دانلود ترجمه مقاله پردازش اطلاعات در اینترنت اشیا با تحلیل کلان داده ها

1. مقدمه 2. بررسی مقالات 3. کارهای پیشنهادی 4. نتایج شبیه سازی 5. نتیجه گیری

چکیده – با وقوع نوآوری در فناوری های پیوسته ای همچون گجت های حسگر پوشیدنی، دستگاه های حسگر و شبکه های ارتباطات بی سیم ادهاک، اشیای متداول و روزمره زندگی انسان ها به اینترنت متصل می شوند. از این شبکه تحت عنوان اینترنت اشیا (IOT) یاد می شود. به اینترنت اشیا به چشم یک سیستم فعال ، برای توسعه و طراحی خدمات و برنامه های کاربردی هوشمند ، و آگاه از محیط نگاه می شود. این سیستم ها در حوزه های علمی، تجاری و مهندسی کارایی دارند. این برنامه های کاربردی و خدمات، قادر به واکنش دهی مطلوب به تحولات پیرامونی و ترجیحات کاربران هستند. توسعه یک سیستم مقیاس پذیر برای تجزیه و تحلیل داده ها، پردازش و استخراج داده از مجموعه داده های بزرگ و حاوی داده های واقعی ، یکی از اساسی ترین مسائلیست که پیش روی محققان طراحی کننده سیستم ها، و محققان مدیریت داده ها قرار گرفته است. اجرای روش های تحلیل کلان داده بر مبنای فناوری های اینترنت اشیا ، یکی از روش هاییست که برای تجزیه و تحلیل به موقع جریان های اطلاعاتی (رخدادهای داده ای) در دسترس است. در مقاله فعلی، رویکرد یکپارچه ای پیشنهاد شده است. چنین رویکردی سیستم های IOT را در ابزارهای تحلیل کلان داده ادغام می کند، و یک پلتفرم جامع را برای نظارت و پردازش مستمر و بلادرنگ داده ها به ارمغان می آورد. محققان سیستم پردازش اطلاعات سلامت بلادرنگ و هوشمند مبتنی بر اینترنت اشیا و مبتنی بر پشتیبانی فناوری رایانش مه (SRHIP) را پیشنهاد نموده اند. در چنین سیستمی، انبوهی از داده های تولیدی توسط دستگاه های حسگر اینترنت اشیا ، در حین تحلیل و پردازش ، با تاخیر حداقلی به محیط ابر- مه منتقل می شوند. سپس داده های پردازش شده به سیستم ابری متمرکز منتقل شده تا تحلیل ها و ذخیره سازی های اضافی روی آن ها انجام بشوند. در این تحقیق، مدل برخوردار از حمایت سیستم مه برای کار در محیط های کلان داده ، و تحلیل بلادرنگ داده ها پیشنهاد شده است. ویژگی سیستم پیشنهادی برخورداری از قابلیت نظارت از راه دور است. روش و برنامه ریزی پیشنهادی برای ارزیابی کارایی ، بر اساس چندین معیار عملکردی همچون هزینه انتقال، هزینه ذخیره سازی، دقت، ویژگی ، حساسیت و شاخص F به بحث گذاشته می شوند. سیستم SRHIP پیشنهادی ، هزینه انتقال را به میزان 40.1 % در مقایسه با SPPDA کاهش می دهد، نفوذ پذیری به بایت های آن در مقایسه با GCEDA 100 % کاهش می یابد. سیستم پیشنهادی اندازه داده ها را به میزان 60 % ،بدلیل قابلیت فشرده سازی خود، در مقایسه با سایر استراتژی های بنچ مارک با قدرت کاهش اندازه 40 % کاهش می می دهد.

With innovation in persistent technologies, such as wearable sensor gadgets, sensor devices, and wireless ad-hoc communication networks connect everyday life things to the Internet, normally referred to as Internet of Things (IoT). IoT is observed as an active entity for design and development of smart and context awareness services and applications in the area of business, science and engineering discipline. These applications and services could vigorously respond to the surroundings transformation and users’ preference. Developing a scalable system for data analysis, processing and mining of enormous real world based datasets has turned into one of the demanding problems that faces both system research scholars and data management research scholars. Employing big data analytics with IoT technologies is one of the ways for handling the timely analyzing information (i.e., data, events) streams. In this paper, we propose an integrated approach that coalesce IoT systems with big data tools into a holistic platform for real-time and continuous data monitoring and processing. We propose Fog assisted IoT based Smart and real time healthcare information processing (SRHIP) system in which large amounts of data generated by IoT sensor devices are offloaded at Fog cloud form data analytics and processing with minimum delay. The processed data is then transferred to a centralized cloud system for further analysis and storage. In this work, we introduce a Fog-assisted model with big data environment for data analytic of real time data with remote monitoring and discuss our plan for evaluating its efficacy in terms of several performance metrics such as transmission cost, storage cost, accuracy, specificity, sensitivity and F-measure. The proposed SRHIP system needs less transmission cost of 40.10% in comparison to SPPDA, 100% fewer bytes are compromised in comparison to GCEDA. Our proposed system data size reduction of 60% reduction due to proposed compression scheme in comparison to other benchmark strategies that offer 40% of reduction.