率等级进行划分如下表:
通过以上划分, 3G网络业务类型可以归纳为语音业务、小速率数据业务、中速率数据业务和大速率数据业务, 针对不同业务类型的特点应制定不同的资源优化策略。针对小速率业务, 重点在于提高资源的利用效率;对于中高速率业务, 重点在于保障业务速率;对于语音业务, 重点在于保障用户通话过程中的感知。根据以上分析, 本文针对三种不同业务类型的各自特点采用不同的无线网络资源优化手段。
2.2针对小速率数据业务的资源优化
HS-DSCH信道为公共信道, 用于传输高速数据业务。多用户数据在HS-DSCH上时分复用, 数据传输资源由Node B调度分配。Node B根据业务指派最大速率、保障速率、数据传输需求、用户信道质量等因素来调度业务并分配资源。目前, Node B的资源分配方式有两种:
竖切:资源分配的最小粒度为时隙;
横切:资源分配的最小粒度为码道, 所有HSDPA时隙的资源分配方式相同;
在这种资源分配方式下, Node B无法完全按照其数据传输需求对同时调度的业务分配资源。另一方面, Node B为了获得有效CQI, 至少64个TTI会对业务调度一次, 即每个业务至少占用1/64的调度机会。[2]如果HS-DSCH信道上承载了持续小流量业务, 就会因占用调度机会而影响调度效率, 进而影响高流量用户的数据传输速率, 降低了系统吞吐量。因此, HS-DSCH不适合承载持续小流量业务。
3G网络特有的HSDPA传输方式无法完全按照其数据传输需求对同时调度的业务分配资源。如果HSDPA信道上承载了持续小速率业务, 就会因占用调度机会而影响调度效率, 进而影响中高速率用户的数据传输速率。因此对于小速率业务采用小速率迁移策略, 将承载在HSDPA上的小速率用户迁移到DCH, 提高HSDPA的资源利用效率, 缓解小流量业务对网络负荷的冲击、提高其它用户的感知。
1. 小速率业务的识别
UTRAN要进行小流量业务迁移首先要识别出速率量业务, UTRAN主要有以下两种方式进行小速率业务的识别:
2. 小速率业务的迁移
在识别出承载在H载波上的小流量业务后还要进行HSDPA资源利用率的评估, 如果HSDPA资源处于预警状态则进行速率量业务的迁移, 否则小速率业务仍然由H载波承载。
当小区的HSDPA资源处于预警状态时, 可依次触发以下两个措施, 每次只选择一个业务进行调整:
(1) 将HSDPA频点上的R4业务迁移到R4频点上。
(2) 将小速率的HSDPA业务迁移到DCH信道上, 并以业务初始接入速率接入小区内的R4频点。
2.3针对中高速率数据业务的资源优化
对于中高速率数据业务旨在保障用户使用速率, 这需要中高速率用户尽可能的接入HSDPA载波。由于H载波接纳用户数量有限, 我们通过伴随信道帧分复用和H载波资源均衡两项优化措施提高H载波接纳用户的能力。
1.伴随信道帧分复用
调整前每个用户需占用2个码道作为伴随信道, 12个码道最多接纳6个用户;调整后, 两个用户通过时分复用的方式共享两个码道, 12个码道最多接纳12个用户。
2.H载波资源均衡
通过将HS-PDSCH信道由3个时隙调整为2个时隙, 增加伴随信道的数量, 提高接纳用户数。伴随信道数量由12个码道增加到28个码道, 接纳用户数从6个增加到14个。
两种优化措施的优缺点对比如下, 可根据不同网络状况自行选择。
2.4针对语音业务的无线资源均衡策略
对于语音业务, 首要任务是保障用户感知, 当3G网络资源利用率超过50%时, 语音业务用户感知下降明显, 针对这样的区域我们采用以下两种策略来平衡资源的使用情况, 以改善用户感知。
1.23G网络资源均衡
考虑R4资源的上、下行占用情况, 针对R4码资源利用率高的小区实施资源调整, 在R4频点的码资源占用率达到一定程度后 (目前取值60%) , 采取以下两项措施:
(1) 语音业务的2/3G切换。
(2) 对R4频点上的PS业务进行降速。
2.基于用户感知的网络驻留策略
多模式公交网络 篇6
城市拥堵问题的日益突出为公交发展提供了巨大空间。利用可编程器件设计实现具有多种功能的公交信息提示系统具有重要意义, 本文基于51单片机, 模拟了一种简单的智能公交系统, 为实际的城市公交信息平台建设提供一些思路。
