دانلود ترجمه مقاله چارچوب تحلیلی کلان داده ها برای اینترنت اشیا

1. مقدمه 2. پیشرفت ها 3. معماری پیشنهادی تحلیل کلان داده ها برای اینترنت اشیای کوچک 4. تحلیل داده ها و ارزیابی سیستم 5. نتیجه گیری

پیشرفت ها: استفاده از تحلیل های کلان داده، سریعاً رو به افزایش است زیرا اموری مانند طراحی محیط های شهری، مدیریت ترافیک و بروز رسانی سلامت الکترونیک را انجام می دهد. استفاده از تحلیل بیگ دیتا به روش کارآمد، یک هدف بسیار مهم است، زیرا فنون پردازش داده ها هنوز لازم است تا قبل از پیاده سازی فنون جدید برای حل چالش ها و مسائل پیش روی بیگ دیتا، بهینه سازی شوند. علاوه بر آن، شهرهای هوشمند براساس مفاهیم بسیاری متغیر از سطح انتزاع تا یک مجموعه خاص از خدمات، طراحی می شوند. دانشمندان، مهندسان، معماران و محققان، سخت در تلاش هستند تا به یک معماری استاندارد سیستم برسند. برای نمونه، یک معماری متشکل از خدمات و سرویس های بسیاری که یک شهر هوشمند لازم دارد، و براساس بسترهای آزمون باشد، در [7] پیشنهاد شده است. یک معماری برپایه IoT و خدمات هوشمند در شهر سانتاندر، تست شد. این سیستم به گونه ای طراحی شد که یک محقق یا آزمایشگر بتواند این بستر را در محیط های شهری مختلف، استفاده و آزمایش کند. بطور مشابه، سیستم های بسیار دیگری از زمان پیاده سازی معماری سانتاندر، پیشنهاد شده اند. بسیاری، ابزارهای برنامه ریزی و طراحی برای محیط های هوشمند فراهم می کنند. این معماریها شامل منابع بسیاری مانند خدمات موبایل و ارتباطات، سیستم های امنیت و حراست، سیستم های مقیاس بزرگ و موارد بسیار دیگر می باشند. معماری بسترهای آزمون استفاده شده در ابزار برنامه ریزی شهر هوشمند سانتاندارد، چالش ها و مسائل بسیاری را حل می کند. ابزار برنامه ریزی شهر هوشمند سانتاندر براساس روشهای تحلیل بیگ داده بود و عصر جدیدی از پژوهش های علمی را برانگیخت. داده های تولید شده در یک شهر هوشمند با استفاده از IoT، چندین مشخصه دارد. سه مشخصه وجود دارد که برای اکثر داده ها بسیار معمول هستند: حجم، تنوع و سرعت (3V ها). مجموعه داده ها، همیشه در سرعت زیاد تولید می شوند و همیشه به شکل ناهمگن، موجود می باشند. برای مثال، داده های تولید شده در یک خانه هوشمند از یک شهر هوشمند، می تواند از خدمات مختلف، مانند سیستم های برق، گاز، آب، حراست و امنیت باشند [8]. علاوه بر آن، حفظ چنین داده های ناهمگن، یک کار چالش برانگیز است. پردازش چنین حجم هنگفتی از داده های ناهمگن در زمان محدود، بسیار دشوار است. بطور مشابه، داده های تولید شده به صورت بلادرنگ یا بی وفقه، همیشه نیاز به الگوریتم ها و ابزارهای پیشرفته و کارآمد برای پردازش بلادرنگ آنها دارند. IoT، به اندازه کافی پیشرفته و بالغ نشده تا به عنوان یک استاندارد عام برای تولید بیگ دیتا، استفاده شود. پیشرفت های IoT اخیر، به حوزه های خاص محدود است و فنون فعلی تحلیل بیگ دیتا، در یک زمینه غنی و بالغ هستند؛ اما روش یکسانی در ناحیه دیگر قابل پیاده سازی ممکن است نباشد. بنابراین، ناهمگنی داده ها، هنوز یک چالش حل نشده است. برنامه های مدیریت داده ها در مواردی همچون مدیریت آب، کنترل آلودگی و مصرف انرژی، یک راهکار بهتر در کل محیط هوشمند را تضمین نمی کنند [9]. یکی از راهکارهای بالقوه، توسعه یک سیستم IoT تلفیق شده با WSN ها می باشد. این می تواند کاری کند تا یک معماری عام تعریف کنیم؛ اما، راه درازی برای رسیدن به این هدف داریم، هدف رسیدن به یک مدل تحلیلی بیگ دیتای عام.

State of the Art: The use of big data analytics is rapidly increasing as it accomplishes tasks such as designing urban environments, managing traffic, and updating e-health. Using big data analytics in an efficient way is a lofty goal because the data processing techniques still need to be optimized before implementing the existing techniques to solve the challenges and issues encountered by big data. In addition, smart cities are designed based on many concepts ranging from the abstraction level to a specific set of services. Scientists, engineers, architects, and researchers are working hard to come up with a standardized system architecture. For instance, an architecture consisting of many services that a smart city needs which is based on testbeds was proposed in [7]. An architecture based on IoT and smart services was tested in the city of Santander. The system was designed in such a way that a researcher and experimenter can use and test the platform in various urban environments. Similarly, many other systems have been proposed since the Santander architecture was implemented. Many provide planning and design tools for smart environments. These architectures include many resources such as mobility and communication services, security and surveillance systems, large-scale systems, and much more. The testbeds architecture used in the Santander smart city planning tool solves many challenges and issues. The Santander city planning tool was based on big data analytics methods and started a new era of scientific research. The data generated in a smart city using IoT have several characteristics. There are three characteristics that are very common to most of the data: volume, variety, and velocity (3 Vs). The datasets are always generated at high speed and are always available in heterogeneous form. For example, the data generated in a smart home of a smart city can be from various services such as electricity, gas, water, surveillance, and security systems [8]. In addition, maintaining such heterogeneous data is a challenging job. It is quite difficult to process such a huge amount of heterogeneous data in finite time. Similarly, the data generated in real time always needs sophisticated and efficient algorithms and tools to process it in real time. The IoT is not mature enough to be used as a generic standard for generating big data. The recent IoT development is limited to specific domains, and the current techniques of analyzing big data are mature in one area; however, the same method may not be implementable in another area. Thus, the heterogeneity of data remains a challenge. Data management applications in areas such as water management, pollution control, and energy consumption do not guarantee a better solution in the entire smart environment [9]. One of the possible solutions is to develop a system of IoT integrated with WSNs. This can lead us to define a generic architecture; however, we have a long way to go until we reach this goal, that is, a generic big data analytical model.