基于Hive的海量搜索日志分析系统研究

第３０卷第１１期　计算机应用研究　Ｖｏ１．３０　Ｎｏ．１１　２０１３年１１月　Ａｐｐｌｉｃａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ　Ｎｏｖ．２０１３　基于Ｈｉｖｅ的海量搜索日志分析系统研究　赵龙，江荣安　（大连理工大学计算机学院，辽宁大连１１６０２４）　摘要：针对传统分布式模型在海量日志并行处理时的可扩展性和并行程序编写困难的问题，提出了基于Ｈｉｖｅ　的Ｗｅｂ海量搜索日志分析机制。利用ＨＱＬ语言以及Ｈａｄｏｏｐ分布式文件系统（ＨＤＦＳ）和ＭａｐＲｅｄｕｃｅ编程模式对　海量搜索日志进行分析处理，对用户搜索行为进行了分析研究。对用户搜索行为中的查询热点主题、用户点击　数和ＵＲＬ排名、查询会话的分析结果对于搜索引擎的排序算法和系统优化都有一定的指导意义。　关键词：Ｈａｄｏｏｐ；ＭａｐＲｅｄｕｃｅ；ＨＱＬ语言；Ｗｅｂ日志；搜索引擎；用户行为分析　中图分类号：ＴＰ３９１　文献标志码：Ａ　文章编号：１００１—３６９５（２０１３）１１・３３４３—０３　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１３．１１．０３５　Ｒｅｓｅａｒｃｈ　ｏｆ　ｍａｓｓｉｖｅ　ｓｅａｒｃｈｉｎｇ　ｌｏｇｓ　ａｎａｌｙｓｉｓ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　Ｈｉｖｅ　ＺＨＡＯ　Ｉ　ｎｇ，ＪＩＡＮＧ　Ｒｏｎｇ—ａｎ　（Ｓｃｈｏｏｌ　ｏｆＣｏｍｐｕｔｅｒ，Ｄａｌｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ　Ｌｉａｏｎｉｎｇ　１１６０２４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｂｏｔｔｌｅｎｅｃｋｓ　ｏｆ　ｔｒａｄｉｔｉｏｎａｌ　ｄｉｓｔｉｒｂｕｔｅｄ　ｐｒｏｇｒａｍｍｉｎｇ　ｍｏｄｅｌ　ｆｏｒ　ｓｃａｌａｂｉｌｉｔｙ　ａｎｄ　ｐａｒａｌｌｅｌ　ｐｒｏｇｒａｍｍｉｎｇ，　ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｄ　ａ　ｍａｓｓｉｖｅ　Ｗｅｂ　ｓｅａｒｃｈｉｎｇ　ｌｏｇ　ａｎａｌｙｓｉｓ　ｍｅｃｈａｎｉｓｍ　ｂａｓｅｄ　ｏｎ　Ｈｉｖｅ．Ｂｙ　ｕｓｉｎｇ　ＨＱＬ　ｌａｎｇｕａｇｅ，Ｈａｄｏｏｐ　ｄｉｓｔｒｉｂ￣　ｕｔｅｄ　ｉｆｌｅ　ｓｙｓｔｅｍ（ＨＤＦＳ）ａｎｄ　ＭａｐＲｅｄｕｃｅ　ｐｒｏｇｒａｍｍｉｎｇ　ｍｏｄｅｌ，ｉｔ　ｃｏｎｄｕｃｔｅｄ　ａｎ　ａｎａｌｙｓｉｓ　ｏｎ　ｕｓｅｒ　ｓｅａｒｃｈｉｎｇ　ｂｅｈａｉｖｏｒｓ，ｒｅｌｅｖａｎｔ　ｉｎｆｏｒｍａｔｉｏｎ　ｔａｋｉｎｇ　ｉｎｔｏ　ｃｏｎｓｉｄｅｒａｔｉｏｎ　ｉｎｃｌｕｄｉｎｇ　ｈｏｔ　ｋｅｙｗｏｒｄｓ　ｉｎ　ｔｈｅ　ｑｕｅｒｙ，ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｕｓｅｒ　ｃｌｉｃｋｓ　ａｎｄ　ＵＲＬ　ｒａｎｋ・　ｉｎｇ　ａｎｄ　ｑｕｅｒｙ　ｓｅｓｓｉｏｎｓ．