1 总体设计方案
公交模拟报站系统由单片机主控模块、无线数传模块、液晶显示模块、电源供电模块等部分组成。
系统结构[1]如图1所示:整个系统都以单片机STC89C52RC作为系统的主控芯片, 由电源供电模块供电;模拟小车部分以自动循迹小车为载体, 使用红外对管检测站台黑线模拟到站, 并通过液晶显示出当前站台, 同时将位置信息发送给主控站台;模拟站台部分使用液晶显示线路上各车的位置, 并通过无线模块进行站台间数据的传递, 以达到每个站台都能准确显示出线路上各辆小车位置的功能。
如图1所示, 硬件整体结构中以圆圈模拟公交路线, 内圈为顺时针行驶线路, 外圈为逆时针行驶线路;实心矩形为线路两侧的站台, 中间的连线作为模拟小车到站的信号检测线;空心矩形为小车, 在路线上行驶。图中直线箭头表示无线模块的数据传输方向, 数据信号先由小车将数据传向主控站台, 再由主控站台处理后传向其他站台。
2 硬件设计
图2为硬件的整体结构图, 整个系统分为三部分:模拟小车, 主控站台和其它站台。整个系统通过多个无线模块[2]数据传输与多个单片机的数据处理, 能准确实现模拟公交报站功能。
2.1 单片机主控模块
采用STC公司的STC89C52[3,4]单片机作为主控制器。STC89C52是STC公司生产的一种低功耗8位微控制器, 采用外部时钟, 晶振频率可达12MHz, 具有32个通用IO口, 从速度和管脚数量两个角度来看, 可以达到本系统各个部分的要求。
本系统中, 模拟循迹小车部分使用单片机P0.0-P0.3作为红外对管信号接入引脚, P0.4-P0.7作为L298N电机驱动模块的信号给入引脚, 驱动模块中ENA与ENB与高电平短接;P2.0-P2.5与无线模块nRF24L01的6个信号口分别相连, 液晶1602的并行数据口与单片机P1.0-P1.7相连, RS、RW、EN分别连接至P2.6、P2.7、P3.4口, 并且P3.2管脚用于下降沿触发外部中断检测小车到站黑线。模拟站台部分均使用P2.0-P2.5管脚与无线模块nRF24L01的6个信号口分别相连, 液晶1602的并行数据口与单片机P1.0-P1.7相连, RS、RW、EN分别连接至P0.0、P0.1、P0.2。
2.2 无线模块
无线数传模块nRF24L01[5]是工作在2.4GHz到2.5GHz, 有6通道的无线收发集成模块, 具有功耗低、易编程等特点。无线模块nRF24L01工作电压为1.9V~3.6V之间, 需要使用AMS1117-3.3三端稳压芯片提供3.3V的稳压, 供给无线模块进行工作。本系统只使用了无线模块的通道1, 通过对无线模块数据传输特性的灵活应用, 迅速切换接收与发送模式, 实现了整个公交模拟系统的可靠运行, 其他通道也为之后其他功能的拓展提供了方便。
2.3 液晶显示模块
本系统的液晶显示采用M1602模块。该模块有两行、每行16个字符可以用来显示, 。小车液晶第一行显示小车编号“Number:1”, 第二行显示此时站台编号“Position:2” (以X1小车在2号站台为例) 。站台液晶显示第一行为站台编号“Positon:1”, 第二行显示最近的小车编号与最少站台数“Bus2 Distance 1” (以1号站台为例, 假设2号小车距离1站到达) 。
2.4 电源供电模块
根据该系统大部分硬件采用5V供电以及nRF24L01无线模块采用3.3V供电, 所以采用高性能可充电锂电池提供7.4V直流电, 再经三端稳压集成电路LM7805稳压, 形成5V直流电供给单片机。5V直流电经过AMS1117-3.3V三端稳压电路形成稳定的3.3V, 供给nRF24L01模块。
2.5 循迹小车
