车路协同全链路数据质量监控方法、装置及计算机设备

技术领域

本发明涉及数据监控方法，更具体地说是指车路协同全链路数据质量监控方法、装置及计算机设备。

背景技术

车路协同系统采用无线通信和新一代互联网技术，将车路人结合成为一体化的交通协同管控体系，实现车车、车路实时动态信息交互，车辆自动/辅助驾驶控制和道路协同管理，充分实现人、车、路的有效协同。

但是，车路协同系统复杂、数据链路长、涉及的传输环节众多，车路协同系统平台的运维和数据质量监控存在多方面的挑战，运维人员需要处理大量的数据源、处理流程和服务，面临着监控、故障排除、性能调优等方面的痛点；数据质量问题也是一个普遍存在的挑战，包括数据源异构、格式不一致、数据缺失和延迟等，而解决这些问题通常需要大量的人工干预和时间。

因此，有必要设计一种新的方法，实现提高数据质量监控的准确性，提升监控实时性，减少人工干预成本以及时间成本。

发明内容

本发明的目的在于克服现有技术的缺陷，提供车路协同全链路数据质量监控方法、装置及计算机设备。

为实现上述目的，本发明采用以下技术方案：车路协同全链路数据质量监控方法，包括：

获取上行链路数据，并汇集至Kafka集群；

获取下行链路数据，并汇集至Kafka集群；

获取V2X预警数据链路，并汇集至Kafka集群；

对所述Kafka集群内的数据进行链路分析，以得到分析结果；

将所述分析结果转发至另一Kafka集群。

其进一步技术方案为：所述上行链路数据包括MEC上传到云平台的感知数据以及云平台所记录的监控信息。

其进一步技术方案为：所述下行链路数据包括MEC下发到RSU的感知数据、云平台下发到MEC的决策数据。

其进一步技术方案为：所述V2X预警数据链路包括预警产生的时间、预警类型、设备信息。

其进一步技术方案为：所述对所述Kafka集群内的数据进行链路分析，以得到分析结果，包括：

对所述Kafka集群内的上行链路数据进行时延和频率的分析，当出现时延和频率不满足设定要求时，生成告警信息，以得到第一分析结果；

对所述Kafka集群内的下行链路数据进行每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析，以得到第二分析结果；

对所述Kafka集群内的V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析，以得到第三分析结果。

其进一步技术方案为：所述将所述分析结果转发至另一Kafka集群之后，还包括：

对分析结果以及所述Kafka集群内的数据进行存储。

其进一步技术方案为：所述对分析结果以及所述Kafka集群内的数据进行存储，包括：

对分析结果以及所述Kafka集群内的数据使用时序数据库进行存储。

本发明还提供了车路协同全链路数据质量监控装置，包括：

第一获取单元，用于获取上行链路数据，并汇集至Kafka集群；

第二获取单元，用于获取下行链路数据，并汇集至Kafka集群；

第三获取单元，用于获取V2X预警数据链路，并汇集至Kafka集群；

分析单元，用于对所述Kafka集群内的数据进行链路分析，以得到分析结果；

转发单元，用于将所述分析结果转发至另一Kafka集群。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过对获取到的上行链路数据、下行链路数据、V2X预警数据链路进行汇集，并进行链路分析，过实现车路协同系统的全链路的数据质量监控，全自动分析，实现提高数据质量监控的准确性，提升监控实时性，减少人工干预成本以及时间成本。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的车路协同全链路数据质量监控方法的应用场景示意图一；