Ｔｈｅ　ｒｅｓｕｈ　ｏｆ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｈａｓ　ａ　ｃｅｒｔａｉｎ　ｇｕｉｄｉｎｇ　ｓｉｇｎｉｆｉｃａｎｃｅ　ｔｏ　ｔｈｅ　ｓｅａｒｃｈ　ｅｎｇｉｎｅ　ｒａｎｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ａｎｄ　ｓｙｓｔｅｍ　ｏｐｔｉｍｉｚａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：Ｈａｄｏｏｐ；ＭａｐＲｅｄｕｃｅ；ＨＱＬ　ｌａｎｇｕａｇｅ；Ｗｅｂ　ｌｏｇｓ；ｓｅａｒｃｈ　ｅｎｇｉｎｅｓ；ｕｓｅｒ　ｂｅｈａｖｉｏｒ　ａｎａｌｙｓｉｓ　户可以在不了解分布式底层细节的情况下开发分布式程序，能　０引言　充分利用集群的优势对海量数据进行高效处理，是大规模数据　在互联网高速发展和迅速普及的背景下，网络信息膨胀速　处理的一个理想的解决方案。　度呈现指数级增长。作为当前网络信息检索的主要工具，搜索　Ｈａｄｏｏｐ的核心由ＨＤＦＳ和ＭａｐＲｅｄｕｃｅ两部分组成。ＨＤＦＳ　引擎已成为人们访问互联网资源的重要途径。通过记录和分　提供了一个稳定的文件系统，采用Ｍａｓｔｅｒ／Ｓｌａｖｅ主从架构　，　析用户的行为特征，认识用户意图和兴趣来改善搜索引擎的性　由一个管理节点（ＮａｍｅＮｏｄｅ）提供元数据服务，负责管理整个　能，为用户提供更加个性化的信息服务。　文件系统，Ⅳ个数据节点（ＤａｔａＮｏｄｅ）负责存储，定位数据块。　通常搜索引擎的Ｅｔ志记录用户与搜索引擎交互的主要行　ＭａｐＲｅｄｕｃｅ是Ｈａｄｏｏｐ下一个可用于海量数据处理的并行编程　为信息，是研究分析真实的网络用户行为的主要途径和载体，　模式　Ｊ。它把分布式计算抽象为Ｍａｐ和Ｒｅｄｕｃｅ两个集合操　这种分析方式也逐渐被产业界和学术界所采纳。比如在２Ｏ世　作，通过键值对（ｋｅｙ／ｖａｌｕｅ）的方式用于海量数据的并行计算。　纪９０年代中期，Ｃｏｃｋｂｕｒｎ等人　分别对用户浏览行为进行了　１．２　Ｈｉｗ数据仓库　调研分析。１９９８年，Ｓｉｌｖｅｍｔｅｉｎ等人　对商业搜索引擎的用户　Ｈｉｖｅ　５　是一个基于Ｈａｄｏｏｐ的数据仓库的基础架构，一种　日志进行了大规模的分析。　可以存储、查询和分析在ＨＤＦＳ中大规模数据的机制。它可以　然而，一般大型的搜索引擎日志都是海量文件。传统对于　用来进行海量数据提取、转换、加载（ＥＴＬ）［６　Ｊ。Ｈｉｖｅ定义了简　超大规模的数据文件的处理都是通过分而治之的思想，在分布　单的类ＳＱＬ查询语言（ＨＱＬ），经过对语句进行解析和转换，最　式的环境下采用多线程多任务进行分解。