文摘
物联网(物联网)已经被视为一个新兴的网络和信息技术,能理解自动监测、识别和管理通过网络的智能物联网设备。物联网的有效使用在不同的领域提高效率和减少错误。快速增长的智能执行器等设备,传感器和可穿戴设备使得物联网启用智能和可持续发展的区域。物理对象是相互关联与这些智能设备的进展分析,过程,和管理环境数据。这些数据可以进一步利用智能决策和postanalysis为不同的目的。然而,随着物联网资源有限、管理数据的困难是由于传动功率的限制和能源消耗,和加工可以把这些智能设备的压力。物联网的网络与大数据通过互联网操作和储存巨大的大部分云存储的数据。通过物联网安全框架基于大数据是现代社会的可怕的需要一个可持续发展的环境中,可以节能。由于物联网中的传感器节点的固有特性,如数据冗余,限制能源、计算功能,和有限的通信范围内,数据丢失的问题成为主要问题中主要是依赖于数据的完整性。各种方法在实践中对于经济复苏问题的数据,如时空相关性和插值。 These are used for data correlation and characteristics of sensory data. Extracting correlation data became difficult specifically as the coupling degree between diverse perceptual attributes is low. The current study has presented a comprehensive overview on big data and its V’s with Internet of Things to describe the research into the area with in-depth review of existing literature.
1。介绍
物联网模式的混合三个愿景:“东西”,“网络”和“semantic-oriented”的愿景。物联网是一组不同的网络连接和处理通过常见的通信协议,或者从things-oriented Internet-oriented角度(1]。很难提供可靠的和现实的见解在工业互联网应用复杂的数据高速传输的传感器。一个主要的问题是处理大量的数据,因为机器的基本动态模式随时间变化由于各种各样的因素,包括退化。因此,可操作的模式已经过时,重要的是要更新它。本文提出了Gaussian-dependent动态概率聚类(管理总局),一个新的深度学习算法集中在高斯混合模型是基于三个著名的集成和优化方法在复杂环境中使用。采用(EM)算法被用来估计参数值,并与切尔诺夫Page-Hinkley测试被用来检测概念漂移。与其他不受监管的模型相比,管理总局的模型分配会员概率集群。这个可以检测的鲁棒性和演化实例分配每次通过一条荆棘分数概念漂移可以检测分析。此外,该算法操作很少量的数据,大大减少了计算能力来确定是否修改模型。算法可以评估在合成数据和数据流从一个测试床会自动检测到各种操作条件,具有良好的分类结果精度、灵敏度、和特点(2]。基于轨迹数据,定期行为私家车被提取(3- - - - - -5]。
在物联网等数字技术和大数据、视频监测中发挥着重要作用的行人识别智能产业。由于排序不一致等因素的背景,灯光,服装,闭塞,和对象碰撞行人的检测是一项艰巨的问题。应对这些挑战,一种改进的特征提取是必需的。多个属性可以从不同的行人。特征检测行人的梯度直方图,哈尔特征边界水平分类的排序和尺度不变特征变换使用。闭塞萃取特性支持行人检测区域的识别。此外,行人等分类器进行分类的支持矢量机和随机森林。现在所有这些提取和脚检测技术简化由于深度学习技术卷积神经网络(cnn)。实现准确的结果,CNN的方法被用来训练模型通过提供有利的和不利的图像以及更大的数据集。可扩展标记语言级联常被用来检测和识别的识别行人(6]。近年来,智能工厂已经成为学术界和产业界的研究主题的形式行业4.0和物联网(IIoT)。要求各种智能设备之间的数据交换与不同的时间流是IIoT增加。然而,对这一主题的研究有限。一个全球统一的软件定义网络的集成(SDN)和边缘计算(EC)与EC IIoT一直考虑解决传统方法的局限性和解决这个问题。SDN和EC IIoT提出自适应传输架构。规格可分为两组标准和新兴资源,基于数据流与不同延迟约束。一个粗粒度算法在短时间内提供所有层次物联网的方法,满足时间约束。后,使用路径差异程度(PDD),选择一个最优规划路线,考虑到时间,流量负载比率和功耗附加组件。如果净粒度的策略是远远超出了场景中,作者精心刻画的一个过程是使用一个用于设置有效的传输路线最优功率低延迟策略在high-deadline场景。 Finally, simulation evaluates the success of the proposed plan. The results show that the proposed system is above the average time, goods, output, PDD, and download time in relation to the relevant methods. The proposed method offers a better way of handling IIoT data [7]。各种方法和研究存在与大数据的应用在不同的领域(8- - - - - -10]。