以STC89C52为主控芯片, 采用4个红外对管集成模块作为黑线探测器, 直线行驶时置于小车前部的4个红外对管中间两个位于黑线上, 左右两个用于检测白色路面, 若以1表示高电平, 0表示低电平, 则直线行驶时四个红外对管传给单片机的四位信号分别为0110。当线路出现拐弯时, 4个红外对管反馈的信号会发生变化, 例如, 若此时路线右拐, 则在小车还未改变直行的方向时, 红外对管传给单片机的信号可能是:0010或者0001。不难知道, 当传输信号为0010时, 小车偏离路线角度并不是很大, 向电机驱动模块L298N送给指令1000, 令右侧轮停止少许, 左侧轮前进, 即可以使小车向右小幅度转弯;当传输信号为0001时, 小车偏离路线角度较大, 可以向电机驱动模块L298N送给指令1001, 令右轮反转, 左轮正转, 实现原地逆时针旋转一定角度, 从而使小车尽快回到黑线位于中间两个红外对管的情况继续行驶。反之同理。
3 系统软件设计
3.1 模拟小车
程序首先初始化无线模块nRF24L01和液晶1602, 并以tx[0]=1标记1号小车, 同理tx[0]=2、tx[0]=3分别标记2号小车和3号小车, 并定义全局变量N记录本辆小车经过站台的位置信息。每辆小车都默认由1号站台出发, , 无论顺时针运行还是逆时针运行, 都以经过1号站台记录此时位置N=0。
由于STC89C52单片机中断数量有限, 所以在程序主循环中运行循迹程序, 当用于检测到站的红外对管检测到站台黑线时, 程序进入中断, 首先在中断子程序中先关闭外部中断, 向L298N电机驱动送给指令0000, 使小车停下。在中断程序中, 使全局变量N=N+1, tx[1]=N, 并且设置无线模块nRF24L01为发送模式, 发送数组tx[]。发送完毕后, 再次打开外部中断, 为小车下一次到站做准备。模拟1号小车程序流程如图3所示。
3.2 主控站台
程序初始化无线模块nRF24L01和液晶1602完成后, 主控站台始终处于等待接收状态。当主控站台数组Rx[]接收到来自小车发出的数组后, 通过读本地Rx[0]的数据, 判断是由第n号小车发来, 并将相应编号的小车的站台位置Rx[1]存放在需要发送给其它站台的数组Tx[]中的Tx[n]的位置上。然后把主控站台的无线模块配置成发送模式, 发送计算获得的数组Tx[], 此时, 已将线路上所有小车的位置信息由主控站台发送给了其他各个站台。
发送小车位置信息完成后, 主控站台单片机对Tx[]数组进行运算。因为主控站台是1号站台, 所有小车通过1号站台时位置信息数据N会被刷新为0, 所以通过D[n]= (4-Tx[n]) %4一个公式, 就可以计算得到再线路上的所有小车离站台剩余的站数D[n], 取所有小车离本站台剩余的站数的最小值并记为min, 并在液晶上显示出这个最小值min与其小车的编号n, 方便人们选择要换乘的公交方向。主控站台程序程流如图4所示。
3.3 其他站台
其他站台程序初始完成后, 无线模块nRF24L01经过配置始终处于等待接收模式。当其他站台无线模块接收到数据后, 单片机判断接收到的数组Rx[]的第一位的字符, 若不为字符‘p’, 则接收到的数组可以判定不是由主控站台传来, 而是由模拟小车传来, 对此次接收到的数据不予处理, 无线模块重新配置成等待接收模式, 等待下一次的数据传输到来。当Rx[]数组第一位为字符‘p’时, 标志着收到的数据是由主控站台传来的小车的位置信息数组, 读取这个数组并对其进行运算。
以2号站台为例, 当接收到数组Rx[]时, 不难发现, 可以分别使用公式D[1]= (5-Rx[1]) %4、D[2]= (5-Rx[2]) %4、D[3]= (Rx[3]+1) %4计算出离本站剩余站数最少的站数min。3号站台与4号站台与2号站台类似, 同样可以统计数据后得到一个可以通过数组中数据算出距离本站最少站数min与小车编号n, 在液晶上显示出最少站数min与小车编号n, 可以方便人们选择要换乘的公交方向。2号站台程序流程如图5所示。
4 结束语
本系统提出的一种多无线模块相互通信构建的公交模拟系统, 对无线模块数据传输灵活使用以及对单片机数组数据进行灵活操作, 使得整个系统能够准确地在每一站台显示出离此站剩余站数最少的公交车编号以及相距站数。该模拟系统的研究和实际应用也将为不断发展的公交系统的报站问题, 提供一种可用的解决方案。
参考文献
[1]陈蓓玉.基于光伏供电自动循迹小车的智能公交模拟系统研究[J].中国科技信息, 2013, 11:174-176.
