بررسی نقش رایانش مه در ساخت سیستم های حمل و نقل هوشمند

رایانش مه (Fog Computing) مفهوم جدیدی در دنیای فناوری و ارتباطات است که در آن رایانش ابری جهت کاهش تاخیر و ازدحام در شبکه به لبه ­های شبکه تعمیم می­ یابد. تاخیر و اتلاف ناشی از انتقال اطلاعات به ابر و سپس بازگرداندن آن تاثیری جدی روی کارایی سیستم­ های حمل و نقل هوشمند دارد. اطلاعات موجود در ابر به خاطر حجم زیاد با استفاده از مدل­ های پردازشی دسته ­ای پردازش می­شوند که برای کارهای بلادرنگ مناسب نیستند. اما زیرساخت رایانش مه امکان دسترسی سریع به اطلاعات و پردازش فوری آن­ها را فراهم می­کند. بدین جهت در این مقاله بر آنیم ضرورت استفاده از مه در سیستم ­های حمل و نقل هوشمند را ارائه نموده و تاثیر آن را در مدیرت ترافیک بررسی ­کنیم.

امروزه سیستم‌های حمل و نقل هوشمند برای مدیریت و کاهش ازدحام ترافیک در تقاطع ­ها از پیشرفت ­های فنّاوری بدست آمده در زمینه­ رایانش، ذخیره و ارتباطات بهره می­برند. اینترنت اشیاء روشی جدید و آینده محور برای توسعه مدیریت ترافیک هوشمند فراهم می­کند و بعنوان شبکه ­ای از اشیاء فیزیکی مانند دستگاه ­ها و وسایل نقلیه مجهز به حسگرهای متصل به اینترنت را که برای تبادل و جمع ­آوری داده­ های شهری مورد استفاده قرار می ­دهند مطرح است. اين اجسام براي ايجاد كاربردها يا خدمات جديد و دست­يابي به اهداف مشترك با يك­ديگر به شکل تعاملی ارتباط برقرار مي­كنند. در سیستم ترافیک هوشمند مبتنی بر اینترنت اشیاء بطور پیوسته داده‌هایی از جمله تعداد وسایل نقلیه و اطلاعات ترافیکی به کمک حسگرها و دوربین­ های ترافیک موجود در جاده ­ها جمع ­آوری می­شوند. انتقال آن­ها از طریق لایه­ ی میانی که توسط شبکه ­ی ابری میزبانی می­شود صورت می­گیرد و در فضای ابری در قالب داده‌های حجیم ذخیره می­شوند و برای پیش­بینی ازدحام ترافیک با استفاده از الگوریتم­ های یادگیری ماشین مانند درخت­ های رگرسیون و فیلترهای کالمن مورد تحلیل و بررسی قرار می­گیرند.

ابر تلفیقی از توسعه کامپیوتر و فناوری­های سنتی است. قابلیت رایانشی بستر ابر مشکل محاسبه مقدار زیادی از خدمات را حل کرده است. از مزایای آن می­توان به ظرفیت قدرتمند رایانشی، مجازی‌سازی، قابلیت اطمینان و شفافیت بالا اشاره کرد. اما انتقال حجم عظیمی از داده‌های تولیدشده توسط حسگرهای تعبیه‌شده در وسایل نقلیه و توزیع‌شده در سطح شهر به ابر جهت انجام فرآیند تجزیه و­ تحلیل مستلزم پهنای باند بسیار زیادی است. اغلب پردازش این داده‌ها باید به‌صورت بلادرنگ انجام شود و اقدامات اصلاحی تا زمانی­که هنوز اطلاعات­ مفید و باارزش است بلافاصله صورت گیرد. در نتیجه نیاز به یک تکنولوژی جدید محسوس می­شود. رایانش در مه که در حقیقت یک پلتفرم مجازی توزیع شده است در این راستا معرفی شده است که امکان پردازش، ذخیره­ سازی و قابلیت­ های ارتباطی را بین ابر و لبه شبکه فراهم می­کند. در این بستر رایانش ابری جهت کاهش تأخیر و ازدحام در شبکه به لبه­ های شبکه تعمیم می­یابد. هر تجهیزی با دارا بودن اتصال شبکه، ذخیره و رایانش می‌تواند یک گره مه باشد. بطور مثال در سناریوهای ترافیکی چراغ راهنما، واحد کنار جاده (RSU) و ایستگاه پایه (Base Station) بعنوان گره مه در نظر گرفته شده است.

