连接轻量级设备的爆炸开始的时代,物联网(物联网),物理世界设备有一个数字出现在互联网上。今天,连接嵌入式设备被放置在我们的日常生活,和数百亿这些设备预计将在不久的将来被连接到互联网。技术thing-to-thing这些设备之间的通信,以及机器学习和大数据技术,将真正自治的关键推动者之一,分布式物联网主要第四次工业革命。然而,仍然有一些技术挑战下一次工业革命之前。例如,如何有效地分配更多的可伸缩服务和管理网络资源,以及如何提高能源效率和带宽利用率的整个系统,是一个重大挑战阻碍发展和实现真正的自治,并为物联网分布式应用程序和服务。

这个特殊的问题集中在可以使物联网技术挑战。我们呼吁手稿展示和讨论最新的物联网的网络系统的进步。直到最后期限的特殊问题,全球20手稿已收到。评审过程后,14手稿已经接受了这个特殊的问题。公认的研究手稿都集中在大规模工业物联网服务,SDN和网络虚拟化对于物联网,物联网高效的沟通方法,各种新兴的物联网应用。接受的手稿目前重要的研究成果,这些进展将有助于物联网的发展领先的第四次工业革命。我们提供以下接受论文的摘要。

大规模工业物联网服务工厂云等新兴智能工厂领域集成分布式小工厂与动态组合成一个大型虚拟工厂基于消费者的订单。由于智能工厂有许多工业元素包括各种传感器/致动器、网关、控制器,应用服务器和物联网云及其连接关系复杂,很难在点对点的方式处理它们。为了解决这个挑战,一种新颖的基于组共享软件定义网络多播树,提出了包括near-receiver会合点选择算法和组共享tree-switching机制。提出的多播机制可以减少丢包和延迟而遗留严重拥堵条件下方法。

智能制造、生产机械及辅助设备,被称为工业物联网(IIoT),连接到一个统一的网络基础设施管理和命令交付在一个精确的生产过程。然而,提供自主、可靠和实时服务这样的生产是一个开放的挑战,因为这些IIoT设备认为轻量级嵌入式平台有限的计算性能。为了克服这一挑战,pattern-identified在线任务调度(皮奥特)机制的网络基础设施,提出了多层边计算提供了实时处理卸载任务。历史在每个时隙IIoT任务模式用来训练一个自组织映射(SOM),代表任务模式中定义的特征维度。因此,离线任务调度中边缘computing-enabled实体的集合上执行所有SOM神经元使用匈牙利法来确定预期的最优任务分配。每当一个任务到达的基础设施,预期的最优分配的任务是将适当的边缘computing-enabled实体。

SDN数据平面足够灵活以满足各种需求的异构物联网应用程序是可取的软件定义的物联网(SD-IoT)。为此,一个新的网内数据处理方案提出SD-IoT数据平面,定义了一个事件驱动的数据处理模型,可以表达各种各样的网内数据处理(例如,遥感数据聚合来自成千上万的传感器节点)病例SD-IoT环境。同时,该模型包括数据处理程序的编程语言,而一个灵活的数据平面结构,可以安装和运行时执行的程序是另外介绍。

基于容器的虚拟化可以提供高性能等优点,资源效率、敏捷的环境中,为物联网设备和易于管理。然而,不同的网络模式的容器及其性能问题到目前为止还没有被调查。因此,容器的分析网络性能提出了物联网设备上。结果表明,网络性能的容器低于本地Linux,平均性能差异TCP和UDP的6%和18%,分别。此外,网络性能的容器在网络模式而异。当一个容器运行时,桥模式达到更高的性能比主机模式25%,而主机模式显示了更好的性能比桥模式45% multicontainer环境。

远程和个性化医疗是物联网的主要应用之一。许多这样的应用程序是建立在移动设备连接到云。虽然很有吸引力,然而,原型开发和验证一个应用级的想法的可行性还挑战没有一个坚实的理解云,移动,和基础设施互联互通。提供的解决方案是提出一个框架称为HealthNode,这是一个通用的框架,开发医疗应用程序在云平台上关注易于实现。HealthNode提供了明确的指导同时支持必要的特性来实现快速和可扩展的基于云的医疗应用。案例研究将HealthNode应用于各种现实世界的健康应用程序表明HealthNode能有效地表达建筑结构在一个实现该平台可以支持系统理解和软件进化。

认知无线电网络是物联网的关键技术,能有效解决频谱为物联网应用程序问题。在这种背景下,提出了物联网传感器网络的新方法来获得最优位置的二次信息收集站(团体)和选择最优的操作通道。目标是最大化同时保护主系统辅助系统能力。此外,出现概率矩阵为次要物联网设备(SIDs)提出了最大化SIDs的可支持的数量,可以安装在一辆车,在可穿戴设备,或其他监控设备,基于最优部署和概率。适应度函数,提出了基于上述目标,还考虑signal-to-interference-plus-noise比(SINR)和位置约束。粒子群优化(PSO)的技术被用来找到最好的位置和操作通道的团体。

自主车辆的需求迅速增加,由于他们的巨大的潜在好处。然而,一些挑战,如车辆定位参与自主车辆的发展。提出了一种简单而安全的车辆定位算法没有大规模修改现有的交通基础设施。定位,车辆在路上分为两类:汽车(HVs),是用来估计其他车辆的位置,和货运车辆(艘),这是那些在HVs的前面。这艘传送调制光尾(或)的数据,和相机的高压接收信号使用光学相机通信(OCC)。此外,路灯(SL)数据被认为是确保高压的位置精度。使用摄影测量,阵线或SL和相机之间的距离的计算高压通过测量占据了图像传感器图像区域。比较高压之间的距离变化量和SL高压之间的距离变化量和阵线,阵线的位置可以确定。

路上的车辆通信网络允许车辆与其他车辆或通信网络中的节点。然而,在高速公路环境稀疏放置路边单元(限制),限制和车辆之间的通信经常断开连接由于高车辆速度。要解决这个问题,一个增强的基于AODV的路由机制提出利用V2I和V2V通信,以便限制为车辆提供连续服务可能是间歇性的覆盖领域以外的限制。减少路由恢复时间和路线失败的数量稀疏放置RSU环境,备份路由建立通过直接沟通时间较长的车辆RSU。为有效的交接到下一个RSU route-shortening机制也提出了。

但检测或眼球追踪算法在移动环境中各种应用程序,比如对策对人脸识别系统的欺骗。然而,在资源有限的智能手机环境,关键问题之一是他们的计算效率。混合方法解决这一问题,结合两种机器学习技术提出了支持向量机和CNN,但检测可以有效和可靠地执行资源有限的智能手机。实验结果对大宗商品智能手机显示该方法达到94.4%的精度和处理速度22帧每秒。

最后,带着头盔显示器(hmd)目前吸引了极大的关注,因为他们可以提供一个身临其境的虚拟现实(VR)的经验在一个负担得起的成本。同时,3 d地图谷歌地球和苹果等地图3 d模式,用户可以在现实世界的3 d模型导航是目前广泛使用的移动和桌面环境。然而,传统的键盘和鼠标等接口方法不适合通过3 d导航地图在虚拟现实环境中,因为操作方法不像在现实中实际操作。出于这一点,一个身临其境的手势接口通过3 d导航地图提出了适合HMD-based虚拟环境。一个算法实时捕捉和识别手势使用Kinect深度相机也提出了。