边缘计算与大数据云架构：智能建筑案例研究

摘要

配备有能够监测建筑内部环境（如能源消耗、供暖、通风、空调、风、运动以及占用情况）技术的建筑发展具有巨大潜力。这些潜力体现在能源管理、占用管理、安全维护，以及改善室内或室外空间中人类的健康与生活质量等方面。要实现这些潜力，需要清晰理解大量环境条件、人类及其健康状况，以及他们日常生活中所交互的各种智能产品之间的相互作用。这是一个复杂过程，需在可生成并有效分析多个建筑数据的智能建筑模拟环境中进行充分的测试与评估。通过利用大数据计算技术来处理智能建筑内捕获的大量、多样且高速的数据，同时保障数据源的安全与数据隐私，稳健的数据管理流程可为此提供支持。

本文描述了一种为管理智能建筑数据而设计和开发的智能建筑架构。该架构能够获取、处理并向多个消费者及工作流分发模拟的建筑环境数据，以支持本地及高性能云计算平台上的进一步处理与分析。本研究的前提是，此类架构能够在基于气候的智能建筑模拟测试中有效管理多数据源，从而推动相关研究。

关键词 —气候设施，智能建筑模拟，大数据架构，物联网云框架，边缘计算

一、引言

环境测试建筑是包含舱室的建筑，这些舱室能够模拟各种气候条件，例如雨、雪、风或高温。

在加拿大，有两个空间更大的设施专门用于环境测试，分别是风能、能源与环境研究所（WindEEE 研究所）和安大略理工大学的ACE设施。WindEEE 研究所是一个直径25米的六边形试验舱，成立于2011年，包含106台风扇，能够模拟龙卷风和下击暴流以及其他类型的风系统，包括阵发风、切变风、气流和大尺度边界层[1]。

位于安大略理工大学（安大略理工学院的品牌名称）的ACE设施是一个由大学拥有并运营的16,300平方米的研究与开发多舱环境测试设施。ACE提供大型可控气候空间，这在加拿大乃至国际上都具有独特性。ACE包含一个大型气候风洞（CWT），可容纳如公共汽车般大小的车辆，并能产生高达260公里/小时的风速，同时配备太阳能加热板以及大型偏航底盘测功机，可用于测试车辆在侧风中的行为表现。CWT与大型气候舱（LCC）和小型气候舱（SCC）相结合，可实现‐40°C至 60°C之间的温度调节，并可根据温度条件引入雨、雾、冻雨和雪[2]。

ACE设施的各个舱室可用于在多种受控气候条件下进行设备测试。一些测试示例包括：气动测试、车辆供暖、通风和空调（HVAC）测试、产品质量控制、雪灾缓解（建筑领域）、热力学测试、风力涡轮机以及极端气候评估[2]。

近年来，ACE设施还被用于支持受控气候环境下的人因研究以及生理/认知测试（人体试验）。

持续收集这些环境测试设施内的气候条件信息，可获得具有巨大潜力的数据，可用于与物体、人类和动物在这些气候条件下的行为相关的其他信息进行集成。因此，存在巨大的潜力来创建系统性方法，以实时捕获此类环境信息。

智能建筑集成了物联网（IoT）设备，这些设备以多种传感器的形式存在，用于采集有关建筑气候条件、通风、空调以及相关情况的数据。建筑物内物体的移动在智能建筑框架[3]中显示出巨大潜力。

我们提出了一种智能建筑框架，该框架在基于雾计算的边缘计算范式下支持数据采集、数据收集和数据缓冲，随后在数据传输之前进行实时流计算，以生成用于数据可视化的集成数据分析，并通过深度学习技术实现数据存储以及回溯性知识发现[3]。

