CN110400380A - 一种基于自协调分布式运算地铁刷脸计费方法 - Google Patents

Abstract

本发明涉及一种基于自协调分布式运算地铁刷脸计费方法，在分布式结构设计的时候，根据刷脸计费所需要涉及的步骤将整个分布式计算节点进行了划分，根据不同的专属功能划分为不同的云层；各个云层之间采用计算节点直连的模式，不设置管理节点，由计算节点自行进行组合，通过计算节点实际计算的值与计算节点可能性能衰减的估算值两者结合来进行单个计算节点综合性能的评估，以此判断是否选择该计算节点来作为下一计算路径。同时，不停的更新计算路径的选择，让整个刷脸计费的计算性能一直处于最优状态，达到最高的运算效率，满足地铁刷脸计费的时效性与精确性要求，同时利用自主约定的分配及加密算法保证了通信的安全性。

Description

一种基于自协调分布式运算地铁刷脸计费方法

技术领域

本发明涉及地铁计费，具体涉及一种基于自协调分布式运算地铁刷脸计费方法。

背景技术

随着城市的大力发展，各个城市的地铁建造数量也越来越多，为了给乘客提供方便，各种各样的地铁支付手段层出不穷。

地铁的通行计费手段总结下来主要有这几种，地铁单次通行卡计费、地铁充值卡计费、APP二维码计费、人脸识别通行计费。而这几种支付方式在整体运行架构上却是有着本质上的不同。地铁单次通行卡与充值卡将支付计费与通行分开，在人工柜台或者自助售票机上进行计费支付，单次通行卡不涉及扣费，而充值卡的扣费则是由通行闸机通过读写充值卡来实现，并不会对整个计费系统的后台造成压力；APP二维码略有不同，每个用户的费用都在计费系统后台的个人账户保存，但是在使用时刻，不需要涉及到身份判断校验，主要会产生的系统压力是并发压力；但是最后一种刷脸消费则截然不同，其处理过程可分为三个步骤，1)人脸检测，2)人像识别、身份匹配，3)计费支付，在地铁这种需要能够快速通行的场合，对于身份识别的快速性与精确性都有着非常高的要求，人像识别系统整体的投入已经不小，如果要追求更高的性能则需要对数据计算的架构进行合理调整，采用分布式计算的模式来提高效率，在此种场景下，我们专门设计了一种应对高效率与高可靠性的分布式算法来满足这种需求，把每一个处理的步骤都以云的方式存在，每一次处理都在各层云之间找到最空闲的处理路径来达到处理效率的最高化，更好的为地铁的刷脸计费功能来服务，让地铁的乘坐方式更加的多样化与便捷化。

发明内容

为克服现有技术中存在的问题，本发明提供了一种基于自协调分布式运算地铁刷脸计费方法，所述方法基于分布式层级云系统实现，所述云系统包括：人脸检测云层、特征提取云层、身份匹配云层以及计费结算云层，每一层都由多台服务器作为计算节点构成；各个云层内部的节点与相邻云层之间的节点可以任意单对单连接；

所述方法还包括：

云系统各层间的节点均会计算自身计算能力信息，并返传至上一层所有的计算节点；

接收到下层节点计算能力信息的上层节点对下层计算节点的性能进行评估得到推测值，

根据所述自身计算能力和推测值获取综合性能值；

根据综合性能值确定最优的传输路径；

基于选择的路径实现人脸的检测、特征提取、匹配、计费的过程；

其中，在每一层中只有计算节点，并没有采用管理节点来进行协调管理，完全依赖自行组网。

其中，节点计算自身计算能力信息包括：

根据CPU空闲占比P_cpu、内存空闲占比P_mem、并行处理线程空闲占比P_thread、接入数据等待队列长度L_line、CPU空闲占比参数权值变量K_cpu、内存空闲占比参数权值变量K_mem、处理线程空闲占比参数权值变量K_thread、等待队列长度权值变量K_line确定自身评估性能值变量V_self；

