دانلود ترجمه مقاله داده کاوی در اینترنت اشیا (IoT)

1. مقدمه 2. فناوریهای داده کاوی IoT 3. چالش ها 4. توسعه آینده

چکیده – این مقاله مروری بر فناوریهای داده کاوی (DM) برای اینترنت اشیاء (IoT) دارد. IoT زمینه تحقیقی فعال می باشد چون IoT نویدبخش بهبود کیفیت زندگی و امنیت شهرهای هوشمند، کارآمدترشدن تامین منابع و مدیریت اتلاف و بهینه سازی ترافیک می باشد. DM خاص دامنه بوده و به آنچه بخاطرش کاوش می شود، بستگی دارد. برای مثال، اگر IoT برای بهینه سازی ترافیک شهر هوشمند، کاهش تراکم ترافیک و یافتن سریع فضای پارکینگ استفاده شود، جمع آوری و تحلیل انواع مختلف داده از راه حل eHealth مورد نیاز می باشد، که در آن IoT در Smart Home و برای کنترل رفاه بیماران یا افراد مسن استفاده می شود. IoT به اتصال اشیائی می پردازد که می توانند داده های عددی را از سنسورهای هوشمند، جریان داده های دوربین یا مسیریابی اطلاعات یا نقشه ها جمع آوری کنند. بسته به نوع داده ها، برای تحلیل آنها نیازمند تکنیک های مختلف هستیم. همچنین، برنامه های مختلف IoT به تحلیل داده های ادوات مختلف و همبستگی آنها جهت پیش بینی درباره خرابی ماشین در سایت تولید می پردازند. برای حل ناهمگونی داده های IoT، حجم بالای داده ها و سرعت تولید آنها، نیازمند تکنیک های DM هستیم. این مقاله به بررسی تکنیک های پیشرفته DM برای IoT می پردازد.

This paper provides an overview on Data Mining (DM) technologies for the Internet of Things (IoT). IoT has become an active area of research, since IoT promises among other to improve quality of live and safety in Smart Cities, to make resource supply and waste management more efficient, and optimize traffic. DM is highly domain specific and depends on what is being mined for. For instance, if IoT is used to optimize traffic in a Smart City to reduce traffic jams and to find parking spaces quicker, different types of data needs to be collected and analysed from an eHealth solution, where IoT is used in a Smart Home to monitor the well being of patients or elderly people. IoT connects things that can collect numeric data from smart sensors, streaming data from cameras or route information on maps. Depending on the type of data, different techniques need to be adopted to analyse them. Also, many IoT applications analyse data from different devices and correlate them to make predictions about possible machine failures in production sites or looming emergency situations in Smart Buildings in a home security application. DM techniques need to handle the heterogeneity of IoT data, the large volumes of data and the speed at which they are produced. This paper explores the state of the art DM techniques for IoT.