CN104424189B - 基于云平台的定位解算方法和系统 - Google Patents

Abstract

本发明公开了一种基于云平台的定位解算方法和系统，涉及定位领域。本发明对于海量定位请求，将每个定位请求转换为每个用户的定位解算任务，并且采用MapReduce并行计算技术同时执行定位解算任务，然后同时输出每个定位解算任务相应的定位结果，从而提高定位解算系统的并发处理能力，为数百万用户提供定位服务。

Description

基于云平台的定位解算方法和系统

技术领域

本发明涉及定位领域，特别涉及一种基于云平台的定位解算方法和系统。

背景技术

定位数据解算系统需要采集室内外海量定位数据，定位数据的存储规模往往高达TB（Terabyte，万亿字节）级别，并且还需要为数百万用户提供定位服务。如何实现海量数据的存储，并且及时响应数百万甚至更多用户的并发定位服务请求，是定位数据解算系统面临的技术挑战。

传统的定位解算技术采用的是主机方案，即小型机+磁盘阵列的方案，单个小型机的CPU和内存能力有限，而且还有网络和硬盘I/O瓶颈，因此并发处理能力不足。

由于传统主机方案的处理能力有限，只能支持数百个用户的并发定位服务请求，不适用于海量定位数据解算系统。

发明内容

本发明实施例所要解决的一个技术问题是：解决现有定位数据解算系统并发处理能力不足的问题。

根据本发明实施例的一个方面，提出一种基于云平台的定位解算方法，包括：接收输入的海量的定位请求；将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务；同时输出每个定位解算任务相应的定位结果。

所述采用MapReduce并行计算技术同时执行定位解算任务包括：读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息；扫描楼宇数据表，通过接入点地址信息定位出楼宇标识；基于定位出的楼宇标识，进行指纹匹配；根据指纹匹配结果解算出最优定位结果。

所述楼宇数据表采用行存储HIVE数据表，数据结构为：字段={接入点地址信息，接入点地址信息所在的楼宇标识}。

所述基于定位出的楼宇标识，进行指纹匹配包括：基于定位出的楼宇标识，判断该楼宇是否为热数据，如果该楼宇是热数据，在内存中进行指纹匹配，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

基于云平台的定位解算方法还包括：采用MemoryCache数据缓存技术，将热数据加载到内存中。

所述指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，列为接入点地址信息，列值为接入点场强信息。

根据本发明实施例的再一个方面，提出一种基于云平台的定位解算系统，包括：输入单元，用于接收输入的海量的定位请求；解算单元，用于将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务；输出单元，用于同时输出每个定位解算任务相应的定位结果。

所述解算单元，具体用于：读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息；扫描楼宇数据表，通过接入点地址信息定位出楼宇标识；基于定位出的楼宇标识，进行指纹匹配；根据指纹匹配结果解算出最优定位结果。

所述楼宇数据表采用行存储HIVE数据表，数据结构为：字段={接入点地址信息，接入点地址信息所在的楼宇标识}。

所述解算单元指纹匹配时具体用于：基于定位出的楼宇标识，判断该楼宇是否为热数据，如果该楼宇是热数据，在内存中进行指纹匹配，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

定位解算系统还包括：缓存单元，用于采用MemoryCache数据缓存技术，将热数据加载到内存中。

所述指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，列为接入点地址信息，列值为接入点场强信息。

本发明具有以下优点：

首先，对于海量定位请求，将每个定位请求转换为每个用户的定位解算任务，并且采用MapReduce并行计算技术同时执行定位解算任务，然后同时输出每个定位解算任务相应的定位结果，从而提高定位解算系统的并发处理能力，为数百万用户提供定位服务。

其次，对于用户经常访问的楼宇数据，即热数据，采用MemoryCache数据缓存技术加载到内存中，随机查询热数据时可以直接从内存中读取而不需要从指纹库中读取，从而提高数据访问速度，确保数据查询的实时性。并且，与单个主机利用自己的内存提供缓存功能不同，本发明的MemoryCache数据缓存技术是利用多台机器的内存组成一个大容量的内存堆，可以有效解决海量数据的快速访问问题，保证数百万用户并发实时查询的效率。

最后，指纹库采用HBASE列存储的分布式数据仓库实现海量数据的存储和高速访问，可以提供毫秒级数据查询。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于云平台的定位解算方法一个实施例的流程示意图。

图2为本发明采用MapReduce并行计算技术同时执行定位解算任务一个实施例的流程示意图。

图3为本发明基于云平台的定位解算系统一个实施例的结构示意图。

图4为本发明基于云平台的定位解算系统再一个实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有定位数据解算系统并发处理能力不足的问题，本发明提出一种面对海量数据的定位解算技术。本发明提出的定位解算技术是一种基于云平台的定位解算技术，该云平台例如可以是hadoop云平台，hadoop是一种开源的云计算平台。下面详细说明本发明的定位解算方案。