拟议的研究提供了一个广泛的概述在大数据及其与物联网的V的描述研究区域与深入审查现有的文献和研究工作。
描述的纸是组织如下。部分2介绍了提出的文学研究。部分3阐述了在物联网领域使用的方法。大数据和物联网模式部分中详细给出4。部分5简要地展示了IIoT和大数据的决定。现有方法的物联网和大数据在不同研究领域给出了部分6。部分7显示了分析有关的研究领域的文献。
2。文献综述
4.0行业被认为是编译器的新技术与传统的生产方法。行业4.0增加了丰富的价值公司的生产流程,以解决现有和未来的竞争和挑战。数字之间的数字排序网络架构帮助企业建立供应商和生产商。公司正在寻找一个IIoT分析计算映射技术的成功的合作伙伴考虑IIoT架构。另一方面,公司也强调评价的重要IIoT架构确定通用单层IIoT模型能够应用这些技术。在第一步中,作者执行一些重要的文献调查IIoT只列出重要IIoT架构创建通用模型。此外,许多文献调查帮助作者评估实证IIoT映射技术对自己的合作伙伴/供应商基准。作者量化研究完成IIoT架构,即。、网络、网络、虚拟现实、数据存储和安全。为了促进行业4.0事业,提出通用模型及分析方法,模糊灰色关联分析计算技术IIoT模型是用来允许公司绘制自己的伙伴模型下所取得的成就。假设在SA自动化技术公司的实证案例研究合理的科学分析的实际应用11]。工业物联网生产大数据获得信息从数据分析很有用,但它是一个应变来存储所有的数据。工业数据压缩通过回归神经网络为代表向量压缩损失。分而治之的方法是申请了压缩效率。实验证实,工业数据可以被一个函数和预测精度高(12]。
有一个好奇心激增4.0工业革命,这是专注于信息技术。互连、机器人、智能系统、优化和物联网创新被视为有能力创建特定目标除了工业革命4.0。物联网是最引人注目的创新之一,它有可能带来工业革命4.0。然而,由于各种传感器、模块和驱动分布在物联网,使用不同的协议经常导致异质性的问题。现在需要一个框架,聪明和有意义的使用产生的大数据的快速采用物联网设备。虚拟化不同物联网设备,一个方法称为云基于关联数据的东西。解决异构性问题和组织虚拟对象在关联数据类型形成互连设备啮合设备,虚拟设备在云中使用真实的设备使用元数据。这使得独立的知识,比如连接通过与基于数据的计算机网和结果通过大数据链接。场景演示了如何使用该方法的云项目基于相关数据(13]。近年来,光场图像技术在学术界引起了广泛的关注,因为它的新成像性能第一,后来射击、变量场深度和可变视角。然而,现有的光场采集设备只能获得少量的离散角信号,导致别名在光场图像的采样光场边缘信号。研究光场成像技术和基于大数据的深度估计方法在收集的物联网相机阵列在角采样特性使用摄像机阵列的光场数据采集系统作为一个媒介。深度估计的方法是建议,结合视差和聚焦过程,以分析不同深度的特征指数光学领域的数据收集。开始,研究探讨了差异和重点线索发现相机阵列的多视图数据集以及光场图像集,分别强调了这两种方法之间的区别和关系提取深度线索在增强现实频域采样区域。基于加权线性图像梯度融合方法融合了两个测量的影响,提高精确和健壮的深度评估。最后,深刻地评估试验的结果在不同的场景表明,本文方法更精确的测量深度不连续场景区域和相关纹理区域比基于单个深度线索的方法(14]。
3所示。方法用于物联网领域
下面简要描述的物联网领域使用的方法。
3.1。工业应用和物联网
当前位置隐私安全方法主要依靠传统的非对称加密,模糊,和加密技术,与世界上有限的成功大数据的传感器,例如,构成严重威胁,必须充分保护。当前的技术,如“4.0”和物联网,收集、存储、交换大量的数据形式的强调安全的和自治,使他们一个简单的黑客攻击的目标。然而,在过去,数据保护的主题被忽视了,导致侵犯隐私。保护当地的隐私数据,提高数据的可用性和算法在工业物联网,数据安全战略提出了满足微分隐私限制。由于高价值和低密度的数据,介绍了多级树模型的位置数据来平衡公用事业和隐私。此外,微分隐私指数函数用于选择数据根据树节点访问它。最后,拉普拉斯是用于添加噪声对数据的访问频率的选择。这种策略会导致实质性的改善安全,隐私,和适用性,在理论研究和实验结果15]。高阶聚类算法快速搜索和密度峰值检测最近出现在大数据发现潜在的数据结构,将产生巨大的应用价值领域的工业数据管理和分析。云计算的普及使得外包用户和计算方便也让他们保密的风险。集中在上述问题,本研究提出了一个稳定的高阶集群算法快速搜索和发现混合云的密度峰由于安全云服务系统的特点。客户端将首先创建加密对象张量,利用同态加密,用户数据,然后上传这些云,为了执行所有的协议。最后,随机数将聚类结果返回给客户端消除干扰。集群的精度、可靠性和加速比,该方法的性能评估是一个智能电网数据收集。实验结果表明,该方法可以集群数据不公开用户隐私与精度和效率,同时确保客户非常灵活。该系统与高水平的保护和可伸缩性因此适合IIoT大数据的聚类16]。