本文详细阐述了[3]中概述的智能建筑框架的实例化，提出了一种适用于气候研究设施的智能建筑架构。我们为ACE创建的原型智能建筑平台对此进行了验证。

II. 相关工作

在研究中，智能建筑的应用已在多个流程和领域得到展示。在汽车测试领域，[4]的研究人员展示了利用智能建筑测试汽车空调系统的潜力。研究人员指出，影响燃油消耗的一个方面是气候控制系统。他们通过仿真测试了21项节能措施对内部气候总体能耗的影响，包括对乘客舱、空气处理单元、空调系统、发动机及发动机冷却的测试。测试是在寒冷、中温和温暖条件的真实世界模拟中进行的。然而，研究人员并未提供有关实验数据采集和处理过程的详细信息。

有几座建筑和设施被创建用于促进智能建筑测试，如[5]中所述。研究人员详细描述了一个专用的测试设施，用于在气候控制实验室中对无人机（UAV）性能进行系统性研究。性能测试包括对恶劣环境条件下的测量。他们强调，该设施具有推动无人机设计开发以及考虑天气影响的安全性，从而提高稳定性和可追溯性的潜力。然而，他们并未提供能够支持多个流程利用模拟数据的数据管理流程。

Hangan在[1]中讨论了来自该设施的数据潜力，强调通过开发从其设施的大数据中提取有意义信息的算法，流体力学领域可能会取得有趣的突破。

另一种方法在[6]中得到展示，用于了解研究空间中的occupants如何影响整体室内环境质量。特别是，研究人员探索了利用生活实验室环境进行以人为本的建筑科学研究，综合考虑了多学科的数据收集实践、环境参数的远程监控、安全网络、云基础系统以及灵活的物理研究空间之间的平衡。他们的工作利用了智能电照明等建筑系统功能，以测试自然光和电力对occupant体验的影响。然而，研究人员并未提供有关如何有效整合数据收集的详细信息。

各种提到的数据源，即人类受试者、环境中的传感器以及建筑系统。

[7]的研究详细描述了建筑物内其他因素的组合，评估了声景及其相关的健康结果。研究人员详细说明了声学环境对人类福祉和生活质量影响的正负测量需求。然而，这些研究人员并未采用计算方法来收集建筑在模拟声学测试期间产生的大量数据，而是通过对城市声景、声学设计、公共卫生与福祉领域的专家进行访谈，完成了结构化调查。

麦格雷戈等人[8]详细阐述了一种在智能建筑设施内采集数据的方法。研究人员展示了一种利用大数据和人工智能，通过ACE设施的CWT、LCC、SCC和四柱试验台[8]进行极端气候适应韧性评估与开发的方法。在该研究中，CWT、LCC和SCC首次通过它们共同连接的转接舱被用作相互连接的腔室。在该研究中，腔室内的气候传感器以0.5 Hz的采样率采集风速（仅CWT）、温度和湿度等气候条件数据，并将其转发至麦格雷戈的雅典娜平台。然而，在整个适应性研究期间，气候传感器的数据收集是通过临时不连续连接方式从传感器获取的。

在ACE内模拟的真实世界情境中，会持续从建筑基础设施的各个方面以及参与测试的物体或人员获取数据流。因此，需要一个稳健的数据管理流程，以有效捕获任何基于环境的测试模拟中产生的所有数据，进行处理，并将数据无缝分发到其他流程，用于进一步的分析和机器学习建模，同时保护数据隐私。

III. ACE设施作为智能建筑

如我们在早期研究[3]中所述，一种集成并嵌入技术以捕捉建筑各个方面的建筑被称为智能建筑。特别是，智能建筑可以有多种类型，例如图书馆、住宅建筑，甚至用于测试气候与环境影响对众多企业和工作场所影响的研究设施。

ACE 是一个研发设施，提供多种舱室和技术，用于众多结构、耐久性和生命周期测试，如空气动力学和热管理。本文中将ACE视为智能建筑。最初，ACE 被设计用于汽车基础研发项目，并具备灵活性，可集成多种技术以在众多行业中模拟和测试真实环境与气候条件。基于此概念，我们可以从数据管理范式的角度来描述ACE作为智能建筑的潜力。因此，需要一个稳健的数据管理流程来利用测试过程中可模拟的数据。