图2为本发明实施例提供的车路协同全链路数据质量监控方法的应用场景示意图二；

图3为本发明实施例提供的车路协同全链路数据质量监控方法的流程示意图；

图4为本发明实施例提供的车路协同全链路数据质量监控方法的子流程示意图；

图5为本发明另一实施例提供的车路协同全链路数据质量监控方法的流程示意图；

图6为本发明实施例提供的车路协同全链路数据质量监控装置的示意性框图；

图7为本发明实施例提供的车路协同全链路数据质量监控装置的分析单元的示意性框图；

图8为本发明另一实施例提供的车路协同全链路数据质量监控装置的示意性框图；

图9为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1至图3，图1为本发明实施例提供的车路协同全链路数据质量监控方法的应用场景示意图一。图2为本发明实施例提供的车路协同全链路数据质量监控方法的应用场景示意图二。图3为本发明实施例提供的车路协同全链路数据质量监控方法的示意性流程图。该车路协同全链路数据质量监控方法应用于服务器中，该服务器在图1和图2呈现为监控平台。该服务器与车端设备以及路端设备进行数据交互，其中，如图1所示，车端设备包括V2X OBU和平板；路端设备包括路侧感知设备和路侧计算设备；路况是指路侧感知设备感知的路况信息，包括机动车、非机动车和行人的轨迹信息云平台汇聚路端上送的数据，进行数据清洗和共享。上述设备构成了车路协同系统。监控平台对上述所有设备进行数据链路的监控和分析，即对车路协同系统中数据流动的每个环节进行全方位监控；具体地，如图2所示，监控平台基于ELK（Elasticsearch-Logstash-Kibana）技术栈，对车路协同系统的全链路进行数据监控、分析和可视化；综上所述，本实施例的方法通过在车路协同系统各个数据环节增加数据捕获接口，收集数据链路监控信息，包括路况数据、信号灯数据、机非人轨迹，各个前端硬件设备的数据流信息。它们将由独立的监控平台进行收集、存储、分析和展示，监控平台采用ELK技术栈作为时序数据库进行存储和检索，并使用Kafka作为数据分析模块的缓存和解耦中间件，确保监控数据在分析过程的可靠传输。整个方案的优点是：高效的数据写入和查询、基于时间范围查询、支持高并发写入、支持数据保留策略（根据时间进行数据自动删除）、支持复杂的查询和分析。

图3是本发明实施例提供的车路协同全链路数据质量监控方法的流程示意图。如图3所示，该方法包括以下步骤S110至S150。

S110、获取上行链路数据，并汇集至Kafka集群。

在本实施例中，所述上行链路数据包括MEC上传到云平台的感知数据以及云平台所记录的监控信息。

具体地，上行链路数据的上传协议可以是HTTP/HTTPS、MQTT等，感知数据包括目标物（机非人）、信号灯相位数据，数据中包含数据产生时间和数据本身。云平台在接收到数据后，除了存储数据之外，还会记录监控信息，如接收时间、数据来源、数据产生时间、数据ID，这些数据通过Filebeat组件进行收集，推送到Kafka集群。

S120、获取下行链路数据，并汇集至Kafka集群。

在本实施例中，所述下行链路数据包括MEC下发到RSU的感知数据、云平台下发到MEC的决策数据。

具体地，决策数据包括云平台下发交通事件、公交优先等平台决策数据，经MEC透传下发到RSU、OBU、平板进行显示。

下发链路中的每个环节（云平台、MEC、RSU、OBU、平板）在接收到上游数据，以及下发数据给下游时，都会通过HTTP/HTTPS或MQTT接口把数据上传到监控平台，这些数据包括接收时间/发送时间、设备信息、关键数据项，监控平台统一经由Filebeat进行收集，并推送到Kafka集群。

S130、获取V2X预警数据链路，并汇集至Kafka集群。

在本实施例中，所述V2X预警数据链路包括预警产生的时间、预警类型、设备信息。

具体地，车端OBU接收到MEC下发的V2X数据集后，将进行各个标准场景的预警分析，如产生预警，OBU将把预警数据上传到云平台，由云平台进行收集，收集的数据项包括预警产生的时间、预警类型、设备信息，云平台将结合MEC下发的V2X数据集进行汇总分析。

对于上述的步骤S110~S130，需要在车路协同系统的相关设备（平板、OBU、RSU、MEC）引入了专门的数据收集接口，以便实现对上行链路数据、下行链路数据和V2X预警数据的全链路的关键节点信息的精准采集