这样编程难度比较　终生成一系列的ＭａｐＲｅｄｕｃｅ任务进行数据处理，提供使用者　高而且可扩展性不强。本文采用基于Ｈａｄｏｏｐ分布式的架构，　部分与传统ＲＤＢＭＳ一样的表格查询特性和分布式存储计算　能很好地处理海量数据文件。　特性。Ｈｉｖｅ架构如图１所示。　１相关技术介绍　ａ）用户接口Ｈｉｖｅ主要有ＣＬＩ、ｃｌｉｅｎｔ和ＷＵＩ三个用户接　口。其中命令行接口（ＣＬＩ）是最常用的；Ｃｌｉｅｎｔ是Ｈｉｖｅ的客户　１．１　Ｈａｄｏｏｐ分布式系统　端，用户连接至Ｈｉｖｅ　ｓｅｒｖｅｒ；需要指出Ｈｉｖｅ　ｓｅｒｖｅｒ所在节点，并　Ｈａｄｏｏｐ是Ａｐａｃｈｅ基金会下的一个分布式的系统架构，用　且在该节点启动Ｈｉｖｅ　ｓｅｒｖｅｒ；ＷＵＩ通过浏览器访问Ｈｉｖｅ。　收稿日期：２０１３－０３－１１；修回日期：２０１３—０４－２３　作者简介：赵龙（１９８３．），男，新疆博乐人，硕士研究生，主要研究方向为计算机网络应用、信息安全（ｍａｘｚｈａｏ—ｄｕｔ＠ｓｉｎａ．ｅｏｌｎ）；江荣安，男，副教　授，主要研究方向为计算机网络、信息安全．　・３３４４・　计算机应用研究　ＯＶＥＲＷＲＩＴＥ　ｉｎｔｏ　ＴＡＢＬＥ　ｓｏｇｏｕ第３０卷　ｌｏｇ　ＰＡＲＴＩＴＩＯＮ（ｄｓ＝‘２００８—　ｂ）元数据存储Ｈｉｖｅ中的元数据包括表的名字、表的列和　分区及其属性、表的属性、表的数据所在目录等。Ｈｉｖｅ将元数　０６－０１’）。　据存储在数据库中。　ｅ）解释器、编译器、优化器完成ＨＱＬ查询语句从词法分　析、语法分析、编译、优化以及查询计划的生成。生成的查询计　划存储在ＨＤＦＳ中，并在随后由ＭａｐＲｅｄｕｃｅ调用执行。　ｄ）Ｈｉｖｅ的数据存储在ＨＤＦＳ中，大部分的查询由ＭａｐＲｅ—　ｄｕｃｅ完成。　图１　Ｈｉｖｅ架构　１．３用户行为分析　用户行为分析　是指在获得网站访问量基本数据的情况　下，对有关数据进行统计、分析，从中发现用户访问网站的规　律。对于搜索引擎而言，当前主流以查询关键字为载体进行检　索，因此，用户提交的查询长度、提交的查询次数，以及提交查　询的类型决定了用户传递给搜索引擎的信息内容和信息量。　２基于Ｈｉ　的海量日志处理模型设计　２．１　数据集及数据格式　搜索引擎日志文件一般记录用户ＵｓｅｄＤ（用户使用浏览　器访问搜索引擎时的ｃｏｏｋｉｅ值）、查询的关键词、被点击的　ＵＲＬ的排名、用户点击的顺序号、点击的ＵＲＬ。例如，某记录　为“８５６１３６６１０８０３３２０１［汶川Ｉ地震原因］３２ｗｗｗ．ｂｉｇ３８．ｎｅｔ”，对　应的ＵｓｅｒｌＤ是“８５６１３６６１０８０３３２０１”，查询词为“汶川Ｉ地震原　因”，被点击的ＵＲＬ在结果中排名第三位，用户是第二个点击　的，点击的ＵＲＬ为“ｗｗｗ．ｂｉｇ３８．ｎｅｔ”。　２．２系统架构设计　本系统设计的架构如图２所示。具体执行情况如下：　、ａ）数据采集。　