توضیحات
ABSTRACT
The Internet of Things (IoT) extends traditional cyber-physical systems by linking sensor based edge devicesto network accessible services and resources. In most current IoT deployments, sensor data is streamed from edge devices to servers for storage. Analytical pipelines are then used to translate this raw sensor data into actionable information in real-time. As additional IoT devices are deployed, the volume and rate of data received on the server side can increase dramatically. This has a possibility of offsetting the response latencies beyond acceptable limits for IoT analytical systems. In this paper, we compare the impact of alternative serverside stream processing topologies for ingesting and analyzing IoT sensor data in real-time. We use real building sensor data with our real-time IoT platform called Namatad. We have characterized and analyzed the latency and QoS impact due to the different levels of granularity of the ingestion and routing process by which we transmit data into the analytical pipelines. Our results show that as IoT systems continue to scale in density, server- side topology management for IoT data streamsis critical for latency-sensitive control and analysis applications.
INTRODUCTION
Internet of Things (IoT) systems consist of multiple compute platforms, notably edge devices and servers. Within IoT systems, most of the focus has been on the development and integration of novel new edge devices. For example, the recent proliferation of wearable devices designed to monitor personal health has increased significantly in recent years yielding unprecedented awareness of fitness. Similarly, new smart buildings are integrating new sensors with building control systems to improve energy efficiency, occupant comfort, and safety . The raw data obtained using IoT devices provides tremendous operational insight, which is driving the deployment of additional IoT devices. For deployed IoT devices, once sensor values are read the data generated is transmitted across the network and stored on server platforms for later analysis. Once stored, this data is then analyzed, leveraging recent advances in machine learning. To date, most of these IoT analytics have been performed offline, using batch-oriented techniques.
چکیده
اینترنت چیزها (IoT) گسترش سیستم های سنتی فیزیکی سنتی با اتصال لبه سنسور از خدمات شبکه و منابع دسترسی. در اغلب موارد استقرار IoT، داده های سنسور از دستگاه های لبه به سرورها برای ذخیره سازی جریان می یابد. خطوط تحلیلی سپس برای انتقال این اطلاعات حسگر خام به اطلاعات عملی در زمان واقعی استفاده می شوند. همانطور که دستگاه های IoT اضافی مستقر هستند، حجم و میزان داده های دریافت شده بر روی سرور می تواند به طور چشمگیری افزایش یابد. این امکان دارد که تاخیر پاسخ را فراتر از حد مجاز برای سیستم های تحلیلی IOT جبران کند. در این مقاله، ما مقایسه تأثیر توپولوژی پردازش جریان سرورهای جایگزین برای دریافت و تحلیل داده های حسگر IoT در زمان واقعی را مقایسه می کنیم. ما از داده های سنسور ساختمان واقعی با پلت فرم IoT در زمان واقعی به نام Namatad استفاده می کنیم. ما تأثیر تأخیر و QoS را با توجه به سطوح مختلف جزئیات موجود در فرایند جذب و مسیریابی که داده ها را به خطوط تحلیلی انتقال می دهیم مشخص کرده ایم. نتایج ما نشان می دهد که سیستم های IoT در مقیاس تراکم، مدیریت توپولوژی سرور برای جریان داده های IoT مهم برای برنامه های کنترل و تجزیه و تحلیل حساس به تأخیر است.
مقدمه
سیستم های اینترنت اشیا (IoT) شامل سیستم عامل های متعدد محاسباتی، به ویژه دستگاه های لبه و سرور می باشد. در سیستم های IoT، بیشتر تمرکز بر روی توسعه و ادغام دستگاه های لبه نوین جدید بوده است. به عنوان مثال، اخیرا گسترش ابزارهای پوشیدنی طراحی شده برای نظارت بر سلامت شخصی در سال های اخیر به طور قابل توجهی افزایش یافته است که باعث افزایش آگاهی بی سابقه ای از تناسب اندام می شود. به طور مشابه، ساختمان های جدید هوشمند، سنسورهای جدیدی را با سیستم های کنترل ساختمان برای بهبود بهره وری انرژی، راحتی مسافران و ایمنی، ادغام می کنند. داده های خام به دست آمده با استفاده از دستگاه های IoT بینش عمدهای عملی را فراهم می کنند که باعث استقرار دستگاه های اضافی IoT می شود. برای دستگاههای IoT مستقر شده، هنگامی که مقادیر حسگر خوانده می شوند، داده های تولید شده در سراسر شبکه منتقل می شوند و برای تجزیه و تحلیل بعدا در سیستم عامل سرور ذخیره می شوند. پس از ذخیره سازی، این داده ها پس از آن تجزیه و تحلیل، استفاده از پیشرفت های اخیر در یادگیری ماشین. تا به امروز، بسیاری از این تجزیه و تحلیل های IoT انجام شده اند، با استفاده از تکنیک های دسته ای گرا.
Year: 2018
Publisher : IEEE
By : Anindya Dey, Kim Stuart, Matthew E. Tolentino
File Information: English Language/ 6 Page / size: 647 KB
سال : 1396
ناشر : IEEE
کاری از : آنیندیا دی، کیم استوارت، متیو ا. تالنتینو
اطلاعات فایل : زبان انگلیسی / 6 صفحه / حجم : KB 647
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.