所述对下层计算节点的性能进行评估得到推测值包括：

确定当前时间到最近一次接受性能值变量V_self的时间为Δt，下一计算节点评估性能值变量为Vm_self，

其中，所述根据所述自身计算能力和推测值获取综合性能值包括：

确定计算节点自评估性能值权值为K1，计算节点评估性能值权值为K2；

然后计算节点综合性能值为V，

其中，所述根据综合性能值确定最优的传输路径包括：根据云层下每个计算节点的综合性能值确定下一云层的计算节点的综合性能值为V[]，即

V[]＝{V[0],V[1]…V[n]}；n取值范围{n|1≤n≤单个云层下最大节点数}；

选择具有MAX(V[])对应的节点为下一路径；

其中，每一层的计算节点均支持多种加密策略，并设置有多种标识分配方法，且不同的标识分配方法具有不同的ID，各计算节点可以基于ID确定标识分配方法，并为每个加密策略分配标识信息；

各计算节点确定当前所使用的加密策略标识信息，并确定所使用的分配方法的ID，将上述标识信息、ID与自身计算能力信息一起返传至上一层计算节点；上一层计算节点根据ID和标识信息确定加密策略，然后对接收到的信息进行处理后发送；

其中，各计算节点所用使用的加密策略和分配方法按照特定的条件进行周期性调整。

本发明在于利用分布式计算的模式来进行地铁刷脸计费的运算，在分布式结构设计的时候，根据刷脸计费所需要涉及的步骤将整个分布式计算节点进行了划分，根据不同的专属功能划分为不同的云层；各个云层之间采用计算节点直连的模式，不设置管理节点，由计算节点自行进行组合，通过计算节点实际计算的值与计算节点可能性能衰减的估算值两者结合来进行单个计算节点综合性能的评估，以此判断是否选择该计算节点来作为下一计算路径。同时，不停的更新计算路径的选择，让整个刷脸计费的计算性能一直处于最优状态，达到最高的运算效率，满足地铁刷脸计费的时效性与精确性要求，同时利用自主约定的分配及加密算法保证了通信的安全性。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的涉及的层级结构的示意图；

图2是现有技术和本发明的分布式云结构示意图；

图3是本发明的优选实施例的数据传输示意图；

图4是本发明的优选实施例的数据传输示意图；

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

为克服现有技术中存在的问题，本发明提供了一种基于自协调分布式运算地铁刷脸计费方法，所述方法基于分布式层级云系统实现，所述云系统包括：人脸检测云层、特征提取云层、身份匹配云层以及计费结算云层，每一层都由多台服务器作为计算节点构成；各个云层内部的节点与相邻云层之间的节点可以任意单对单连接；

所述方法还包括：

云系统各层间的节点均会计算自身计算能力信息，并返传至上一层所有的计算节点；

接收到下层节点计算能力信息的上层节点对下层计算节点的性能进行评估得到推测值，

根据所述自身计算能力和推测值获取综合性能值；

根据综合性能值确定最优的传输路径；

其中，在每一层中只有计算节点，并没有采用管理节点来进行协调管理，完全依赖自行组网。

具体过程如下：

步骤1：分布式层级划分

1、分布式结构说明

首先，我们在此说明一下此次设计的分布式计算的结构。

实现地铁的刷脸计费需要经过下列这几个步骤：

1)人脸检测

2)人脸识别提取特征码

3)特征码匹配，确认身份

4)进行计费结算

在此，把这个4个步骤划分成四层处理云，每一层都由多台服务器作为计算节点构成。其中，计费计算层为已有的常规计费结算系统，不在此次范围内。

此次与常规分布式云结构略有不同，在每一层中只有计算节点，并没有采用管理节点来进行协调管理，完全依赖自行组网。

2、节点计算路径构成说明

在系统运行过程中，采用了各云层节点自行组网方式进行，前述说明中已经提到了此次分布式云架构中不采用管理服务器，需要计算节点自行进行组网，动态的组成最优计算路径。

同时不采用管理服务器是的整个架构更加的松耦合，不再依赖于管理节点的控制，减少了系统整体瘫痪的可能性

如上图3所示，各个云层内部的节点与相邻云层之间的节点可以任意单对单连接，各个计算节点初始状态与下一阶段云层的所有计算节点建立通信链路，最终由各离散的分布式计算节点自行协调组成一条完整的计算路径，达到最高运算效率，而计算路径并不是固定不变，根据各个计算节点的状态而实时的变动，确保时刻保持最佳的运算效率。