本实验采用的数据是由搜狗实验室（ｗｗｗ．　ｓｏｇｏｕ．ｃｏｍ／ｌａｂｓ）提供的２００８年６月份用户点击情况的网页查　询日志数据集合。提供的数据有三种，分别为样本数据（８７７　ＫＢ）、一天的数据（１４８　ＭＢ）、一个月完整数据（４．２３　ＧＢ）。　ｂ）数据预处理。通过对源数据的研究分析，需要对源数　据进行以下三方面的预处理工作：日志切割、数据去重和关键　字中文分词。首先对于４．２３　ＧＢ的单个日志来说已经算是规　模比较大，同时兼顾Ｈａｄｏｏｐ的性能问题，需要把日志分为合适　的小日志文件；其次是数据去重，数据集中包含有大量重复的　记录，对于同一个用户其搜索的关键字一样的数据需要去除；　最后是中文分词，由于用户输入的关键词有可能是句子或长短　语，这样的话需要对句子进行分词，用更短的关键词表示，本文　采用的是开源的基于Ｈ１ｒｒＰ协议的中文分词软件ＨＴＦＰＣＷＳ进　行处理。把清理后得到的结构化数据分别映射为数据库表，导　人到Ｈｉｖｅ数据仓库里面，并且将之前切割的数据表分区，在　ＨＤＦＳ进行存储和管理。例如：把日志文件导入Ｈｉｖｅ数据仓库　的ＨＱＬ：ＬＯＡＤ　ＤＡＴＡ　ＬＯＣＡＬ　ＰＡＴＨ‘／ｐａｔｈ／２００８０６０１一ｌｏｇ．ｔｘｔ’　ｅ）经过ａ）ｂ）两步后就可以通过ＨＱＬ对数据仓库进行数　据查询分析，Ｈｉｖｅ驱动器将接收到的ＨＱＬ语句发送到编译器，　编译器将ＨＱＬ语句进行解析为Ｈａｄｏｏｐ的ＭａｐＲｅｄｕｃｅ程序，从　而提交任务到Ｈａｄｏｏｐ集群上去执行任务。　ｄ）最后Ｈａｄｏｏｐ集群把执行的结果返回给用户用于行为　特征的分析模块。例如：将查询结果输入本地目录的ＨＱＬ：ＩＮ—　ＳＥＲＴ　ＯＶＥＲＷＲＩＴＥ　ＤＩＲＥＣＴＯＲＹ‘／ｔｒａｐ／ｒｅｓｕｌｔ’ＳＥＬＥＣＴ　ｋｅｙ—　ｗｏｒｄｓ　ＦＲＯＭ　ｓｏｇｏｕｌｏｇ　ａ　ＷＨＥＲＥ　ａ．ｄｓ＝‘（ＤＡＴＥ）’。　ｅ）对系统运行的实际情况进行调优，重点在Ｈａｄｏｏｐ集群　性能和Ｈｉｖｅ的多表连接查询。　图２系统架构　３实验结果分析和系统优化　本文使用了四台Ｐｃ搭建Ｈａｄｏｏｐ分布式集群，一台Ｐｃ做　主节点（ｍａｓｔｅｒ），同时安装配置Ｈｉｖｅ，其他三台做从节点　（ｓｌａｖｅｌ～ｓｌａｖｅ３），每台Ｐｃ机的配置如下：硬件环境为Ｉｎｔｅｌ锄　Ｐｅｎｔｉｕｍ　４　ＣＰＵ　３．０　ＧＨｚ，２　ＧＢ内存，３００　ＧＢ硬盘，１００　Ｍｂｐｓ网　卡；软件环境为ＯｐｅｎＳｕｓｅ　Ｌｉｎｕｘ　１１．０，ＪＤＫ１．６．Ｏ一２７，Ｈａｄｏｏｐ　０．２０．２０３，Ｈｉｖｅ０．７．０。在实验所用的这一个月的数据集里总共　有５１　５３７　３９３条记录。通过本系统的分析处理之后，获取了用　户查询主题、用户点击数与ＵＲＬ排名、查询会话分析三个用户　行为特征。　３．１查询主题排行榜　在搜索过程中，用户与搜索引擎的交互都是通过输入的主　题或者关键词来进行的，因此通过分析用户的查询主题对了解　用户的兴趣非常有效，对数据处理后的分析统计结果（按照访　问量排序），共有关键词约为４　６８５　２５３个，前１００的关键词占　所有关键词总数的６２．