3.2。工业物联网
车辆(IoV)是关键的互联网与物联网的智能交通行业协会,使无所不能的车辆之间的信息交换和共享的内容很少或根本没有人工干预。研究分析了物理和社会层的结合知识内容快速扩散IoV-based device-by-device vehicle-to-vehicle (D2D-V2V)网络。进步的距离车辆模拟为物理层的维纳过程,与应用程序的柯尔莫哥洛夫方程估计D2D-V2V连接的连接概率。在社会方面,贝叶斯非参数学习的基础上,从现实社会数据,这是来自中国最大的微博服务新浪微博和优酷中国最大的视频分享网站,代表社会的紧张关系,类似于选择内容。此外,突显了迭代匹配算法在不同服务质量标准解决了制定联合对发现、电力监控、和渠道选择问题。总之,数值结果表明,加权和的和与满意度的好处,该算法是有效的和卓越的17]。
这项研究旨在展示的生命扩展计划FSO2通过大数据和工业物联网(IIoT)。这项研究的目的是解释如何实现大数据和IIoT技术,帮助生产先进技术和预测寿命维护FSO2计划。FSO2生活扩展软件于2014年开始实施。ABS的FSO2认证没有干对接类设计寿命为15年。这个项目的目的是开发一个项目和解决方案为ABS类一辈子延长10年没有干对接。分析显示当前状态和前面的步骤18]。物联网将收集不同类型的传感器数据。有空间属性在每个传感器节点,和大量的测量数据,随着时间的发展也可以链接到它。从根本上高维传感器数据。这是一个非常艰巨的任务来检测异常值在大型物联网传感器数据。大部分的异常检测是基于向量的方法。然而,大型物联网传感器数据具有特性增加张量信息提取方法的效率。基于向量的方法可以消除原始结构信息和相关性在广泛的传感器数据,导致“维数问题的诅咒。看到下面成了“在这个研究支持塔克机(OCSTuM)和一个OCSTuM基于张量分解和遗传算法被称为GA-OCSTuM提出了。向量机技术扩大看到下面成了空间紧张。 The anomaly detection methods for large sensor information are unchecked OCSTuM and GA-OCSTuM. Data structural information has been maintained, and anomaly detection accuracy and reliability increased. Experimental analyses of real datasets have shown that the approach proposed increases anomaly detection accuracy and efficiency while maintaining the structure of large sensor data [19]。
设计工业数据平台的主要功能是更大的数据采集和存储系统(屁股)。许多大数据系统已经压缩和编码。这些方法不能满足工业的需要耗时和大规模存储数据管理。一个高效的工业大数据平台基于现有数据系统设计,以消除数据处理时间,同时消耗更少的存储空间。研究探讨了影响各种压缩和编码方法对大数据平台的性能,目的是确定最好的压缩和编码方法的工业数据平台。测试结果显示平台的数据压缩时间Hadoop和火花方法相比降低了73.9%,不到96%压缩数据,数据连载时间降低了80.8%。比较它和基准测试方法和日益增加的数据量(20.]。隐私与网络安全相关的是分组的框架内工业物联网,并已经使用两个特定方法的评估,特别是建立相关工业环境,和评估技术进行了保护网络的物联网设备将用于一个工业基础设施环境。案例研究证明了问题和网络安全的问题引起的特定技术和揭示出规则等要求,技术机制是解决。这些案例研究的目的是证明监管和技术在工业环境中努力防范网络安全问题。的研究也帮助解释了安全的问题和实现的标准和工具在工业环境中解决网络安全问题(21]。