حسگرها پس از جمع ­آوری اطلاعات آن را برای گره ­های پردازشی مه ارسال می­کنند. با حذف مسیر ارسال اطلاعات به ابر پردازش و تحلیل در لبه شبکه توسط گره ­های مه انجام می­شود. پس از جمع ­آوری داده‌های مربوط به منطقه دارای ازدحام توسط مه داده ­های تاریخی در بازه ­های زمانی مختلف به ابر ارسال می­شوند. تجزیه و تحلیل داده‌ها با تکیه بر روش‌های یادگیری ماشینی و تحویل نتیجه پردازش به مه سیستم مدیریت ترافیک هوشمند را قادر به پیش‌بینی ترافیک خواهد نمود. پردازش داده ­های ترافیکی جمع ­آوری شده مربوط به هر منطقه با توجه به ویژگی­ های محیطی مربوط به آن منطقه می­تواند در پیش­برد اهداف سیستم مدیریت ترافیک هوشمند مثمر ثمر باشد.

تاثیر مه در مدیریت ترافیک

مسائل و مشکلات حمل و نقل از قبیل ازدحام ترافیک، آلودگی­ های زیست محیطی، افزایش مصرف سوخت و تصادفات ترافیکی از جدی­ترین مشکلات موجود است. ازدحام ترافیک وضعیتی در شبکه­ های حمل­ و ­نقل است که با کند شدن سرعت، طولانی­تر شدن زمان سفر و افزایش صف وسایل نقلیه مشخص می­شود.

ازدحام ترافیک در حوزه حمل و نقل به عنوان یک مسئله جهانی به ویژه در مناطق شهری شناخته شده است. یکی از عوامل موثر در ازدحام ترافیک افزایش جمعیت انسان است و متعاقب با آن افزایش استفاده از وسایل نقلیه شخصی باعث می­شود مدیریت بهینه ترافیک شهر به یک مسئله جدی تبدیل شود. با توجه به این­که زیر­ساخت جاده موجود بر اساس نیاز و استانداردهای زمان­ های گذشته ساخته ‌شده‌اند توانایی تحمل حجم زیاد ترافیک را نخواهند داشت. هم­چنین ظرفیت جاده ­ها به دلیل عواملی مانند کمبود فضا برای ساخت جاده ­ها­ی جدید و بالا بودن هزینه ­ها به‌راحتی قابل توسعه نیست. بنابراین نیاز به یک زیرساخت هوشمند که از حسگرها، فناوری ارتباطات و تجزیه و تحلیل داده بعنوان فراهم ­کننده مدیریت سیستم حمل و نقل موثر استفاده می­کند محسوس می­شود.

تصادفات ترافیکی از جمله عوامل بسیار مهم در مرگ­ و میر، آسیب، هزینه ­های مالی، آلودگی و ازدحام است. بر اساس آمار سازمان جهانی بهداشت سالانه 1 میلیون و 250 هزار نفر در تصادفات ترافیکی جان خود را از دست می­دهند که می­تواند یک زنگ خطر برای سلامت بشر باشد. هم­چنین علت اصلی مرگ­ و میر جوانان بین 15 تا 25 سال تصادفات ترافیکی اعلام شده است. طبق پیش‌بینی‌های انجام‌شده سازمان جهانی بهداشت درصورتی‌که تصمیمات مناسبی گرفته نشود، تصادفات ترافیکی تا سال 2030 میلادی به هفتمین عامل اصلی مرگ ­و­ میر در جهان تبدیل خواهد شد. سیستم­ های حمل ­و نقل هوشمند برای پیش­گیری از ازدحام و بهبود بهره ­وری سیستم­ های حمل ­و نقل فعلی تلاش می­کند. مسائلی که در طراحی سیستم­های حمل­ و نقل هوشمند باید در نظر گرفته شود حجم بالای داده ­های تولید شده توسط سنسورهای تعبیه شده در وسایل نقلیه و مستقر در سطح شهر است که به ذینفعان تحویل داده می­شود. هم­چنین لازم است زمان پاسخ خروجی­ های سیستم کوتاه نگاه داشته شود یعنی در حالی­که هنوز اطلاعات بدست آمده مفید هستند باید به گیرندگانی که قبلا تایید شدند برسند. بمنظور غلبه بر چنین مسائلی رایانش در مه بوجود آمد.

مه و ابر هر دو اطلاعات، رایانش، ذخیره ­سازی و خدمات برنامه کاربردی کاربران نهایی را فراهم می­کنند اما مه در حقیقت پارادایم گسترش رایانش ابری و ارائه ­ی خدمات به سمت لبه شبکه و نزدیک به کاربران نهایی است.