４８％，与余慧佳等人　所测得的７０％有　一定的误差，分析得知可能对关键词分词的效果有一定的关　系。但还是充分表明有很多重复的查询请求，如果能提高这些　词的查询质量就能使整体检索的质量提高很多，可以考虑引人　缓存机制和建立动态的索引机制。　３．２用户点击数与ＵＲＬ排名　用户点击顺序与ＵＲＬ的排名关系直接反映出搜索引擎的　好坏，当用户提交一个查询后，搜索引擎可能会返回很多结果。　当然，用户不会全部浏览返回的结果，只会点击跟自己查询目　标关系密切的ＵＲＬ，这就需要搜索引擎排序算法尽可能将反　映用户查询需求的结果放在首页。对本实验数据集的统计分　析结果如图３所示。可以看到，用户点击的排名前１０的ＵＲＬ　能占到所有点击率的８３．４６％。　第１１期　３．３查询会话分析　赵龙，等：基于Ｈｉｖｅ的海量搜索日志分析系统研究　・３３４５・　数据处理模型并将其应用到搜索引擎Ｅｌ志文件处理，对用户的　查询会话是指用户在一段时间里，带着一个固定的搜索意　图提交了一系列的查询。前面两个用户行为特征都是针对单　个查询词进行分析，而这种查询会话的分析更能理解和反映用　搜索行为进行了相关的研究，分析结果对于搜索引擎的检索排　序算法以及个性化搜索具有较好的指导意义，同时也在一定程　度上解决了传统对海量Ｅｌ志数据并行计算的瓶颈。　表１不同规模数据优化前后耗时　户的查询意图。本实验数据集的统计分析结果，通过ＵｓｅｒＩＤ　找出有３７．４５％的用户有查询会话。当用户没有找到合适的　结果之后可能会通过添加、删除或者修改查询词来继续，如果　还没有满意的结果甚至会通过更换浏览器或者放弃查询。　８　６　熬÷＿ｌ　＿参考文献：　．¨　＿＿：鞲２　．．［１］ＣＯＣＫＢＵＲＮ　Ａ，ＪＯＮＥＳ　Ｓ．Ｗｈｉｃｈ　ｗａｙ　ｎｏｗ？Ａｎａｌｙｚｉｎｇ　ａｎｄ　ｅａｓｉｎｇ　ｉｎ—　＿．　．　ａｄｅｑｕａｃｉｅｓ　ｉｎ　Ｗｗｗ　ｎａｖｉｇａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｈｕ－　ｍａｎ—Ｃｏｍｐｕｔｅｒ　Ｓｔｕｄｉｅｓ，１９９６，４５（１）：１０５－１２９．　≮０¨　．　．．■　、．　［２］ＳＩＬＶＥＲＳＴＥＩＮ　Ｃ，ＭＡＲＡＩＳ　Ｈ，ＨＥＮＺＩＮＧＥＤＲ　Ｍ，ｅｔ　ａ１．Ａｎａｌｙｓｉｓ　ｏｆ　ａ　ｖｅｒｙ　ｌａｒｇｅ　Ｗｅｂ　ｓｅａｒｃｈ　ｅｎｇｉｎｅ　ｑｕｅｒｙ　ｌｏｇ［Ｊ］．ＡＣＭ　ＳＩＧＩＲ　Ｆｏｒｕｍ，　１９９８，３３（１）：６—１２．　［３］ＤＥＡＮ　Ｊ，ＧＨＥＭＡＷＡＴ　Ｓ．ＭａｐＲｅｄｕｃｅ：ｓｙｍｐｌｉｆｉｅｄ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｏｎ　ｌａｒｇｅ　ｃｌｕｓｔｅｒｓ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　ｏｆ　ｔｈｅ　ＡＣＭ，２００８，５１（１）：　１０７—１１３．　