ACE气候室内的活动[9]。此外，由于ACE服务于广泛的客户群体，任何在仿真过程中生成数据的客户都需要在分析ACE整体性能时确保其数据安全与隐私得到保护。

这是一个复杂过程，正如我们在早期研究[3]中指出的，在智能建筑中有效管理数据存在多个方面。我们确定了当前智能建筑数据管理面临的挑战，并提出了一种隐私保护智能建筑框架（PPSBF），以在保护数据源和上下文隐私的同时，实现对智能建筑数据的有效管理。为了能够实例化PPSBF，需要采用一种系统性方法，首先明确ACE中的当前数据管理情况。

我们注意到，ACE 拥有两个用于研究开发与评估的主要设施：核心研究设施（CRF）和综合研究与培训设施（IRTF），详见[2]。CRF 包含 CWT 和核心试验台室，即 LCC、SCC、半消声室、多轴振动台以及气候四柱振动台[2]。由于我们在当前研究中仅使用了 CRF 建筑，因此本文后续提到的 ACE 均指 CRF 建筑。

A. ACE中的数据管理

本文完成了对ACE当前数据管理的系统性特征描述。我们通过模拟PPSBF[3]中详细说明并在下文讨论的数据流原则，使用如图1所示的三个计算层来表示这一特征描述。

第1层是基础设施与通信协议[11]。第2层是本地数据处理（边缘计算节点），第3层包含云计算，具有多个客户端计算系统和分析功能。

第1层 ：该层包含用于获取建筑基础设施内生成的数据的基础设施和通信协议。如[9]中详细所述，有多个用于采集供暖、通风、空调、湿度及其他数据集的测试舱。特别是CWT在雪、热、风或雨等极端环境模拟期间，从5个单元生成数据。这5个单元包括：盐水热交换器、压缩机、乙二醇系统、空气处理单元和锅炉。每次模拟过程中，都会采集各个单元的事件数据，例如风速可超过250公里/小时，温度范围可达‐40至+60°C，相对湿度范围为5%至95%[9]。所有在第1层采集的数据都将流入第2层进行进一步处理。

第2层 ：这是包含ACE内计算系统的层，根据PPSBF中的原则，本文将这些系统称为边缘节点。如[9]所述，边缘节点是一种计算范式，其中所有数据处理均在智能建筑设施内部本地执行。在ACE中，存在多个边缘节点，本地计算数据枢纽在这些节点中对数据进行处理并将其分发到其他本地节点。

第3层 ：除了在第2层进行本地数据处理外，数据还可以分发到ACE设施外部的另一个计算层，这被定义为第3层。通过这种方法，多个云计算节点（CCN）可以接收来自第2层的数据。在云计算节点（CCN）中，可以利用这些数据执行多种工作流和应用程序，例如机器学习算法、分析或可视化，并将生成的输出用于广泛的各类服务。

由于ACE服务于多个客户端，因此需要一个强大的架构来有效管理三层之间每个客户端的数据，该架构能够持续捕获、处理、存储和分发所有环境数据以及ACE内生成的任何额外物联网数据，并实现实时传输，同时保护数据源和上下文的隐私。

这可以通过在结合了边缘计算和云计算的大数据计算架构中实例化PPSBF[9]来实现。PPSBF由多个代理和任务组成，旨在有效处理本地建筑内的物联网数据，并将其分发到云系统，同时保护数据源和上下文的隐私与安全。

在下一节中，我们通过扩展ACE内的当前数据管理，在案例研究原型中展示了这种实例化。

IV. ACE数据管理的边缘计算与大数据架构原型

我们设计了一个原型，通过扩展ACE中描述的三层数据管理层来实例化PPSBF。在第3节中，该实例化包含多个扩展，如图2所示。当来自ACE基础设施的数据在本地数据枢纽中被处理后，可分发到多个本地系统，然后再传输至云。在图2中，我们展示了两个从本地数据枢纽消费数据的客户端，即客户端（A）和客户端（B）。在所开发的原型中，我们的案例研究由图2(B)中所示的客户端表示。