S140、对所述Kafka集群内的数据进行链路分析，以得到分析结果。

在本实施例中，分析结果包括第一分析结果、第二分析结果以及第三分析结果。

在一实施例中，请参阅图4，上述的步骤S140可包括步骤S141~S143。

S141、对所述Kafka集群内的上行链路数据进行时延和频率的分析，当出现时延和频率不满足设定要求时，生成告警信息，以得到第一分析结果。

在本实施例中，第一分析结果是包括上行链路数据进行时延和频率的分析所得的结果，以及当出现时延和频率不满足设定要求时，生成的告警信息。

对上行链路数据进行时延和频率的分析。通过比较实际的时延和频率与设定要求的阈值进行对比，当出现不满足要求的情况时，生成告警信息，以得到第一分析结果。

具体地，MEC感知数据需要满足低时延的性能要求，且数据频率需满足不同的要求。各个感知数据上传到云平台的时延需要在100ms以内，数据频率根据不同的数据而不同，如目标物数据的频率为25Hz、信号灯的频率为1Hz。数据分析单元304发现时延和频率不满足上述要求的，将产生数据告警，告警结果将推送到Kafka集群进行后续处理。

S142、对所述Kafka集群内的下行链路数据进行每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析，以得到第二分析结果。

在本实施例中，对下行链路的每个环节进行处理时间、环节之间的时延、端到端时延、数据触达成功率以及失败特点等方面进行分析。这些分析可以帮助确定链路中存在的瓶颈和问题，并提供改进的方向，以得到第二分析结果。第二分析结果包括每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析的结果。

具体地，由云平台下发的交通事件或公交优先指令，经过MEC、RSU、OBU，最终将到达车端平板进行显示和语音播报，每个环节的监控数据都会汇聚到监控平台，监控平台据此进行几个方面的数据分析：每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点（如平板收不到时，是否和地理位置或时间有强相关关系）。

S143、对所述Kafka集群内的V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析，以得到第三分析结果。

在本实施例中，第三分析结果是指V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析所得的结果。

具体地，车端OBU产生的V2X预警，其判断规则是来源于MEC下发的感知数据，监控平台将此链路进行监控，包括从下发V2X数据集到OBU产生预警的时延、预警产生成功率等。判断规则包括：

盲区/变道、逆向行驶，用RSM和BSM综合判定；道路危险状况、拥堵，使用RSI进行判定；限速预警，使用RSI和MAP进行判定；闯红灯预警，使用SPAT和MAP进行判定。

上述的步骤S140具备以下好处：

及时发现问题：通过链路分析，可以实时监测Kafka集群内的链路数据，并对时延、频率、数据触达等指标进行分析，从而及时发现链路中存在的问题和异常情况。

自动化告警：当链路数据的时延或频率不满足设定要求时，可以自动生成告警信息，及时通知相关人员进行处理，提高问题的响应速度。

瓶颈分析和优化：通过对下行链路各个环节的分析，可以找到处理时间较长的环节以及环节之间的时延，帮助确定链路中的瓶颈，并提供改进的方向和策略，以优化链路性能。

V2X预警数据分析：对V2X预警数据链路进行分析，可以评估下发预警数据到OBU产生预警的时延和成功率，帮助优化预警系统的性能和可靠性。

综上所述，通过对Kafka集群内的链路数据进行分析，可以提升链路性能、及时发现问题，从而提高系统的可靠性和效率。

S150、将所述分析结果转发至另一Kafka集群。

本实施例的方法基于监控数据实施了全链路的数据分析和监控，监控内容包括各个环节的数据时延、端对端数据时延以及数据传输频率的合理性。通过对这些关键指标的监测和分析，监控平台为云平台提供可信、稳定、高效的数据质量，为决策者和系统优化提供精准的参考依据。这一全链路监控机制使系统具备了更高水平的自适应性和优化能力，从而更好地满足不断变化的交通环境需求。

上述的车路协同全链路数据质量监控方法，通过对获取到的上行链路数据、下行链路数据、V2X预警数据链路进行汇集，并进行链路分析，过实现车路协同系统的全链路的数据质量监控，全自动分析，实现提高数据质量监控的准确性，提升监控实时性，减少人工干预成本以及时间成本。