［４］陆嘉恒．Ｈａｄｏｏｐ实战［Ｍ］．北京：机械工业出版社，２０１１：６—７．　［５］毛国君，段立娟．数据挖掘原理与算法［Ｍ］．北京：清华大学出版　社．２００５：２５—３５．　［６］朱珠．基于Ｈａｄｏｏｐ的海量数据处理模型研究和应用［Ｄ］．北京：　北京邮电大学，２００８．　［７］王川，王大玲，于戈，等．基于用户行为模型的搜索引擎［Ｊ］．计算　４结束语　用户行为分析是研究信息检索及性能评价的重要工具，搜　索日志反映了用户的使用轨迹，本文通过提出基于Ｈｉｖｅ海量　机工程，２００８，３４（４）：１８１－１８３．　［８］余慧佳，刘奕群，张敏，等．基于大规模日志分析的网络搜索引擎　用户行为研究［Ｊ］．中文信息学报，２００７，２１（１）：１０９—１１４．　（上接第３３３８页）间中心作为起始位置可以减少计算时间，提高　定位效率。　ｔｈｅ　ｓｉｍｕｌｔａｎｅｏｕｓ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｎｄ　ｍａｐｐｉｎｇ　ｐｒｏｂｌｅｍ［Ｃ］／／Ｐｒｏｃ　ｏｆ　ｔｈｅ　ＡＡＡＩ　Ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｒｔｉｉｆｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｅｄｍｏｎｔｏｎ，Ｃａｎａ：　ｄａ：ＡＡＡＩ，２００２：５９３—５９８．　［５］ＬＩＯＮＥＬＭＮ，ＬＩＵＹＨ，ＬＡＵＹ　Ｃ，ｅｔ　ａ１．ＬＡＮＤＭＡＲＣ：ｉｎｄｏｏｒｌｏｃａｔｉｏｎ　ｓｅｎｓｉｎｇ　ｕｓｉｎｇ　ａｃｔｉｖｅ　ＲＦＩＤ［Ｊ］．Ｗｉｒｅｌｅｓｓ　Ｎｅｔｗｏｒｋｓ，２００４，１０（６）：　／＼　＾　ＯＯ　０　７０１－７ｌ　。一　［６］ＭＡＲ￣ＮＥＺ－ＳＡＬＡ　Ａ　Ｓ，ＥＧＥＡ－ＬＯＰＥＺ　Ｅ，ＧＡＲＣＩＡ—ＳＡＮＣＨＥＺ　Ｆ，ｅｔ　ａ１．Ｔｒａｃｋｉｎｇ　ｏｆ　ｒｅｔｕｒｎａｂｌｅ　ｐａｃｋａｇｉｎｇ　ａｎｄ　ｔｒａｎｓｐｏｒｔ　ｕｎｉｔｓ　ｗｉｔｈ　ａｃｔｉｖｅ　循环次数　图１４初始中心时误差变化　图ｌ５初始中心时修正轨迹　ＲＦＩＤ　ｉｎ　ｔｈｅ　ｇｒｏｃｅｒｙ　ｓｕｐｐｌｙｃｈａｉｎ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｊ０　Ｉｎｄｕｓｔｒｙ，２００９，　６Ｏ（３）：１６１—１７１．　参考文献：　高锐，程良伦，胡莘．一种基于空间分割的无源ＲＦＩＤ室内定位方　法［Ｊ］．计算机应用研究，２０１２，２９（１）：１８４—１８６．　ＮＩ　Ｌ．ＬＩＵ　Ｙ，ＰＡＴＩＬ　Ａ．