图1为本发明基于云平台的定位解算方法一个实施例的流程示意图。

如图1所示，本实施例基于云平台的定位解算方法可以由定位解算系统执行，具体可以包括以下步骤：

S101，接收输入的海量的定位请求。

其中，本发明中的“海量”是针对云平台的定位请求量来说的，例如可以是百万数量级，甚至更高，如万亿（TB）数量级。

其中，定位请求通常携带接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息。接入点地址信息例如可以是接入点MAC（Media Access Control，介质访问控制）地址，接入点场强信息例如可以是接入点RSSI（Received Signal StrengthIndication，接收信号强度指示）。另外，接入点列表中可以包括一项或多项接入点地址信息及其对应的接入点场强信息。基于多项接入点地址信息及其对应的接入点场强信息的定位可以提供更准确的定位结果。

S102，将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务。本步骤为本发明的核心，后续将详细说明其实现过程。

其中，MapReduce是一个软件架构，用于大规模数据集（如1TB及以上数据）的并行运算。“Map”是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对。“Reduce”是指定并发的Reduce（化简）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

S103，同时输出每个定位解算任务相应的定位结果，从而完成定位解算过程。

下面结合图2对步骤S102的一种示例性实施方式进行说明。

如图2所示，采用MapReduce并行计算技术同时执行定位解算任务，每一定位解算任务的执行过程大体相同，对于其中任一定位解算任务来说，解算过程可以包括以下步骤：

S201，读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息等。接入点列表信息的相关描述可以参考前述步骤S101，这里不再赘述。

S202，扫描楼宇数据表，通过定位请求携带的接入点地址信息定位出楼宇标识。

其中，楼宇数据表用于楼宇定位，为了实现快速定位，楼宇数据表可以采用行存储HIVE数据表，数据结构为：字段={接入点地址信息，接入点地址信息所在的楼宇标识}，如表1所示，该数据结构可以表示为：字段={AP，楼宇ID}，一个AP对应一个楼宇ID。HIVE是分布式运行，多个节点同时进行数据计算。HIVE提供了一套SQL（结构化查询语言）的查询语言，以sql为基础，使得查询简单化。

其中一种示例性实施方式，可以采用Key-Value方式扫描楼宇数据表，Key-Value方式是一种快速匹配查询方式，Key类似数据库中的index（索引）主键，其中每个AP作为Key（主键）保存，而楼宇ID作为Value（值），扫描楼宇数据表中的AP信息，直接通过这些AP就能快速查询到对应的楼宇。

表1楼宇数据表

AP	楼宇ID
		AP1	楼宇ID1
AP2	楼宇ID2
		AP3	楼宇ID3
……	……
		APn	楼宇IDn

S203，基于定位出的楼宇标识，进行指纹匹配；

其中一种示例性实施方式，可以基于楼宇热度信息，对不同的楼宇采用不同的指纹匹配方式，具体见步骤S203a～S203c：

S203a，基于定位出的楼宇标识，判断该楼宇是否为热数据。

一种判断方式为：根据楼宇的访问次数或访问频率来确定某一楼宇是否为热数据，如果某一楼宇的访问次数或访问频率达到设定的阈值，则可以确定该楼宇是热数据，否则，如果某一楼宇的访问次数或访问频率达不到设定的阈值，则可以确定该楼宇不是热数据。

S203b，如果该楼宇是热数据，在内存中进行指纹匹配。

需要说明的是，对于用户经常访问的楼宇数据，即热数据，本发明采用MemoryCache数据缓存技术，将热数据加载到内存中，随机查询热数据时可以直接从内存中读取而不需要从指纹库中读取，从而提高数据访问速度，确保数据查询的实时性。并且，与单个主机利用自己的内存提供缓存功能不同，本发明的MemoryCache数据缓存技术是利用多台机器的内存组成一个大容量的内存堆，可以有效解决海量数据的快速访问问题，保证数百万用户并发实时查询的效率。

S203c，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

其中，每个楼宇有一个指纹库数据表，指纹库数据表用于快速指纹匹配，匹配算法可以采用贝叶斯算法。指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，可以用网格编号表示，列为接入点地址信息，列值为接入点场强信息。HBASE是基于HDFS（分布式文件系统）的开源的，基于列存储模型的分布式数据库。

一种示例性的指纹匹配过程为：在楼宇所对应的指纹库数据表中，根据定位请求携带的接入点地址信息和接入点场强信息确定出该终端所在的网格位置。

如表2所示，指纹库数据表的数据结构为：

表2

如表3所示，指纹库数据表的数据结构示例为：

表3

S204，根据指纹匹配结果解算出最优定位结果。

由于定位请求中的接入点场强信息与指纹库数据表中记录的场强信息可能有一定的偏差，并且当终端在多个网格交界区域，其上报的定位请求还可能携带多个网格所属的接入点信息，因此，初次指纹匹配时可能匹配到不止一个网格，此时，可以根据匹配网格的概率大小确定一个可能性最大的网格位置，作为最优定位结果。