[2]蔡向东.无线收发模块在多机通信中的设计与实现[J].吉林大学学报, 2006, 5:469-472.
[3]郭天祥.新概念51单片机C语言教程——入门提高开发拓展全攻略[M].北京:中国水利水电出版社, 2009.
[4]魏立峰, 王宝兴.单片机原理与应用技术[M].北京:北京大学出版社, 2006.
多模式公交网络 篇7
1.史上最强“掌上公交”——济南公交369出行APP正式上线。9月19日, 济南公交369出行APP正式上线, 该系统包括来车预报、换乘查询、公交卡充值、出行设计、i服务、公告、机票查询、火车票查询、帮助共九大功能模块, 对改善济南交通基础设施、加快城市化进程、转变市民出行方式、推动城市转型, 都起到了很大的推动作用。
2.“梦回济南府”——济南公交游777路铛铛车旅游观光线路正式运营。9月30日, 以“梦回济南府”为主题的5部“民国风”铛铛车在济南市公共交通总公司所属的游777路正式运营。本次使用的复古式铛铛车, 以“梦回济南府”为主题, 设置12站, 沿护城河呈逆时针环绕式运行, 沿途讲解18处名胜古迹, 人文景观;向游客提供“七十二名泉”系列明信片式特色车票, 提供车载邮政服务;泉城义工将在车厢内表演“老济南说济南”特色节目。
3.济南公交首条通勤快速巴士T3线开通。为更好地满足市民高峰时期通勤出行需求, 济南公交在广泛调研客运市场的基础上, 利用手机大数据分析居民出行需求, 于9月21日推出服务于大众的首条通勤快速巴士T3线, 充分利用公交专用道优势, 为市民提供点对点、准时、方便快捷的通勤出行服务, 提高运行速度, 倡导市民放下私家车, 降低高峰时段私家车的使用率, 缓解交通拥堵。
4.西客站片区首条社区公交523路开通。9月21日, 济南公交开通西客站片区首条社区公交523路公交线, 进一步加强了西客站片区与腊山立交桥客流集散点、经十路、二环西路客运走廊的联系, 提升了艺术中心三馆和省会大剧院的公交服务水平, 填补了烟台路、潍坊路、清源路等路段公交空白。
5.K52路试验应用支付宝公交专用支付二维码刷卡乘车。9月22至12月31日, K52路试验应用支付宝公交专用支付二维码刷卡乘车n利用支付宝乘坐公交车的移动支付方式, 可以替代现金投币, 给乘客带来更多的便利。
6.优化调整部分公交线路。原10路支线由洪家楼开往十里堡, 线路优化调整后由柿子园村开往洪家楼, 柿子园村设为主站;319路同步停运。原322路由洪家楼开往潘新, 线路优化调整后由柿子园村开往洪家楼, 柿子园村设为主站。线路配车、日班次、运行时间、票价不变, 继续执行守时公交线路。516路、517路调整为守时公交, 提升唐冶片区公交服务水平。
7.开展服务进社区活动。9月24日上午9:00-11:00, 所属各营运分公司在王官庄小区等7处社区开展服务进社区活动, 围绕公交周“优选公交绿色出行”活动主题, 布设展台展板、宣传推广369出行APP、征集市民建议、发放便民乘车图等。
8.发售“公交出行宣传周”周票卡。周票卡每张售价20元;本卡无押金, 不可反复充值, 使用期限为9月19日至25日;市民持卡可乘坐2元及以下线路, 有效期内乘车不限次数;每次乘车时每卡仅限刷卡一次。周票卡过期后, 乘客可留作纪念, 也可在乘车时将该卡投入票箱, 享受免费乘车一次。
多模式公交网络 篇8
公交是一种高效利用道路资源的交通方式。世界上大城市公交系统承载的居民出行比重平均在50% ~60%,而我国大部分城市的公共交通出行比例不足30%[1]。换乘的不便使得我国公交对小汽车出行者的吸引力不强。有研究表明公交换乘是影响公交出行率的几个主要因素之一[2]。换乘在公交出行中又是非常常见的,如纽约有约36%的公交出行至少需要换乘一次,慕尼黑和巴黎有70%的公交出行至少需要一次换乘、40% 的公交出行换乘次数超过一次,伦敦有约30% 的公交出行至少需要一次换乘[3]。出行者特别是通勤出行者的换乘时间价值比在车时间价值要大2~3倍,同时公交需求量对换乘时间的敏感性要比在车时间高1倍[4]。因此,公交的同步换乘协调优化是提高公交吸引力的重要手段。
