دانلود ترجمه مقاله پیچیدگی مدیریت کلان داده ها در اینترنت اشیا

1. مقدمه 2. اینترنت اشیا و مدیریت پیچیدگی: معماری کلان داده 3. روش کشف دانش 4. نتیجه گیری

چکیده – پیچیدگی مدیریت کلان داده به عنوان یکی از چالش های اصلی در حوزه رو به پیشرفت اینترنت اشیا (IoT) بیش از گذشته مورد توجه و آگاهی مواجه شده است. پیچیدگی در جنبه های مختلف چرخه عمر کلان داده شامل جمع آوری داده، ذخیره سازی آنها در سرور های ابری، پاکسازی و یکپارچه سازی داده ها، پیشرفت های اخیر در مورد هستی‌شناسی مانند زبان نشانه‌گذاری گسترش‌پذیر (XML) و چارچوب توصیف منبع (RDF) و کاربرد روش های یادگیری ماشین جهت انجام دسته بندی ها، برآورد ها و تصویر سازی، مشاهده می شود. در این تحقیق، آخرین پیشرفت ها در حوزه های اشاره شده کلان داده در زمینه اینترنت اشیا مورد اشاره قرار می گیرند. جدید ترین فناوری ها در یادگیری ماشین، یادگیری عمیق و داده کاوی در حوزه کلان داده نیز مورد بحث قرار می گیرند. در نهایت، ما مراجع جدیدی را به خواننده جهت مطالعه عمیق تر پیشنهاد کرده و روند های پژوهشی آینده را مطرح می کنیم. مقدمه: اینترنت اشیا که به عنوان یک حوزه در حال رشد و توسعه شناخته می شود، به صورت گسترش اینترنت فراتر از دستگاه های استاندارد نظیر رایانه ها، موبایل ها و تبلت ها و با در نظر گرفتن ارتباط دستگاه ها و اشیای فیزیکی دیگر، تعریف می شود. این موضوع نیازمند بهره مندی از پایش دستگاه ها، حسگر ها و ابزار های دیگر و تعامل و ارتباط به وسیله اینترنت است. این موضوع نشان می دهد که فرصت های زیادی برای انواع خدمات و برنامه های برند جدید ایجاد می شوند. در نتیجه، ما در حال حاضر شاهد انقلاب فناوری هستیم به طوری که میلیون ها نفر علاوه بر ارتباط با یکدیگر، حجم انبوهی از داده ها را از طریق افزایش استفاده از دستگاه های مختلف، تولید می کنند. از جمله این موارد، می توان به دستگاه های هوشمند و ابزار های پوشیدنی قابل اتصال به اینترنت و توانمند سازی برنامه ها و راهکار های جدید متصل شده اشاره کرد. هزینه فناوری به طور قابل توجه کاهش یافته و هر شخص توانایی دسترسی به اینترنت و جمع آوری داده ها و حجم انبوهی از اطلاعات آنی را دارد.

There is a growing awareness that the complexity of managing Big Data is one of the main challenges in the developing field of the Internet of Things (IoT). Complexity arises from several aspects of the Big Data life cycle, such as gathering data, storing them onto cloud servers, cleaning and integrating the data, a process involving the last advances in ontologies, such as Extensible Markup Language (XML) and Resource Description Framework (RDF), and the application of machine learning methods to carry out classifications, predictions, and visualizations. In this review, the state of the art of all the aforementioned aspects of Big Data in the context of the Internet of Things is exposed. The most novel technologies in machine learning, deep learning, and data mining on Big Data are discussed as well. Finally, we also point the reader to the state-of-the-art literature for further in-depth studies, and we present the major trends for the future. Introduction: The fast-developing and expanding area known as the Internet of Things (IoT) [1–3] involves expanding the Internet beyond such standard devices as computers, smartphones, and tablets to also include the connection of other physical devices and objects. This allows for a variety of devices, sensors, etc. to be monitored and controlled, and to interact and communicate via the Internet. This means that an abundance of opportunity for brand new and revolutionary types of services and applications arises. As a result, we are now witnessing a technological revolution where millions of people are connecting and generate tremendous amounts of data through the increasing use of a wide variety of devices. These include smart devices and any type of wearable that are connected to the Internet, powering novel connected applications and solutions. The cost of technology has sharply decreased making it possible for everybody to access the Internet and to gather data and an abundance of real-time information.

بخشی از ترجمه مقاله (صفحه 12 فایل ورد ترجمه)