早些时候区块链数据传输技术安全性较低,交易中心管理成本高,IIoT监控难度大。一个安全的织物blockchain-based工业物联网技术提出了解决这些问题。这种技术利用动态秘密共享系统是基于区块链。幂区块链共享模型,也可以交流电力交易账户,产生一个稳定的交易中心。电力数据共识的过程和动态存储建立连接,以确保电力数据传输的有效匹配。实验表明,高保护和可靠性由织物提供优化的数据存储和传输。建议的方法将增加的速率传输和接收数据包的12个和13%,分别。此外,技术建议具有较强的管理和地方分权霸权(22]。智能工厂,成千上万的设备和传感器安装在生产机器为了收集机器的大数据条件和转移他们在工厂的云cyber-physical基础设施中心。然后设备使用大量的煤层气的方法估计当机器继续运行的时间不定期和保留或升级组件为了防止大型检测对象的生产。CBM患有飘并发症(即想法。,fault distribution can alter over time) and data imbalance (i.e., the data with faults accounts for a minority of all data). A high-performance approach to these issues is to incorporate learning that combines the diversity of multiple classifiers. Many firms do not have the capacity to create a sound infrastructure for the development of Internet classifiers in real time but may have offline classifiers on their current networks. However, much of the previous supervised work is concentrated only on online classification promotion. Consequently, a learning algorithm ensemble has been suggested, supporting offline grading to meet the 3-stage CBM with definition drifts and inequality data, which employ the improved Dynamic AdaBoost. The NC grading and the MOTE method to solve the imbalance data are used at stage 1 (training an ensemble classifier); the improved method LFR (linear quarter rates) is used at stage 2 and at stage 3 (creation of new ensemble), a new ensemble is created for detecting concept drifts from imbalance data. The experimental results on datasets with different degrees of imbalance showed that it is possible for the proposed system, with a high accuracy rate of over 94 percent, to detect all concept drifts and to recognize minority class data [23]。
空间数据从卫星、无人机和大数据是一个重要的因素在灾害管理所有操作,如预防、准备、响应和缓解(移动革命、轨迹数据、GPS、无线传感器网络和物联网)。全球导航系统和无线通信的发明彻底改变了我们操作和收集地理空间信息。例如,大量的地理空间数据流可以收集和传输从物联网云服务器或中央geodatabase为基础的地图数据库存储库。收集、传播和显示所有收集到的地理空间数据是重要的有效计划和最小化风险足够的信息财产,和生命损失恢复团队必须在最短时间内获得。本文有助于创建一个城市地理空间指示板来获取、交换,从卫星和监控数据,物联网设备,和其他大的地理空间数据收集的数据。为了提高在灾难管理、空间分析和规划过程的一组空间分析工具被称为geovisualization,比如几乎实时降雨分析系统,近似人口和流动方向的移动CDR,被用来分析大规模数据的性能评价(24]。
现有的概念和策略来构建一个cross-industrial物联网服务网络已经使用在一组水平。使用固定geodistributed无线物联网盖茨和移动设备允许地方物联网服务的快速部署提供一个城市的社会和经济效益。提出的想法是一致的战略“本地数据输出为本地数据使用,”当地然而社会有用的数据可以提供不同类型的物联网服务不需要移动网络大数据中心或云/数据。这个想法是使用原型的软饮料设施,即。、销售机械、车和出租车服务设施,例如出租车在东京,日本,显示一个原型平台。平台作为数据传输网络传播对社会有益的数据可以看出,和结果评估25]。