بمنظور بررسی ضرورت استفاده از مه سه سناریو بررسی می­شود:

تصور کنید هر وسیله نقلیه روزانه در بازه‌های زمانی مختلف اطلاعاتی مانند موقعیت، سرعت، مسیر جاری، زمان و شماره شناسایی خود را جهت کنترل ترافیک به اشتراک می‌گذارد. لذا با توجه به تعداد زیاد این اقلام و هم­چنین تعداد وسایل نقلیه داده­ هایی با حجم و سرعت بالا تولید می­شوند. حسگرهایی که اطلاعات مربوط به ترافیک را جمع ­آوری می­کنند قابلیت ارتباطی با پهنای باند بالا را نداشته و ممکن است داده­ ها را در بازه ­های زمانی مشخص جمع­ آوری کنند. بنابراین با توجه به حجم زیاد این داده‌ها، انتقال آن‌ها از لبه به ابر عملی نخواهد بود. هم­چنین به دلیل عدم نیاز به ذخیره­ سازی و پردازش بسیاری از تحلیل‌های مهم در مقیاس ابر، این انتقال غیرضروری خواهد بود.

در سناریو دوم تصور کنید یک وسیله نقلیه با سرعت 64 کیلومتر بر ساعت ( معادل 1.7 متر بر ثانیه) در حال حرکت است. پس از پیش‌بینی برخورد عابر پیاده با این وسیله نقلیه لازم است داده­ های کنترلی به‌سرعت به چراغ­ های راهنما منتقل شوند لذا درصورتی‌که این زمان انتقال داده به طول ­انجامد پیامد­های ناگواری در پی­ خواهد داشت. برای پیش­گیری از وقوع تصادف، سیستم باید در عرض چند میلی ­ثانیه واکنش نشان دهد. بدین­ گونه نقش یک مدل رایانشی جدید در حمایت از برنامه­ های تأخیر کم نشان داده می­شود. پیش­گیری از تصادفات در مقایسه با سایر نیازمندی‌ها از اهمیت بالاتری برخوردار است.

در سناریویی دیگر دوربین­ های ترافیکی نزدیک شدن یک آمبولانس را تشخیص می­دهند. اگر این دوربین ­ها بتوانند به طور خودکار چراغ­ های راهنمایی در طول مسیر آمبولانس را جهت باز کردن جاده تغییر دهند تا مسیری عاری از ترافیک را برای این وسیله نقلیه فراهم کنند آمبولانس سریع­تر به مقصد می­رسد. پردازش داده به منظور پیش­گیری از تصادفات و اولویت دادن به وسیله نقلیه اضطراری در سیستم مبتنی بر ابر زمان­ بر خواهد بود. از آن­جا که چنین سیستمی نیاز به قابلیت بلادرنگ دارد، رایانش بایستی تنها در چندین میلی­ ثانیه انجام شوند. لذا با توجه به تفاوت زمان پاسخ میان سیستم ابر و انجام رایانش در لبه شبکه لازم است در چنین شرایطی انجام پردازش‌های حساس به لبه‌های شبکه منتقل شود.

نزدیک شدن فرآیند تجزیه ­و ­تحلیل داده­ های جمع‌آوری‌شده از حسگرها به لبه شبکه باعث شد تا حجم داده‌هایی که باید به ابر ارسال شود کمتر شده و میزان تأخیر بطور قابل‌توجهی کاهش یابد و با کاهش جابه­ جایی داده در شبکه باعث کاهش ازدحام در آن نیز می­شود.

چالش­ های سیستم­ های حمل و نقل هوشمند

در این بخش در خصوص ویژگی‌های یکتای برنامه ­های حمل و نقل هوشمند بحث کرده و چالش‌هایی را مطرح خواهیم نمود که حل آن‌ها با رویکردهای موجود تا حدود زیادی دشوار است.

• ناهمگنی: سیستم ­های حمل و نقل هوشمند اغلب شامل انواع مختلفی از دستگاه­ ها با قابلیت­ های رایانشی مختلف مانند واحدکنارجاده، تیرچراغ­ برق­، چراغ راهنمایی، دوربین ­ها، ایستگاه پایه، حسگر خودروهای روی جاده و هم­چنین حسگرهای کنار جاده هستند.
• ماهیت پویا: قابلیت­ ها و ماهیت دستگاه ­ها مانند حرکت وسایل نقلیه در طول زمان تغییر می­کنند.
• هماهنگی مقیاس بزرگی از سیستم­ های حمل ­و ­نقل هوشمند: سیستم­ های حمل­ ونقل هوشمند شامل عناصر زیادی است که در مقیاس وسیعی پراکنده شده­ اند. بنابراین نیاز به منابع رایانشی و ذخیره­ سازی توزیع شده محسوس می­شود.
  

