电邮这篇文章 面向车路云协同的时序数据湖仓一体架构与查询优化
DOI: http://dx.doi.org/10.12349/iser.v7i10.11953
Article ID: 11953
摘要
车路云协同数据同时包含车辆状态、路侧感知和交通事件，既要支持实时写入，也要保留轨迹回溯所需的历史记录。本文在Apache Iceberg上组织这类时序数据：按时间和设备类型分区，在分区内按(vehicle_id,event_ts)聚类，再用布隆过滤器、Min-Max统计、小文件合并和动态裁剪限制扫描范围。四类查询实验中，方案D的延迟较方案A下降75%以上，文件数和I/O也明显减少。
关键词
车路云协同；时序数据；湖仓一体；查询优化；Apache Iceberg
全文:
PDF参考
王小丽, 陈华辉. ZFT索引: 基于分段线性回归的学习型多维索引[J]. 计算机应用与软件, 2024, 41(10): 24-31.
MISHRA S. Comparing Apache Iceberg and Databricks inbuilding data lakes and mesh architectures[J]. InternationalJournal of AI, BigData, Computational and ManagementStudies, 2022, 3(4): 37-48.
ARMBRUST M, DAS T, SUN L, et al. Delta Lake: high--performance ACID table storage over cloud object stores[-J]. Proceedings of the VLDB Endowment, 2020, 13(12):3411-3424.
JHA V Y. Data lakehouse architectures: bridging structured and unstructured data[J]. International Journal of Adva-nced Research in Computer Science & Technology, 2024,7(6): 11218-11221.
谢星星, 张翠平, 田小燕, 等. 消息队列技术综述[J]. 计算机科学与应用, 2023, 13(12): 2180-2190.4
Refbacks
- 当前没有refback。
版权所有（c）2026 张 翔, 韩 冬, 张 雨晨
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。