公交同步换乘协调优化问题已受到国内外学者的广泛关注。Ceder等[5]以最大化公交车同时到达换乘站的次数为目标,构建了混合整数规划模型,并设计了启发式算法,但这种同时到达的调度较为苛刻。Eranki[6]在Ce-der的基础上设定了一个换乘等待时间范围,在此范围内进行的换乘定义为同步换乘。而刘志刚等[7]则定义了一个协同系数来衡量公交同时到达车站的程度。石琴等[8]以车辆相遇总次数最大及总相遇点数最小为目标,研究了最大同步换乘的公交区域调度优化问题,但这种求总相遇点数最小的方法,会减少其他换乘站车辆相遇的次数,对其他换乘站的换乘造成不利影响。陈霞等[9]通过构建公交线网协同调度换乘复杂网络,以路网换乘点换乘车辆数最大作为优化目标,从路网结构层面提出换乘点换乘权重系数,建立了公交线网协同调度时刻表模型。Ibarra-Ro-jas O J等[10]以最大化同步的数量为目标,在给定同步换乘时间窗口下,研究了时刻表编制问题。Ang A,McIvor M[11]以直接换乘数量最大及总旅行时间的波动最小为目标,对比分析了滞站、越站策略增加直接换乘的情况。Nesheli M M,Ceder A[12]考虑同步换乘的数量及旅客出行时间,以总旅行时间最小为目标,研究了不同调度策略下公交同步换乘问题。上述研究大部分只考虑了换乘的同步性,没有考虑为其他乘客的等待时间及公交运营的成本。
本文综合考虑上述因素,以同步换乘人数最大、乘客总等待时间最小及公交车平均满载程度最大为目标,建立多目标公交同步换乘协同调度优化模型;采用基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。
2 问题描述
由于公交系统中固有的不确定性,很难调度有换乘关系的公交车同时到达换乘站,而在一个允许的换乘等待时间范围内进行换乘更具合理性。若一辆公交车到达换乘站的时刻与另一辆与其具有换乘关系的公交车出发时刻之差在某一个同步换乘时间窗口内,则称该辆公交车在该站可同步换乘另一辆公交车。在换乘时间窗口内的同步优化提高了不同线路之间的互动性、也为公交调度人员提供了更多的调度弹性。
由于公交系统中有多个换乘站,公交线路间存在多个换乘关系,可能会出现两辆公交车在一个站具有同步换乘,而在另一个换乘站却无法实现同步换乘,因此在衡量同步换乘时,不能以同步换乘的车站数量进行简单衡量,而应该考虑换乘站换乘旅客的数量,尽量使同步换乘的旅客数量最多。此外,公交运营管理者为了降低经营成本,往往会增大发车间隔,这会使得乘客在站等候时间增加,因而在进行公交调度时还需要综合考虑公交满载程度与乘客等待时间。
3 模型的建立
模型建立时考虑以下假设:
(1)公交线路上的车辆不存在超车情况;
(2)模拟期间,各公交线路的配车数满足派车数量要求。
3.1 符号及变量说明
L={l|l=1,2,…,N}为公交线路,N为公交线路数量,其中上下行线路分别表示;
V={Vl|l∈L}为公交站点集合,其中为线路l上的站点集合,vl0为停车场,ml为线路l的站点数量;
为换乘站点对集合,表示公交线路l1,l2在站点可以进行换乘;
B={Bl|l∈L}为公交车集合,表示公交线路l上的公交车集合,dl为公交线路l模拟期间的发车数;
表示公交车blk的载客能力,blk∈Bl,l∈L;
表示vli站公交车blk的乘客到达率及下车率;
表示公交线路l1在站点换乘l2线路的概率;
分别表示公交车blk在vli站的上、下车人数;
表示vli站未能上公交车blk的人数;
表示在vil站停站时公交车bkl上的乘客数;
g(bkl)表示公交车bkl的满载程度;
表示从公交站点vli-1至站点vli的行驶时间,i=1,2,…,ml,l∈L,当i=1时,表示公交车从停车场到始发站点的时间;
表示公交车blk在vli站的停站时间,blk∈Bl,vli∈Vl,l∈L;
w1,w2表示同步换乘的时间窗口;
表示公交车bkl从停车场发车的时刻,bkl∈Bl,l∈L;
表示公交车bkl到达车站vil的时刻;
T1,T2表示公交调度模拟时间窗口;
h1,h2表示模拟期间的最小及最大发车间隔;
为0,1变量,线路l1上的第k1辆公交车在是否可同步换乘l2上的第k2辆公交车.