大规模的生产数据给工厂一个巨大的机会将现有的生产模式转变为智能生产。多源数据建模和集成问题然而当前收集的大数据之间的差异和智能应用程序的数据。广泛的网络部署的产品在商店的地板上意味着制造业大数据驱动与足够的管理和组织数据建模和集成方法。数据的时空造型在时间,空间,最初是在这项研究中出现的属性维度。此外,大数据的本体论方法集成提出了处理多源供应商的制造业数据,并确保各种后续应用程序的数据可以很容易地索引和易于重用。最后,通过现有的大型数据分析和决策框架,提出的数据建模和集成方法应用和测试(26]。IIoT是生产趋势和智能工厂的一个必要组成部分。工业物联网、数据传输保护是极其重要的。本文的主要贡献是一种新的混沌保密通信方案的实现来处理数据传输的安全问题。同步的框架提出和分析了分数阶混沌系统的各种结构与各种订单。为了验证分数阶之间的同步驱动和反应系统,使用李雅普诺夫稳定性原则。为了加密和解密关键数据信号,使用n-shift加密原理。该计划的主要区域是计算和分析。通过数值模拟理论方法的效率显示(27]。
4所示。大数据和物联网模式
突然改变经济标准和革命性的突破物联网将很快产生大量数据爆炸。这反过来将包括数据收集和云平台实时处理。广泛和地理数据中心提供分布式数据中心(DCs)的重要组成部分。然而,这些DCs施加巨大的成本成倍增加的能源使用和破坏环境。在这方面,有效的利用资源往往被视为一个可能的候选人为提高能源效率和减少电力部门的负担。然而,在大多数公共云的资源通常是空闲的(即,underused), since the server load is unpredictable, which leads to a considerable increase in energy use and resource waste. For this reason, a precise and effective resource management methodology is extremely important. The benefits of SDDCs (software-defined data centres) have been used to minimize the use of resources. In particular, SDDC refers to the method of abstracting the logical computing, networking, and storage resources in a programmatic way to potentially develop consolidated models based on SDDC to optimise the processes of VM deployment and network bandwidth assignment, particularly for heterogeneous computer infrastructures in order to achieve an optimization of resource and in addition to formulate a multiobjective optimization problem. The presented work is not optimal based on First Fit Decreasing (FFD). Moreover, the proposed framework shows that the proposed framework achieves reductions in energy usage of about 27.9% compared with existing schemes with negligible QoS breaches (approximately 0.33) [28]。各种使用的物联网智能工厂是类似于一个垂直行业联盟。例如,大多数汽车制造商也有类似的装配线和物联网监测系统。工业信息通常观察到使用物联网视深度学习和数据挖掘。然而,有些信息不能轻易从一个工厂的数据,还有一些样品。如果几家工厂可以一起收集他们的数据通过一个联盟,可以提取更多的信息。然而,数据保护这些工厂的主要问题。现有的基于矩阵方法可以确保数据保护在一个工厂但是之间不共享数据工厂由于缺乏相关性,因此,采矿效率是虚弱的。为了解决这个问题,研究提出了一种新的联邦矿业(英尺分)张量系统结合多源矿业数据以提供安全保障tensor-based挖掘。英尺分的主要贡献是分享其密文数据出于安全目的,因为它的同态归因,这密文适合tensor-based信息挖掘。 Evidence-driven simulation results show that FTM not only exploits the same information as plaintext mining, but it is also permitted by distributed eavesdroppers and unified hackers to protect attacks. FTM improves the mining accuracy by up to 24% in our typical experiment compared with the matrix-based privacy-preserving compressive sensing (PPCS) [29日]。