为此，首先在ACE中创建了一个新的边缘计算层，该层包含一个新节点，用于接收来自ACE内现有计算节点（如本地数据枢纽）的通信。此新边缘节点遵循PPSBF[9]中描述的多代理原则，包含用于数据采集、处理、存储以及与其他系统共享的代理。特别是由CWT环境模拟（如加热、冷却或湿度）生成并在本地数据枢纽中捕获的数据包，会被处理并作为HTTP POST消息分发，供其他系统使用。图2(B)中详述的客户端即为这个新边缘节点，它以每20秒生成一次的速率消费新消息，并将其标准化后路由给数据采集代理进行处理。

数据采集代理包含用于消息中介、排队、实时流、处理的模块，然后将数据传输到本地存储中心。经过中介的消息在由共享代理支持的消息服务中进行处理和排队，以便供内部或外部的多个进程使用。

其次，通过设置具备从边缘节点代理订阅实时消息能力的HPC平台，创建并启用了新的云计算层，随后将消息流向云存储系统以进行进一步处理和存储。该过程基于我们在[10]中详细阐述的原则建模，其中多个客户端订阅一个自适应API，该API接收多路数据流，对其进行处理，然后发布标准化数据，供其他系统或服务使用。

在云计算节点中，设有用于数据统一和元数据集成的代理，以及其他用于分析、机器学习建模以及验证与评估的代理，同时集成了伦理与偏差代理。所生成的分析结果部署于服务提供层，其中产生的数据驱动分析可支持多种服务，如安全与安保执行、照明控制与监控、建筑容量与管理以及能源管理等诸多服务。

接下来，我们将详细介绍该架构设计原型的实验设置。

和 (B)代表不同的客户端系统。(B)表示当前的原型，其中Curl消息流至ACE内的新边缘计算层。在B中，蓝色表示在新边缘计算层内开发的代理及相关模块，橙色表示云中的模块和代理，紫色表示将要实现的未来代理和模块。)

五、实验设置

所开发的原型在多个计算平台和多个层次上建立，如图3所示。首先，在ACE的数据枢纽内，一个代理实时获取在CWT大楼中模拟生成的数据，并将其转换为HTTP POST消息，然后发送到边缘计算节点内的数据采集代理。在边缘节点中处理的数据随后被发布，供边缘节点内的其他系统以及外部的高性能计算云系统使用。在云系统中，将完成进一步的数据处理，包括可扩展数据存储。

为了便于进行所需的计算，已使用多个作为数据采集代理的软件应用。首先，采用了一个RabbitMQ队列服务器，因其能够作为中间件微服务代理，持续接收消息，然后由其他进程消费这些消息[11]。在RabbitMQ队列中，消息会被存储，直到接收应用连接并从队列中获取消息。我们实现了一个RabbitMQ服务器代理，作为消息代理，接收来自ACE数据枢纽处理后的HTTP POST消息，然后将其广播到多个队列中。队列的数量根据仿真过程中生成的数据单元数量进行扩展。具体而言，CWT数据单元（见图1，第1层）内每20秒生成的数据包由代理转换为HTTP POST消息，并根据数据上下文将其传输到RabbitMQ中的相应队列。已预定义用于处理来自CWT的五个数据单元的队列。此外，由于ACE中可能存在更多舱室生成模拟数据[9]，数据采集代理被设计为可适当扩展，从而能够处理更多的数据单元以及需要容纳更多数据的队列。

数据采集模块中的另一个代理利用IBM InfoSphere流计算软件（IBMStreams）[12]。IBMStreams因其可靠性以及能够摄取多个实时数据流，通过分析和人工智能技术对这些数据流进行转换，并生成可供其他系统和流程订阅的元组而被采用。我们实现的IBMStreams服务器会消费并转换来自RabbitMQ队列的消息，然后发布结果输出，供其他服务订阅，包括发送到本地存储中心。特别是，DB2数据库应用程序被实现为所开发原型的首选存储代理，因其易于与IBMStreams集成，具有稳定性、可靠性、可扩展性，以及能够存储在IBMStreams内部已转换的消息，并可供其他服务进一步处理。