3.2 公交车运行过程分析
(1)停站时间分析
公交车在车站的停站时间主要受车辆的停车、启动及乘客上下车的影响。Zolfaghari等[13]认为发车间隔不太大时,公交车的停站时间可以用线性方程近似表示。公交车的停站时间主要由两部分组成,分别为车辆的停车、启动及开关车门时间,乘客上车及下车时间,本文采用下式估算公交车的停站时间:
其中,c0表示车辆的停车、启动及开关车门时间,c1,c2分别表示每名乘客下车及上车时间参数。
高洁[14]通过调查分析发现开、关门时间一般为1~3秒,在直线式公交停靠站公交车进站停车时间一般在4~8秒,车辆离站启动时间一般在6~15 秒,每名乘客上车时间在2.6~3秒,下车为1.7~2秒。根据上述结果,本文分别取c0=0.27,c1=0.03,c2=0.05(分钟)。
(2)公交车到站时刻分析
公交车到达始发站的时刻为发车时刻与从停车场至始发站点的走行时间之和,即:
公交车到达非始发站的时刻为公交车到达上一站时刻与在上一站停站时间及上一站至本站走行时间之和,即:
3.3 公交车状态分析
(1)公交车上下车人数
公交车blk上的乘客在车站vli的下车人数为该站下车率与公交车上的乘客数之积,即:
乘客在车站的上车人数为公交车剩余容量与该站本时间段需要上车人数的较小值。该站本时间段需要上车人数包括前一辆公交车至本辆公交车到达时间段内陆续到达的乘客数、未能上前一辆公交车的乘客数及换乘本辆公交车的乘客数。在车站vli的上车人数可表示为:
(2)公交车上的乘客数
公交车上的乘客数为上一站公交车上的乘客数减去上一站下车乘客数加上一站上车乘客数,即:
(3)满载程度衡量
满载率一般可用车内实际的乘客数与车辆定员的比值来表示。可构建以下效用函数对满载率进行评价:
其中,α表示成本参数;β表示强度系数。本文取α=40,β=10。
3.4 乘客等待时间分析
(1)车站未能上车人数
车站未能上车人数为该站本时间段内需要上车人数减去实际上车人数,即:
(2)乘客候车等待时间分析
Larsen和Sunde[15]认为乘客平均候车时间为发车间隔的一半。如果公交车已经满载,乘客还需要等下一辆公交车,因此,乘客等待时间包括随机到达乘客的平均等待时间及未上车乘客的额外等候时间,即:
3.5 多目标公交同步换乘协同调度优化模型
根据上述分析,构建公交车同步换乘协同调度优化模型如下:
其中,式(10)表示最大化同步换乘人数,式(11)表示最小化乘客总候车等待时间,式(12)表示最大化公交车平均满载程度,式(13)为调度时间段约束,式(14)为公交车容量限制约束,式(15)为发车间隔限制约束,式(16)为同步换乘条件约束,式(17)为0-1变量约束。
4 模型求解算法
4.1 基于小生境共享竞争复制算子的遗传算法
(1)染色体的构造
CH=(ch1,chc,…,chN)表示一个染色体,N为公交线路数量,其中基因表示线路l上各公交车的发车时刻,发车时刻满足约束条件(13)及(15)。
依据约束条件(13)及(15),一个染色体的产生过程如下:
Step1:i=1;
Step2:如果i大于N,则终止,否则,k=1,转至Step3;
Step3:产生服从均匀分布u(h1,h2)的随机数u1;
Step4:如果k=1,则,否则,若,k =k+1转至Step3;否则,i=i+1,转至Step2;
随机产生pop_size个染色体,得到初始种群。
(2)选择操作
在不掌握任何偏好信息的情况下,可为决策者提供Pareto解。当产生了初始种群及每次迭代后,设种群中的Pareto解集为P.进行选择操作时,本文设计一种基于小生境的染色体竞争复制技术,无需计算染色体的适应值。其方法如下:
