0 引　言

在船舶通信领域，为保证船舶航行的安全性与效率，需实时传输海量的船舶图像网络数据，便于控制中心实时监控船舶的航行状态及航行环境等，并及时做出响应^[1,2]。为达到船舶图像网络数据的实时传输目的，需研究一种有效的数据传输方法，缩短数据传输延时。

许方敏等^[3]研究了无人机辅助通信网络上行数据传输技术，该技术的数据传输质量较高，但因受信号滤波与无人机定位过程的影响，导致数据传输的时延过高；郝奕等^[4]提出基于传输损失函数的数据传输方法，可保证网络数据短程通信的平稳性与速率，但在网络数据远距离传输时，整体效果不佳；刘琪华等^[5]研究基于锁模光学频率梳的高速数据传输方法，结合锁模光学频率梳与电光调制器，生成具备编码的调制信号，并运用激光器完成海量网络数据的高效并行传输，虽然有效提升了网络并行通信数据量，但所传输数据存在丢包与误差问题，且数据传输有一定延迟；Ma等^[6]融合基于卷积神经网络设计的解调器，以及结合GS-CNN算法设计的光束发生器，可实现不同距离下网络数据的传输任务，此系统的数据传输误差较低，然而由于其传输数据前，需运用卷积神经网络算法解调器对节点信号实施解调处理，并运用光束发生器生成特定的激光光束，导致数据传输时延过高。

云计算技术结合并行运算、分布式运算、负载均衡运算技术，提高数据传输的响应速度及传输速率，为船舶图像网络数据的低时延传输提供有效支撑。为此，本文提出了基于云计算的船舶图像网络数据低时延传输方法，并分析其性能。

1 船舶图像网络数据低时延传输方法 1.1 船舶图像网络数据传输的云计算平台

高效挖掘船舶图像网络数据，均衡数据通信网络信道，是保障船舶图像网络数据传输效果的关键。本文结合云计算技术，构建船舶图像网络数据传输平台，运用云计算技术的分布式处理节点，快速并行挖掘船舶图像网络数据，并择优信道传输此类数据，保证传输时效。船舶图像网络数据传输的云计算平台如图1所示。

1.2 基于并行化技术的船舶图像网络数据挖掘

通过运用并行化技术，由云端服务器内快速挖掘船舶图像网络数据，减少数据的挖掘用时，为后续数据的低时延传输奠定基础。以云计算平台的基础运算性能为依据，结合并行运行框架Map Reduce与并行化K-means聚类算法，并行挖掘云端服务器内的船舶图像网络数据。K-means聚类算法的运算过程为：

步骤1　由云端服务器内随机选取一个船舶图像网络数据作为目标数据，设该目标数据为单个簇的中心值与原始平均值；

步骤2　将目标数据之外的船舶图像网络数据，以其与各个簇之间的平均间距为依据，向相似度最高的簇分配此类数据；

步骤3　计算每个簇的平均值，重复以上步骤，直至算法的准则函数收敛为止。

1.3 基于均衡信道的船舶图像网络数据传输实现

船舶通信网络包含大量网络节点，连接数个网络节点，便可构成一个通信网络信道。由于现实中船舶通信网络易存在信道不均衡的缺陷，不利于数据传输的时效性。故需运用云计算平台均衡处理船舶通信网络信道，解决此类缺陷，实现船舶图像网络数据的高效传输。

1.3.1 船舶通信网络节点能量消耗模型

为实现船舶通信网络信道的均衡调整，需先构建船舶通信网络节点能量消耗模型。由于船舶通信网络节点包含空闲、数据传输、数据接收3种状态，故船舶通信网络节点能量消耗模型可表示成：

$ {F_{ene}} = {F_1} + {F_2} + {F_3}。$

(1)

式中：$ {F_1} $、$ {F_2} $、$ {F_3} $分别为节点的空闲能量消耗、数据传输能量消耗、数据接收能量消耗。三者的表达式为：

$ \left\{ \begin{gathered} {F_1} = {q_1} \cdot {t_1} \cdot {m_1} , \\ {F_2} = {q_2} \cdot {t_2} \cdot {m_2} , \\ {F_3} = {q_3} \cdot {t_3} \cdot {m_3} 。\\ \end{gathered} \right. $

(2)

式中：$ {m_1} $、$ {m_2} $、$ {m_3} $分别为船舶通信网络节点实际产生的空闲、数据传输、数据接收次数，其中包括数据传输与接收失败次数；$ {t_1} $、$ {t_2} $、$ {t_3} $分别为节点的空闲、数据传输、数据接收平均时间；$ {q_1} $、$ {q_2} $、$ {q_3} $分别为节点的空闲、数据传输、数据接收平均功率。

1.3.2 船舶图像网络数据传输实现

云计算平台依据所构建的船舶通信网络节点能量消耗模型，均衡调整船舶通信网络信道，运用调整后信道实时传输所挖掘的船舶图像网络数据，提升信道利用率，保证船舶图像网络数据传输的时效性。基于云计算平台的船舶图像网络数据传输过程为：

1）船舶通信网络信道能量衰减程度的修正值运算：设$ S\left( {\phi ,Y} \right) $为云计算平台的数据带宽；$ \phi = \left[ {{\phi _1},{\phi _2}} \right] $为船舶通信网络的数据接收端信噪比；$ L\left( {\phi ,Y} \right) $为网络信道的长度。由于船舶通信网络信道的长度容易出现偏差，故应对信道能量的衰减程度修正值实施运算。