在云计算中，已在女王大学先进计算中心的HPC平台内设计了一个高性能计算云（HPC）服务器，作为Compute Ontario基础设施下先进研究计算（ARC）的一部分，遵循我们在[10]中提到的其他云计算项目所采用的类似原则。在云HPC服务器中，已部署多个代理，并配置了工作流以接收和处理传入的数据，然后将结果发送至存储系统或共享给其他系统进行进一步处理和分析。所实现的工作流包括IBMStreams服务器、DB2以及Data Studio客户端，用于对DB2存储服务器中的数据进行回顾性分析。

VI. 未来方向与下一步

本文详细介绍了原型的设计与实现，为智能建筑中采集的数据的有效管理奠定了坚实基础。特别是在ACE建筑中，该原型能够摄取和处理仿真过程中生成的环境数据，这些数据可由多个代理和工作流在本地或云中进一步处理，其结果可用于PPSBF[3]中提到的多种服务。因此，需要实现更多代理，以充分实现PPSBF中概述的全面数据管理潜力。

在边缘计算层中，将有多个代理需要在未来的工作中实现和明确。这些包括数据统一代理：它们将实现元数据/验证和映射，以确保对数据源上下文、多数据集关联的清晰理解；隐私保护代理：这些代理用于数据掩码、去标识化和加密。关于数据共享代理，尽管当前原型中已实现了一些数据代理来共享数据，但仍需进一步完善工作，以支持数据质量评估、本地分析能力，并发布这些分析结果，供其他内部和外部系统使用处理后的数据。

在云计算层中，由于可能存在来自智能建筑内多个源的多个数据流，因此需要实施更多的代理来统一这些多路数据流。在云中完成数据统一后，将实施包含验证、评估以及偏见和伦理评估模块的机器学习算法和分析方法，并基于我们在[13]中的工作，实现可摄取实时高速流数据的实时分析。建模后，将使用代理来部署模型输出，以提供多种服务。

可提供的服务包括智能建筑中的人本能源管理，如[6]基于医疗保健的研究中所述的极端环境适应及其他人因研究，以及[8]中详述的基于汽车的环境测试[5]。特别是将其他模拟数据集成到智能建筑中，以评估自动驾驶汽车在极端天气条件下与人类的交互，可以从这种高效的数据管理架构中受益。

本文详细阐述的原型将持续进行设计并逐步推进实施，这将涉及为此类模拟测试开发组件。我们的研究合作在自动驾驶车辆创新网络（AVIN）[2]内得以实现。AVIN的目标是推进自动驾驶汽车的研发。在ACE中，创新和变革性的汽车交通以及基础设施系统技术得到测试，我们的研究通过为ACE所涉所有实体中采集的数据开发高效的大数据架构，从而为自动驾驶汽车领域的研究做出贡献。

在ACE中的环境测试，例如自动驾驶汽车及其与人类和其他物体的交互。

VII. 结论

为了充分发挥智能气候测试设施建筑的潜力，需进行极端环境测试，包括采集模拟气候数据（如供暖、通风、空调、湿度）并分析所采集的数据，以了解在差异极大的气候条件下物体之间的相互作用。此类测试由智能建筑（如ACE[9]）支持，该类建筑包含多个用于多领域气候模拟测试的测试舱，涵盖空气动力学、极端工作条件或自动驾驶汽车等。

这是一个复杂过程，需要开发一种强大的数据管理架构，以有效捕获和处理来自测试与模拟设施内多数据源的数据。在我们早期的研究中，我们提出了一种全面的PPSBF，能够有效采集和利用智能建筑中的数据，进而用于提供多种服务[3]。本文展示了一个基础原型，该原型通过边缘和云计算节点实例化PPSBF，以有效管理来自ACE的数据。为了完整实现PPSBF中详细描述的各个组件，目前正在进行更多工作，如第6节所述，包括引入用于隐私保护的代理、与其他数据源的链接、验证、机器学习建模以及为服务提供生成结果。在后续的出版物中，将提供该原型的演进情况。