دانلود ترجمه مقاله آنالیز داده های اینترنت اشیا برای احراز هویت کاربر و تشخیص فعالیت ها

1. مقدمه 2. پژوهش های مرتبط 3. رویکرد پیشنهادی 4. نتایج و آنالیز 5. نتیجه گیری و پژوهش های آتی

چکیده – در سالیان اخیر، اینترنت اشیا از جمله موضوعات داغ پژوهشی در زمینه محاسبه و فن آوری اطلاعات بوده است. اینترنت اشیا امکان اتصال هزاران دستگاه از جمله سنسورها، تلفن های همراه و لوازم خانگی روزمره را به منظور ذخیره سازی داده ها برای اهداف مفید گوناگون میسر کرده است. مقدار داده های تولید شده به واسطه دستگاه های IoT بسیار زیاد می باشد و باید داده های IoT برای استفاده های آینده نگرانه مورد آنالیز و تجزیه و تحلیل قرار گیرد. این مقاله چارچوبی را برای آنالیز داده های IoT برای ایجاد مدل هایی برای شناسایی کاربران، احراز هویت کاربران و به رسمیت شناختن فعالیت های آنان ارائه داده است. تمرکز این مقاله روی مجموعه داده های سنسور شتاب سنج از دیدگاه اینترنت اشیا به منظور افزودن لایه های اضافی امنیتی می باشد. تازگی روش ما در سفارشی سازی مجموعه های داده ای، و آزمایشات انجام شده برای ایجاد مدل هایی برای هر کاربر و فعالیت خاص می باشد. مجموعه های داده ای از بین 19 موضوع مختلف در شرایط واقعی و بر پایه فعالیت های پایه ای یعنی راه رفتن، نشستن و ایستادن جمع آوری شده اند. این مجموعه های داده ای برای فرآیندهای مربوط به احراز هویت و بدون نیاز به هیچ اطلاعات اضافی مورد استفاده قرار می گیرند. در مطالعات موجود، نتایج با استفاده از چندین سنسور شتاب سنج یا ترکیبی از سنسورهای ژیروسکوپی و سنسور شتاب سنج به دست آمده اند. ما در این مقاله از سنسورهای سه محوری سنجشی واحد برای تشخیص فعالیت ها و مدل های احراز هویت استفاده می کنیم. این مدل ها بعدها به واسطه مجموعه های داده ای زمان واقعی که در فرآیند یادگیری مورد استفاده قرار نگرفته اند تأیید خواهند شد. نتایج آزمایشات، میزان دقت را تا 93% نشان می دهند. نتایج حاصل از آزمایشات نیز برای جهت دهی به پژوهش های آینده در زمینه آنالیز داده های IoT، به رسمیت شناختن فعالیت ها و احراز هویت کاربران مفید می باشند. با افزایش دقت محاسبات، جنبه های ادراکی مربوط به مدل های احراز هویت می تواند منجر به پیشرفت های قابل توجهی در فرآیندهای بیومتریک احراز هویت با استفاده از داده های IoT شود.

In recent years Internet of Things has been among the hot topics of research in the field of computing and information technology. It has enabled thousands of connected devices including sensors, cell phones and daily home appliances to store data for various useful purposes. The amount of data generated by IoT devices is huge, and there is a need to analyze IoT data for prospective uses. Heterogeneity and the structure of IoT data make it a challenging task. This paper presents a frame work for IoT data analytics for creating models for user identification, user authentication and activity recognition. Focus of this study is on the data set of accelerometer sensor from internet of things perspectives to add an extra layer of security. The novelty of our approach lies in the customization of the data set, and the experiments performed for the construction of models for each individual activity and user. The dataset is collected from 19 different subjects of real world conditions performing basic activities, i.e. walking, sitting and standing. This data set is used for the authentication process without requiring any additional information. In existing studies, the results are obtained using more than one accelerometer sensor reading or a combination of gyroscope sensor and accelerometer sensor. Whereas we have used single sensing tri-axial sensor reading for activity recognition and user authentication models. These models are later verified by real time data sets which were not used in the training process. The results of the experiments show accuracy up to 93%. The results obtained by the experiments are also helpful for future research directions in the field of IoT data analytics, activity recognition and user authentication. By enhancing the accuracy and adding context aware aspects in the authentication models can lead to the significant advances in the biometric authentication process using IoT data.