在此，对于涉及到的各个云层及其内部分布式计算节点，我们定义如下

人脸通行闸机软件：

人脸检测云层：定义层名称L_dec

特征提取云层：定义层名称L_rec

身份匹配云层：定义层名称L_fit

计算结费云层：定义层名称L_cost

3、流程过程说明

步骤2：计算单元压力计算

对于计算路径的选择，其主要的依据就是下一个计算层的计算节点的能力，从中找到最优的一个计算节点来作为自己的下一路径。

每个计算节点均会计算自身计算能力，并且将自身的计算能力值反传至上一云层的所有计算节点

1、本机自我负载能力评估值计算

对于各个分布式计算节点来说，其关系自身可用计算能力的指标有下列几项：

1)CPU空闲占比：定义名称为P_cpu，为整数，取值范围{P_cpu|0≤P_cpu≤100}(整数)

2)内存空闲占比：定义名称为P_mem，为整数，取值范围{P_mem|0≤P_mem≤100}

3)并行处理线程空闲占比：定义名称为P_thread，为整数，取值范围{P_thread|0≤P_thread≤100}

4)接入数据等待队列长度：定义名称为L_line，取值范围{L_line|L_line≥0}定义单机自身评估性能值变量为V_self，取值范围{V_self|0≤V_self≤100}定义CPU空闲占比参数权值变量K_cpu，取值范围{K_cpu|0≤K_cpu≤10}定义内存空闲占比参数权值变量K_mem，取值范围{K_mem|0≤K_mem≤10}定义处理线程空闲占比参数权值变量K_thread，取值范围{K_thread|0≤K_thread≤10}

定义等待队列长度权值变量K_line，取值范围{K_line|0≤K_line≤10}

此处各个权值为根据所属云层不同而设置不同的经验值：

1)L_dec人脸检测云层：

K_cpu＝6

K_mem＝6

K_thread＝2

K_line＝2

2)L_rec特征提取云层：

K_cpu＝8

K_mem＝4

K_thread＝2

K_line＝2

3)L_fit身份匹配云层：

K_cpu＝5

K_mem＝5

K_thread＝4

K_line＝4

在此，计算V_self采用如下公式计算,以P_cpu以及P_mem为主，P_thread以及P_line为辅助，进行公式的设计。在计算性能的时候，我们发现，随着空闲CPU占比值P_cpu与空闲内存占比值P_mem的变化，空闲进程占比值P_thread以及等待队列长度值P_line对于整个计算节点性能的影响是不相同的，其相关性并非恒定的直线，而是随着P_cpu以及P_mem的降低而影响减少，当P_cpu以及P_mem任意一个接近最小值时，整体性能也是趋近与最小值的。依据上述的构思，使用计算公式如下：

2、相邻层节点负载能力预估值计算

每一个计算节点都会定时收到下一组云层计算节点的所有性能值，但是多对多的计算节点路径选择会产生集中选择到一个计算节点的现象，那么此时就要对希望链接的计算节点的性能做一个预测，要考虑从上一次收到其性能值之后，在没有收到最新性能值这一个时间段内，其性能值可能发生的变化，且默认此种变化为性能衰减变化。

在此，定义当前时间到最近一次接受性能值的时间为Δt，时间单位为毫秒(ms)，定义下一计算节点评估性能值变量为Vm_self，取值范围{Vm_self|0≤Vm_self≤100}；

随着时间的增加，其可能的性能衰减率逐步增加,此处采用下列公式进行Vm_self值的计算：

3、下一路径节点综合负载性能值估算

综合前述两个步骤所得到的单个计算节点的性能值就可以得到其综合性能参考值。

考虑到自身计算值与推测值之间的可信度差异，其权值是不同的；

定义计算节点综合性能值为V；

定义计算节点自评估性能值权值为K1，计算节点评估性能值权值为K2

根据经验设置权值：

K1＝2

K2＝1

则可以进行综合性能值计算

步骤3：最优计算路径动态选择

对于单个云层下的每一个计算节点，通过前述步骤就可以获得下一可能要链接的各个计算节点的参考性能值，接下来的步骤就是从中选择一个最优的节点作为自身的下一个路径。

通常来说，都会以参考性能的最大值作为选择路径

最优计算通道选择

在此，定义下一云层的计算节点的综合性能值为V[]，

V[]＝{V[0],V[1]…V[n]}；n取值范围{n|1≤n≤单个云层下最大节点数}

则下一路径为MAX(V[])。

步骤5：人像匹配计费完成

通过上述各个步骤，对于乘客所涉及的人脸检测、人脸特征提取、身份匹配、计费结算的性能最优计算路径即可获得；

其中，每一层的计算节点均支持多种加密策略，并设置有多种标识分配方法，且不同的标识分配方法具有不同的ID，各计算节点可以基于ID确定标识分配方法，并为每个加密策略分配标识信息；