2）船舶通信网络信道的均衡调整模型创建：通过划分船舶通信网络图像数据为数个子集，实现船舶通信网络信道均衡调整模型的创建。所创建模型为：

$ \left\{ \begin{gathered} a = \left( {{a_1},{a_2}, \cdots ,{a_c}} \right), \\ b = E\left( y \right) = {\left[ {{e_1}\left( y \right),{e_2}\left( y \right), \cdots ,{e_d}\left( y \right)} \right]^P} 。\\ \end{gathered} \right. $

(3)

式中：$ P $为船舶通信网络数据终端的调度关联属性集总量；$ d $与$ c $分别为信道的输出控制参数与脉冲带宽个数；$ E\left( y \right) $为时间和尺度的联合函数；$ y $为信道的分簇单元集。

3）创建船舶通信网络信道可信度集，提升船舶图像网络数据的传输可靠性：假设船舶通信网络可同步发出若干个信号，此类信号需按设定的规则传输，此规则就是通信信道可信度协议。设$ G{\text{ = }}\left[ {{g_1},{g_2}, \cdots ,{g_i}} \right] $为船舶通信网络信道可信度集，其中，$ {g_i} = 0 $，且$ i = 1, 2, \cdots ,j $，$ j $表示网络多径信号的数量。

4）网络节点接收与传输数据模型的优化控制：通过对船舶通信网络多径信号的收集，避免该网络运行时各节点间及各信道间彼此干扰。以所收集的多径信号个数为依据，优化控制网络节点接收和传输数据模型，优化控制式为：

$ \min E\left( y \right) = {\left[ {{e_1}\left( y \right),{e_2}\left( y \right), \cdots ,{e_d}\left( y \right)} \right]^P}。$

(4)

5）船舶图像网络数据传输的实现：为节省能量消耗，船舶图像网络数据的传输仅在通信网络节点运行时段完成，非传输时段网络节点均为空闲状态。故应在传输船舶图像网络数据前，确定各个邻近网络节点运行时段的时间间隙。由于中继节点连接各个网络节点，以此完成船舶图像网络数据的长距离传输。故船舶图像网络数据的传输任务次数所需符合的条件式为：

$ \sum {{y_{ro}} \leqslant 1,o \in \left[ {1,H_k^2} \right]}。$

(5)

式中：$ H_k^2 $为第$ k $个网络节点的运行时段；$ {y_{ro}} $为网络节点$ o $与邻近中继节点$ r $的运行时段间隙。

2 实验结果分析

设定船舶通信网络的数据传送节点数目为500 Jbit；所覆盖区间为110 km×110 km；数据包A的大小为30 GB；节点的初始能量为50 pJbit。船舶通信网络拓扑结构主要包括控制平面与数据平面两部分，其中控制平面主要为控制器，数据平面主要包括核心层、汇聚层及边缘层3部分。该网络拓扑中包含6台终端设备（a～f），15台网关设备（1～15）。实验船舶通信网络拓扑结构如图2所示。实验中选取10个信道（A1～A10）用于传输船舶图像网络数据，依次为f→a、f→b、f→c、f→d、f→e、e→a、f→b、f→c、f→d、d→a。

选取联合波束赋形传输技术（文献[3]）、传输损失函数的传输方法（文献[4]）、锁模光学频率梳传输方法（文献[5]）、卷积神经网络的通信方法（文献[6]）作为本文方法的对比方法，数据挖掘量结果如表1所示。可知，在船舶图像网络数据挖掘过程的前15 s内，各方法所挖掘的数据量较为接近，随着挖掘时间的延长，本文方法的数据挖掘量逐渐与其他4种方法拉开差距，数据挖掘量远高于其他4种方法，原因是本文方法挖掘过程中，采用了并行算法与框架实施数据挖掘，在数据挖掘效果上具有显著优势。

各方法通信信道能量开销结果如图3所示。可知，对于10个通信信道，本文方法数据传输过程中各信道的能量开销较为接近，均处于3.5~5.0 kJ；卷积神经网络通信方法的各信道能量开销也较为接近，但整体开销较高，其所处区间为8.0~10.3 kJ；传输损失函数方法的能量开销与本文方法较为接近，其各信道能量开销区间为4.5~7.8 kJ，但各信道能量开销波动较大，不够均衡；联合波速赋形传输技术与锁模光学频率梳方法的各信道能量开销区间分别为7.2~9.5 kJ、7.0~9.3 kJ。综上，本文方法的各信道能量开销较为均衡，且整体开销较低，是因为本文方法对各通信信道实施了均衡调整。

对比各方法在针对不同量的船舶图像网络数据实施传输过程中的时延情况，所得对比结果如表2所示。分析可知，随着所传输船舶图像网络数据量的增加，各对比方法的传输时延均有不同程度地增长。本文方法的整体传输时延波动不大，受所传输数据量的影响较小，可实现船舶图像网络数据的低时延传输，达到实时传输船舶图像网络数据的目的。

3 结　语

有效缩短船舶图像网络数据的传输时延，是实现船舶航行中各类图像数据实时传输，实时监测船舶航行状态的关键。本文依据云计算技术的分布式处理特点，结合并行运行框架Map Reduce和并行化K-means聚类算法，实现平台中云端服务器内船舶图像网络数据的快速并行挖掘，通过云计算技术均衡传输船舶图像网络数据的各个通信信道，提升各信道利用率，降低数据传输时延。