[论文解读] Fog Computing based SDI Framework for Mineral Resources Information Infrastructure Management in India

Rabindra K. Barik, Rakesh Kumar Lenka+3 more|arXiv (Cornell University)|Dec 26, 2017

IoT and Edge/Fog Computing被引用 9

一句话总结

本文提出了一种基于雾计算的地理空间数据基础设施（SDI）框架，以提升印度矿产资源管理中空间大数据的实时分析能力。通过使用树莓派作为雾节点，并集成开源GIS工具（QGIS、QIS插件），该框架减少了云环境中的数据传输量与延迟，在矿产资源分析的叠加分析中展现出更高的吞吐量与效率。

ABSTRACT

Spatial Data Infrastructure (SDI) is an important concept for sharing spatial data across the web. With cumulative techniques with spatial cloud computing and fog computing, SDI has the greater potential and has been emerged as a tool for processing, analysis and transmission of spatial data. The Fog computing is a paradigm where Fog devices help to increase throughput and reduce latency at the edge of the client with respect to cloud computing environment. This paper proposed and developed a fog computing based SDI framework for mining analytics from spatial big data for mineral resources management in India. We built a prototype using Raspberry Pi, an embedded microprocessor. We validated by taking suitable case study of mineral resources management in India by doing preliminary analysis including overlay analysis. Results showed that fog computing hold a great promise for analysis of spatial data. We used open source GIS i.e. QGIS and QIS plugin for reducing the transmission to cloud from the fog node.

研究动机与目标

• 解决以云为中心的空间数据处理在印度矿产资源管理中面临的高延迟与带宽开销挑战。
• 开发一种可扩展、低成本的SDI框架，利用雾计算在数据源附近处理空间大数据。
• 通过在网络边缘执行数据预处理与分析，减少对集中式云基础设施的依赖。
• 利用轻量级嵌入式计算设备实现矿产资源评估的实时空间分析。
• 通过印度矿产资源的实际案例研究，结合叠加分析与性能指标，验证该框架的有效性。

提出的方法

• 部署了一个原型系统，利用树莓派作为雾节点，在网络边缘处理空间数据。
• 集成开源GIS工具——QGIS与QIS插件——在雾节点本地执行空间操作，如叠加分析。
• 通过在雾层预处理与分析空间数据，减少了向云环境传输的数据量。
• 设计了分布式架构，使雾设备负责数据聚合、过滤与初步分析，仅将关键结果转发至云。
• 应用雾计算原则，相比传统纯云模型，显著提升了吞吐量并降低了延迟。
• 通过印度矿产资源的实际案例研究验证了该框架，重点聚焦于空间叠加操作。

实验结果

研究问题

• RQ1 雾计算在矿产资源管理的空间数据处理中，如何降低延迟与带宽使用？
• RQ2 像树莓派这样的嵌入式设备在多大程度上能有效执行网络边缘的空间分析？
• RQ3 与传统以云为中心的空间数据架构相比，基于雾计算的SDI框架带来了哪些性能提升？
• RQ4 开源GIS工具（QGIS、QIS插件）在实现边缘空间分析方面有多高效？
• RQ5 所提出的框架能否支持印度大规模矿产资源数据的实时、可扩展空间分析？

主要发现

• 基于雾计算的SDI框架通过在边缘本地处理空间数据，显著减少了向云传输的数据量。
• 由于计算任务在本地执行，空间数据分析的延迟降低，提升了实时决策能力。
• 基于树莓派的原型系统成功对矿产资源数据执行了叠加分析，证明了边缘空间分析的可行性。
• QGIS与QIS插件的集成使雾节点能够高效执行轻量级空间操作，显著降低了对云的依赖。
• 该框架在资源受限环境中处理空间大数据方面展现出更高的吞吐量与可扩展性。
• 初步结果证实，雾计算在矿产资源管理中具有实现可扩展、高效空间数据处理的强劲潜力。