图5是本发明另一实施例提供的一种车路协同全链路数据质量监控方法的流程示意图。如图5所示，本实施例的车路协同全链路数据质量监控方法包括步骤S210-S260。其中步骤S210-S250与上述实施例中的步骤S110-S150类似，在此不再赘述。下面详细说明本实施例中所增加的步骤S260。

S260、对分析结果以及所述Kafka集群内的数据进行存储。

具体地，对分析结果以及所述Kafka集群内的数据使用时序数据库进行存储。

转发了分析结果之后，还需要把这些监控数据以及原始数据进行存储。由于这些数据都是按照时间顺序组织，分析和检索时都依赖时间，故本实施例的方法使用时序数据库进行存储。Elasticsearch虽然不是专门的时序数据库，但它内置了时间戳字段，Logstash、Kibana都可基于时间戳进行数据处理和展示，因此Elasticsearch当作时序数据库使用。Logstash在处理数据时，将会在数据中自动插入一个时间戳字段@timestamp，Kibana中可根据这个时间戳进行根据时间范围的统计，也可以根据数据制作规则进行告警通知。

具体地，为了更好地管理和利用这些海量的车路协同数据，采纳了时序数据库进行全链路数据的存储和分析工具。时序数据库具备高效存储和检索的特性，尤其适用于按时间顺序组织的数据，例如车路协同系统的感知数据、车流量数据、信号灯数据、V2X预警数据、链路数据等，这种先进的数据管理方案有助于提升系统的整体性能，确保数据的可靠性和实时性。

本实施例的方法所提及的边缘计算单元上传感知数据，包含信号灯数据、路口车辆信息、车流量等数据，满足数据上传到的时延在100ms以内；监控平台基于数据链路各个环节上送的数据，进行数据分析，并进行告警，整个数据处理迟延在10ms以内。

采取时序数据库存储实现车路协同系统的全链路数据质量监控，首先，监控的实时性得到提升，能够即时监测数据流，及时发现和响应数据质量问题，从而缩短故障修复时间，提高平台的实时性。其次，自动化监控和异常处理机制的引入减轻了运维人员的负担，提高了效率，降低了运维成本。此外，通过全链路监控可以提高数据准确性，确保数据在不同环节的一致性，进而提升数据质量，增强了数据服务的可信度。最后，全链路监控还能通过分析历史数据质量问题提供预测性维护，帮助预防潜在问题，提高系统稳定性，带来实质性的业务效益。

综上所述，本实施例的方法使用时序数据库实现车路协同全链路的数据质量监控，这有助于监控车路协同系统的上行数据、下行数据、V2X预警数据在传输和存储过程中的准确性和完整性，提供实时的数据监控，使得系统能够即时发现并纠正潜在的数据质量问题，从而提高车路协同系统的效率和可靠性。通过使用时序数据库，本实施例的方法能够更好地处理与时间相关的数据，例如路况数据、信号灯数据等，从而提高数据存储和检索的效率。通过实现车路协同系统的全链路的数据质量监控，本实施例的方法有助于提高车路协同系统的稳定性，降低因数据错误或丢失而导致的系统故障的风险。通过确保车路协同系统中的数据质量，本方案有助于云平台对外提供更准确、可信的数据，从而改善交通管理决策的支持和准确性。

图6是本发明实施例提供的一种车路协同全链路数据质量监控装置300的示意性框图。如图6所示，对应于以上车路协同全链路数据质量监控方法，本发明还提供一种车路协同全链路数据质量监控装置300。该车路协同全链路数据质量监控装置300包括用于执行上述车路协同全链路数据质量监控方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该车路协同全链路数据质量监控装置300包括第一获取单元301、第二获取单元302、第三获取单元303、分析单元304以及转发单元305。

第一获取单元301，用于获取上行链路数据，并汇集至Kafka集群；第二获取单元302，用于获取下行链路数据，并汇集至Kafka集群；第三获取单元303，用于获取V2X预警数据链路，并汇集至Kafka集群；分析单元304，用于对所述Kafka集群内的数据进行链路分析，以得到分析结果；转发单元305，用于将所述分析结果转发至另一Kafka集群。