各计算节点确定当前所使用的加密策略标识信息，并确定所使用的分配方法的ID，将上述标识信息、ID与自身计算能力信息一起返传至上一层计算节点；上一层计算节点根据ID和标识信息确定加密策略，然后对接收到的信息进行处理后发送；

其中，各计算节点所用使用的加密策略和分配方法按照特定的条件进行周期性调整。

优选的，各层的计算节点标识也可以基于上述分配方法进行周期性的分配，用于分配节点标识的分配方法和用于分配加密算法的分配方法可以相同也可以不同，并在向返传信息时，同时传输节点的分配算法以及对应的标识；

本发明在于利用分布式计算的模式来进行地铁刷脸计费的运算，在分布式结构设计的时候，根据刷脸计费所需要涉及的步骤将整个分布式计算节点进行了划分，根据不同的专属功能划分为不同的云层；各个云层之间采用计算节点直连的模式，不设置管理节点，由计算节点自行进行组合，通过计算节点实际计算的值与计算节点可能性能衰减的估算值两者结合来进行单个计算节点综合性能的评估，以此判断是否选择该计算节点来作为下一计算路径。同时，不停的更新计算路径的选择，让整个刷脸计费的计算性能一直处于最优状态，达到最高的运算效率，满足地铁刷脸计费的时效性与精确性要求。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于自协调分布式运算地铁刷脸计费方法，其特征在于，所述方法基于分布式层级云系统实现，所述云系统包括：人脸检测云层、特征提取云层、身份匹配云层以及计费结算云层，每一层都由多台服务器作为计算节点构成；各个云层内部的节点与相邻云层之间的节点可以任意单对单连接；

所述方法还包括：

云系统各层间的节点均会计算自身计算能力信息，并返传至上一层所有的计算节点；

接收到下层节点计算能力信息的上层节点对下层计算节点的性能进行评估得到推测值，

根据所述自身计算能力和推测值获取综合性能值；

根据综合性能值确定最优的传输路径；

基于选择的路径实现人脸的检测、特征提取、匹配、计费的过程；

其中，在每一层中只有计算节点，并没有采用管理节点来进行协调管理，完全依赖自行组网。

2.如权利要求1所述的方法，其特征在于，节点计算自身计算能力信息包括：

根据CPU空闲占比P_cpu、内存空闲占比P_mem、并行处理线程空闲占比P_thread、接入数据等待队列长度L_line、CPU空闲占比参数权值变量K_cpu、内存空闲占比参数权值变量K_mem、处理线程空闲占比参数权值变量K_thread、等待队列长度权值变量K_line确定自身评估性能值变量V_self；

所述对下层计算节点的性能进行评估得到推测值包括：

确定当前时间到最近一次接受性能值变量V_self的时间为Δt，计算下一计算节点评估性能值变量为Vm_self，

3.如权利要求2所述的方法，其特征在于，所述根据所述自身计算能力和推测值获取综合性能值包括：

确定计算节点自评估性能值权值为K1，计算节点评估性能值权值为K2；

然后计算节点综合性能值为V，

4.如权利要求3所述的方法，其特征在于，所述根据综合性能值确定最优的传输路径包括：根据云层下每个计算节点的综合性能值V确定下一云层的计算节点的综合性能值为V[]，即

V[]＝{V[0],V[1]…V[n]}；n取值范围{n|1≤n≤单个云层下最大节点数}；

选择具有MAX(V[])对应的节点为下一路径。

5.如权利要求1-4任一所述的方法，其特征在于，每一层的计算节点均支持多种加密策略，并设置有多种标识分配方法，且不同的标识分配方法具有不同的ID，各计算节点可以基于ID确定标识分配方法，并为每个加密策略分配标识信息；

各计算节点确定当前所使用的加密策略标识信息，并确定所使用的分配方法的ID，将上述标识信息、ID与自身计算能力信息一起返传至上一层计算节点；上一层计算节点根据ID和标识信息确定加密策略，然后对接收到的信息进行处理后发送；

其中，各计算节点所用使用的加密策略和分配方法按照特定的条件进行周期性调整。