根据本发明实施例的再一个方面，本发明还提出一种基于云平台的定位解算系统，如图3所示，定位解算系统包括：

输入单元301，用于接收输入的海量的定位请求；

解算单元302，用于将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务；

以及

输出单元303，用于同时输出每个定位解算任务相应的定位结果。

解算单元302，具体用于：读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息；扫描楼宇数据表，通过接入点地址信息定位出楼宇标识；基于定位出的楼宇标识，进行指纹匹配；根据指纹匹配结果解算出最优定位结果。

其中，楼宇数据表采用行存储HIVE数据表，数据结构为：字段={接入点地址信息，接入点地址信息所在的楼宇标识}。

解算单元302在指纹匹配时具体用于：基于定位出的楼宇标识，判断该楼宇是否为热数据，如果该楼宇是热数据，在内存中进行指纹匹配，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

如图4所示，定位解算系统还包括：缓存单元304，用于采用MemoryCache数据缓存技术，将热数据加载到内存中。

其中，指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，列为接入点地址信息，列值为接入点场强信息。

基于以上方案的描述，可以看出，本发明提出的定位解算方法和系统具有以下优点：

首先，对于海量定位请求，将每个定位请求转换为每个用户的定位解算任务，并且采用MapReduce并行计算技术同时执行定位解算任务，然后同时输出每个定位解算任务相应的定位结果，从而提高定位解算系统的并发处理能力，为数百万用户提供定位服务。

其次，对于用户经常访问的楼宇数据，即热数据，采用MemoryCache数据缓存技术加载到内存中，随机查询热数据时可以直接从内存中读取而不需要从指纹库中读取，从而提高数据访问速度，确保数据查询的实时性。并且，与单个主机利用自己的内存提供缓存功能不同，本发明的MemoryCache数据缓存技术是利用多台机器的内存组成一个大容量的内存堆，可以有效解决海量数据的快速访问问题，保证数百万用户并发实时查询的效率。

最后，指纹库采用HBASE列存储的分布式数据仓库实现海量数据的存储和高速访问，可以提供毫秒级数据查询。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于云平台的定位解算方法，包括：

接收输入的海量的定位请求；

将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务，其中，所述采用MapReduce并行计算技术同时执行定位解算任务包括：

读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息；

扫描楼宇数据表，通过接入点地址信息定位出楼宇标识；

基于定位出的楼宇标识，在楼宇所对应的指纹库数据表中，根据定位请求携带的接入点地址信息和接入点场强信息进行指纹匹配，确定出终端所在的网格位置；

根据指纹匹配结果解算出最优定位结果，其中，如果匹配到多个网格，根据匹配网格的概率大小确定出终端所在的网格位置；

同时输出每个定位解算任务相应的定位结果。

2.根据权利要求1所述的方法，其特征在于，所述楼宇数据表采用行存储HIVE数据表，数据结构为：字段＝{接入点地址信息，接入点地址信息所在的楼宇标识}。

3.根据权利要求1所述的方法，其特征在于，所述基于定位出的楼宇标识，进行指纹匹配包括：

基于定位出的楼宇标识，判断该楼宇是否为热数据，如果该楼宇是热数据，在内存中进行指纹匹配，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

4.根据权利要求3所述的方法，其特征在于，该方法还包括：采用MemoryCache数据缓存技术，将热数据加载到内存中。

5.根据权利要求3所述的方法，其特征在于，所述指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，列为接入点地址信息，列值为接入点场强信息。

6.一种基于云平台的定位解算系统，包括：

输入单元，用于接收输入的海量的定位请求；

解算单元，用于将每个定位请求转换为每个用户的定位解算任务，并采用MapReduce并行计算技术同时执行定位解算任务，其中，所述采用MapReduce并行计算技术同时执行定位解算任务包括：

读取任一定位请求携带的接入点列表信息，接入点列表信息包括接入点地址信息和接入点场强信息；

扫描楼宇数据表，通过接入点地址信息定位出楼宇标识；

基于定位出的楼宇标识，在楼宇所对应的指纹库数据表中，根据定位请求携带的接入点地址信息和接入点场强信息进行指纹匹配，确定出终端所在的网格位置；

根据指纹匹配结果解算出最优定位结果，其中，如果匹配到多个网格，根据匹配网格的概率大小确定出终端所在的网格位置；

输出单元，用于同时输出每个定位解算任务相应的定位结果。

7.根据权利要求6所述的系统，其特征在于，所述楼宇数据表采用行存储HIVE数据表，数据结构为：字段＝{接入点地址信息，接入点地址信息所在的楼宇标识}。

8.根据权利要求6所述的系统，其特征在于，所述解算单元指纹匹配时具体用于：

基于定位出的楼宇标识，判断该楼宇是否为热数据，如果该楼宇是热数据，在内存中进行指纹匹配，如果该楼宇不是热数据，在指纹库中进行指纹匹配。

9.根据权利要求8所述的系统，其特征在于，该系统还包括：缓存单元，用于采用MemoryCache数据缓存技术，将热数据加载到内存中。

10.根据权利要求8所述的系统，其特征在于，所述指纹库采用列存储HBASE数据表，数据结构为：主键为网格的位置信息，列为接入点地址信息，列值为接入点场强信息。