Step1:从Pareto解集P中随机选取size个染色体放入当代种群中,形成pop_size+size个染色体作为选择母体;
Step2:从选择母体中随机选择一对染色体CH1,CH2;
Step3:若CH1,CH2中有一个是Pareto解时,将其选作下一代染色体,若CH1,CH2均为Pareto解,或均为支配解,则依据Step4,Step5 的小生境数确定下一代染色体;
Step4:求小生境半径,设d1,d2,d3为选择母体中目标函数z1,z2,z3的最大值与最小值之差,小生境半径可表示为,θ为常数,一般取2~4;
Step5:为了保持群体中染色体的多样性,选择小生境内染色体少的进入下一代:统计CH1,CH2为中心的小生境内染色体数k1,k2,若k1<k2,则选CH1进入下一代,若k1>k2,则选CH2进入下一代,若k1=k2,随机选择一个进入下一代。
(3)基因交叉
按交叉概率Pc从父代选择一些染色体,两两分组,并对每组染色体进行如下操作:随机产生一个1到N的正整数,表示进行交叉的公交线路;将两条染色体中该公交线路的基因进行交换,从而得到两条新的染色体。
(4)变异操作
对pop_size个染色体以变异概率Pm进行变异:随机产生一个1到N的正整数,表示进行变异的线路;对被选择变异线路的基因,随机产生两个变异位置n1和n2,并重新产生其发车时刻,从而得到一条新的染色体。
4.2 Pareto解集的决策优选
信息熵法可反映目标信息熵值的效用价值,避免了人为的影响因素。利用遗传算法得到Pareto解集后,可以采用信息熵法对Pareto解集中的解进行决策优选,为公交调度提供参考。
利用信息熵法对Pareto解集中的解进行决策优选的计算过程如下:
Step1:写出Pareto解集的决策矩阵MAP×3,并对目标进行规范化,得到规范化矩阵Rij= [rij]P×3;
Step2:对规范化矩阵Rij进行列归一化运算,得归一化矩阵Hij= [hij]P×3;
Step3:计算第j个目标的熵值:
当hij=0时,令hijlnhij=0;
Step4:计算第j个目标的权重系数:
Step5:计算解i的综合目标值:
根据计算得到的综合目标值,按照从大到小进行排序,排在前面的解为综合效果较好的解。
5 算例分析
某区域内有四条公交线路,如图1所示。调度模拟时间窗口为8:00~8:30,最小及最大发车间隔h1,h2分别取3min及10min,同步换乘的时间窗口w1,w2分别为1min及5min,公交车载客能力为100人。主要换乘关系如表1所示,公交线路的站点及运行参数如表2所示。
运用本文设计的遗传算法及Pareto解集的优选方法计算,计算得到的Pareto解集及其目标值如表3 所示。Pareto解集中方案5的综合目标值最大,其线路发车时刻及运行状态如表4所示。具有同步换乘关系的车辆如表5所示。而采用固定发车间隔调度模式,本算例发车间隔在3min至10min间均未出现同步换乘情况。由此可见,本文设计的模型可以体现乘客的同步换乘问题。
5 结论
公交的同步换乘协调优化是提高公交服务水平的重要手段。本文综合考虑乘客及公交运营管理者两个方面,建立了多目标公交同步换乘协同调度优化模型,设计了基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。算例分析表明本模型在公交的同步换乘调度方面是合理可行的,但未模型未考虑滞站、越站等其它公交调度策略对同步换乘的影响,需要在今后进一步深入研究。