ＬＡＮＤＭＡＲＣ：ｉｎｄｏｏｒ　ｌｏｃａｔｉｏｎｉｎｇ　ｓｅｎｓｉｎｇ　［７］ＴＥＳＯＲＩＥＲＯ　Ｒ，ＴＥＢＡＲ　Ｒ，ＧＡＬＬＵＤ　Ｊ　Ａ，ｅｔ　ａ１．Ｉｍｐｒｏｖｉｎｇ　ｌｏｃａｔｉｏｎ　ａｗａｒｅｎｅｓｓ　ｉｎ　ｉｎｄｏｏｒ　ｓｐａｃｅｓ　ｕｓｉｎｇ　ＲＦＩＤ　ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Ｅｘｐｅｒｔ　Ｓｙｓ－　ｔｅｍｓ　ｗｉｔｈ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１０，３７（１）：８９４－８９８．　［８］ＢＥＣＨＴＥＬＥＲ　Ｔ　Ｆ，ＹＥＮＩＧＵＮ　Ｈ．２－Ｄ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｎｄ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ　ｕｓｉｎｇ　ｏｆ　ｎｏｎ—ａｃｔｉｖｅ　ｏｂｊｅｃｔｓ　ｕｓｉｎｇ　ｕｌｔｒａ—ｗｉｄｅｂａｎｄ　ｒａｄｉｏｓ［Ｃ］／／Ｐｒｏｃ　ｏｆ　Ｒ８ｄｉｏ　ａｎｄ　Ｗｉｒｅｌｅｓｓ　Ｓｙｍｐｏｓｉｕｍ．２００７：１０５—１０８．　ｂａｓｅｄ　ｏｎ　ＳＡＷ　ＩＤ—ｔａｇｓ　ａｔ　２．５　ＧＨｚ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｍｉｃｒｏｗａｖｅ　Ｔｈｅｏｒｙ　ａｎｄ　Ｔｅｃｈｎｉｑｕｅｓ，２００３，５１（５）：１５８４－１５９０．　ＨＩＧＨＴＯＷＥＲ　Ｊ，ＶＡＫＩＬＩ　Ｃ，ＢＯＲＲＩＥＬＬＯ　Ｃ．Ｄｅｓｉｇｎ　ａｎｄ　ｃａｌｉｂｒａｔｉｏｎ　［９］ＴＨＯＭＡＳ　Ｆ，ＲＯＳ　Ｌ．Ｒｅｖｉｓｉｔｉｎｇ　ｔｒｉｌａｔｅｒａｔｉｏｎ　ｆｏｒ　ｒｏｂｏｔ　ｌｏｃａｌｉｚａｔｉｏｎ［Ｊ］．　ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｒｏｂｏｔｉｃｓ，２００５，２１（１）：９３—１０２．　０ｆ　ｔｈｅ　ＳｐｏｎＯＮ　ＡＤ　ｈｏｅ　ｌｏｃａｔｉｏｎ　ｓｅｎｓｉｎｇ　ｓｙｓｔｅｍ［Ｄ］．［ｓ．１．］：Ｕｎｉｖｅｒ－　ｓｉｔｙ　ｏｆ　Ｗａｓｈｉｎｇｔｏｎ，Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒ。　ｉｎｇ，２００１．　［１Ｏ］ＧＵＥＡＩＥＢ　Ｗ，ＭＩＡＨ　Ｍ　Ｓ．Ａｎ　ｉｎｔｅｌｌｉｇｅｎｔ　ｍｏｂｉｌｅ　ｒｏｂｏｔ　ｎａｖｉｇａｔｉｏｎ　ｔｅｃｈｎｉｑｕｅ　ｕｓｉｎｇ　ＲＦＩＤ　ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｉｎｓｔｒｕｍｅｎｔａ－　ｔｉｏｎ　ａｎｄ　Ｍｅａｓｕｒｅｍｅｎｔ，２００８，５７（９）：１９０８－１９１７．　ＭＯＮＴＥＭＥＲＬＯ　Ｍ，ＴＨＲＵＮ　Ｓ，ＫＯＬＬＥＲ　Ｄ，Ａ　ｆａｃｔｏｒｅｄ　ｓｏｌｕｔｉｏｎ　ｔｏ