在一实施例中，如图7所示，所述分析单元304包括第一分析子单元3041、第二分析子单元3042以及第三分析子单元3043。

第一分析子单元3041，用于对所述Kafka集群内的上行链路数据进行时延和频率的分析，当出现时延和频率不满足设定要求时，生成告警信息，以得到第一分析结果；第二分析子单元3042，用于对所述Kafka集群内的下行链路数据进行每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析，以得到第二分析结果；第三分析子单元3043，用于对所述Kafka集群内的V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析，以得到第三分析结果。

图8是本发明另一实施例提供的一种车路协同全链路数据质量监控装置300的示意性框图。如图8所示，本实施例的车路协同全链路数据质量监控装置300是上述实施例的基础上增加了存储单元306。

存储单元306，用于对分析结果以及所述Kafka集群内的数据进行存储。具体地，对分析结果以及所述Kafka集群内的数据使用时序数据库进行存储。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述车路协同全链路数据质量监控装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述车路协同全链路数据质量监控装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。

请参阅图9，图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种车路协同全链路数据质量监控方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种车路协同全链路数据质量监控方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取上行链路数据，并汇集至Kafka集群；获取下行链路数据，并汇集至Kafka集群；获取V2X预警数据链路，并汇集至Kafka集群；对所述Kafka集群内的数据进行链路分析，以得到分析结果；将所述分析结果转发至另一Kafka集群。

其中，所述上行链路数据包括MEC上传到云平台的感知数据以及云平台所记录的监控信息。

所述下行链路数据包括MEC下发到RSU的感知数据、云平台下发到MEC的决策数据。

所述V2X预警数据链路包括预警产生的时间、预警类型、设备信息。

在一实施例中，处理器502在实现所述对所述Kafka集群内的数据进行链路分析，以得到分析结果步骤时，具体实现如下步骤：

对所述Kafka集群内的上行链路数据进行时延和频率的分析，当出现时延和频率不满足设定要求时，生成告警信息，以得到第一分析结果；对所述Kafka集群内的下行链路数据进行每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析，以得到第二分析结果；对所述Kafka集群内的V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析，以得到第三分析结果。

在一实施例中，处理器502在实现所述将所述分析结果转发至另一Kafka集群步骤之后，还实现如下步骤：

对分析结果以及所述Kafka集群内的数据进行存储。

在一实施例中，处理器502在实现所述对分析结果以及所述Kafka集群内的数据进行存储步骤时，具体实现如下步骤：

对分析结果以及所述Kafka集群内的数据使用时序数据库进行存储。

应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取上行链路数据，并汇集至Kafka集群；获取下行链路数据，并汇集至Kafka集群；获取V2X预警数据链路，并汇集至Kafka集群；对所述Kafka集群内的数据进行链路分析，以得到分析结果；将所述分析结果转发至另一Kafka集群。

其中，所述上行链路数据包括MEC上传到云平台的感知数据以及云平台所记录的监控信息。

所述下行链路数据包括MEC下发到RSU的感知数据、云平台下发到MEC的决策数据。

所述V2X预警数据链路包括预警产生的时间、预警类型、设备信息。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述Kafka集群内的数据进行链路分析，以得到分析结果步骤时，具体实现如下步骤：

对所述Kafka集群内的上行链路数据进行时延和频率的分析，当出现时延和频率不满足设定要求时，生成告警信息，以得到第一分析结果；对所述Kafka集群内的下行链路数据进行每个上下游环节的处理时间、每个环节之间的时延、下行链路的端到端时延、数据的触达成功率、数据触达的失败特点的分析，以得到第二分析结果；对所述Kafka集群内的V2X预警数据链路进行下发V2X数据集到OBU产生预警的时延、预警产生成功率的分析，以得到第三分析结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述将所述分析结果转发至另一Kafka集群步骤之后，还实现如下步骤：

对分析结果以及所述Kafka集群内的数据进行存储。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对分析结果以及所述Kafka集群内的数据进行存储步骤时，具体实现如下步骤：

对分析结果以及所述Kafka集群内的数据使用时序数据库进行存储。

所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。