مزایای رایانش مه در سیستم حمل ­و ­نقل هوشمند

ایده پارادایم مه، حرکت منابع آن به سمت لبه شبکه است. نزدیک شدن فاصله منابع به کاربر نهایی تا حد ممکن فوایدی را برای سیستم حمل و نقل هوشمند به ارمغان می ­آورد مانند:

• دسترسی غالب بی­سیم: سیستم ­های حمل ­و نقل پیشرفته به شکل قابل توجهی مبتنی بر ارتباط بی­سیم هستند.
• توزیع جغرافیایی گسترده: سیستم­ های حمل­ و نقل هوشمند سنسورهای توزیع شده جغرافیایی دارند.
• تعامل بلادرنگ: سیستم­ های مسیریابی نیازمندی­ های بلادرنگ دارند تا بتوانند وسایل نقلیه را قبل این­که وارد ناحیه ­ی دارای ازدحام شوند به مسیر مناسب هدایت کنند. با هدایت به موقع وسایل نقلیه و انتخاب مسیر مناسب به راحتی می­تواند از ازدحام جلوگیری کند.
• تحرک­ پذیری: یک سیستم­ حمل­ و نقل هوشمند برای بهینه ­سازی تحرک­ پذیری وسایل نقلیه در سطح شهر استفاده می شود هرچند سیستم­ های حمل ­و نقل هوشمند از اهرم تحرک ­پذیری در جهت عملیات تحویل داده به ذینفعان بهره می­برد.
• مقیاس­ پذیری: با توجه به بالا بودن تعداد وسایل نقلیه در سیستم­ های حمل و نقل هوشمند لازم است این سیستم مقیاس ­پذیر باشد.
• توسعه ­پذیری: با رشد شهر سیستم ­های حمل­ و نقل هوشمند بایستی توسعه ­پذیر باشند و برنامه­ های کاربردی سریع­تر و راحت ­تر گسترش یابند.
• زمان تاخیر کم: داده­ های ترافیکی بسیار حساس هستند پردازش باید در واحد میلی ثانیه انجام شود مانند داده ­ها برای سیستم مسیریابی دوباره و تصادفات ترافیکی.
• تحلیل بر خط و اثر متقابل با ابر: مه نقش قابل توجهی در مصرف و پردازش داده های نزدیک به منابع ایفا میکند.
• حفظ منابع شبکه: حجم داده ­هایی که تولید می­شوند تاثیر مستقیمی روی پهنای باند شبکه دارند. زیرساخت توزیع شده مه نیاز به افزایش پهنای باند جهت ارسال اطلاعات ترافیکی به ابر برای انجام فرآیند تجزیه و تحلیل از بین خواهد برد. در نتیجه اطلاعات به صورت محلی در نزدیکی تجهیزاتی که آن­ها را تولید کرده ­اند تحلیل می­ شوند. هم­چنین استفاده از ظرفیت ذخیره­ سازی با ارسال اطلاعات مربوط به ابر موثرتر خواهد بود.
• اتصال هر پروتکل یا دستگاه.
• تکنیک­ های حفظ حریم خصوصی و کاهش نگرانی­ های امنیتی: داده‌ها به صورت محلی تجزیه و تحلیل می‌شوند و نیاز نیست حجم وسیعی از داده ­ها به ابر ارسال شوند بنابراین با کاهش جابه ­جایی داده خطرات امنیتی کمتری سیستم را تهدید خواهد کرد.

نتیجه­ گیری

سرمایه گذاری در صنعت، پژوهش­ ها و برنامه­ های کاربردی در رایانش مه به طور چشم­گیری در سال­های اخیر افزایش یافته است. این تکنولوژی با انتقال تجهیزات به لبه شبکه باعث کاهش پهنای باند و کاهش هزینه ­ی تجزیه و تحلیل داده­ های حساس به زمان می‌شود. با توجه به فراگیر بودن مشکل ترافیک هم در بعد زمان و هم در بعد مکان امروزه تحقیقات گسترده ­ای در این زمینه انجام می­شود تا کیفیت زندگی شهرنشینی را افزایش دهد. با توجه به تأثیر مدیریت ترافیک در بهبود زندگی شهرنشینان سیستم مدیریت ترافیک مبتنی بر مه امکان شناسایی، پیش‌بینی، مدیریت بهینه و ایده­ آل معضلات ترافیک را فراهم می­کند. درنتیجه می­تواند عملکرد بهتری در زمان جابه­ جایی شهروندان، کاهش انرژی، هزینه­ و آلودگی­ های زیست ‌محیطی را ارائه دهد. دقت و سرعت موجود در راه­کار اخیر ازجمله مزیت­ های عمده آن محسوب می­شود. در نهایت می­توان نتیجه گرفت که بهینه ­سازی مدیریت ترافیک هوشمند با استفاده از رایانش مه راه حل امیدوار کننده ­ایی برای بهبود جمع ­آوری اطلاعات ترافیکی، کاهش هزینه، کاهش مصرف انرژی، منابع و پیاده سازی طرح می­ باشد. با توجه به مطرح بودن بحث رایانش مهی، امیدواریم در این زمینه تحقیقات به روز ارائه شود.