地理空间数据访问的数量每分钟增长由于大数据和物联网,这是提高地理空间数据的获取和检索。这需要使用先进的数据处理系统。网络虚拟现实地理数据的基础上,一个“建筑信息模型(BIM)”混合存储架构和大数据存储管理方法提出了(WebVRGIS)。在城市发展的不同阶段,女子与空间和语义知识的集成。数据存储和管理BIM地理空间大数据管理模型提出了基于BIM地理空间大数据的空间分布特性。不仅结构化查询语言数据库(NoSQL)也和分散的点对点的处理是体系结构的关键组件。提出的存储模型是使用相同的软件应用框架,它使用在前面WebVR研究。实验结果表明,该混合存储模型效率比传统的连接数据库在数据搜索geo-big这项研究。荡妇大数据的整合和融合WebVRGIS转换城市知识管理以革命的方式在整个生命周期。该系统也非常有前途的用于存储其他地理空间数据包括交通信息(30.]。高性能的分析工具和先进的无线通信算法是必要的,物联网、大数据。数据聚类,有前途的分析方法,通常被使用,因为它不需要标签数据集来解决物联网和大数据相关问题。Metaheuristic算法最近被有效地用于许多不同的聚类问题。然而,这些算法并不反应所需的时间内处理大型数据集从物联网设备的高成本计算。提出了一种新颖的metaheuristic聚类方法的研究来解决大数据问题通过使用MapReduce强度。方法提出了利用军事狗群的追求可能找到完美的质心和MapReduce架构来管理大型数据集。优化建议的方法的有效性由17个基准测试函数验证,与5最近其他算法相比,即人工蜜蜂殖民地,蝙蝠,多元宇宙优化粒子群优化,和鲸鱼优化算法;为了工业物联网的大型数据集生成的聚集在一起,并行版本的显示技术也将使用MapReduce实现(MR-MDBO)。此外,MR-MDBO性能研究使用2 UCI标准数据集和3实际工业有关的物联网数据集。 The MR-MDBO is compared to 5 other advanced methods with F measurement and computing time. The experimental results indicate that the clustering based on MR-MDBO is superior to the other considered algorithms in terms of cluster precision and calculation time [31日]。
IIoT进化很快随着5 g的出现。也有广泛的兴趣工业sensor-cloud系统(SCS)。主要是在未来,几个集成传感器将被添加到工业SCS,同时收集多功能数据。因为严酷的传感器的世界,然而,收集到的大量数据是不可靠的。如果获得的数据在底部的网络直接下载到云处理,查询和数据挖掘的结果是不可靠的,严重影响云的判断和反馈。传统的基于传感器节点的数据清洗方法处理大数据不足而边缘计算提供了一个很好的解决方案。一个新的基于移动数据清理方法提出了边缘节点在数据收集。在边界节点,一个angle-based孤立点检测方法用于获取清洁模型训练数据,然后通过定义一个支持向量机。此外,在线学习是用来优化模型。实验结果表明,多维数据清洗,将移动边缘节点的形式,增加了数据清理的效率,同时保留数据的可靠性和完整性(32]。
工业物联网(IIoT)作为智能传感器发展势头迅猛,仪器,计算机和应用程序越来越多地部署,在有线和无线网络连接。工业实践将会大大提高,将更有效地开发和工业信息,由于这种集成的硬件软件策略。识别和使用机密信息是有价值的和有用的在制造过程中,重大进展在IIoT大数据处理和分析是必要的。大规模、流媒体、多属性IIoT输出数据,另一方面,是不可靠的和冗余的。因此,一个适当的数据处理技术,如一个张量火车,需要处理这些IIoT数据。当前tensor-train分解方法,另一方面,效率不高,不适合大规模IIoT大数据处理。增量计算框架提供了一个先进的(加强和supereffective)分布式tensor-train (ADTT)分解方法研究IIoT大数据。最后,测试运行在普通IIoT公开可用的数据。验证和评估提出ADTT系统的性能测试数据进行32]。许多重大的困难存在于云处理,包括基于云计算的大规模数据的分析和决策过程,不能满足多个标准对延迟敏感的应用程序在商店的地板上,除了缺乏重新配置,透明、开放、和评价当前处理车间制造系统的紊乱和市场上的变化。互联网和大数据存储层没有有效地使用和升级生产过程自动化。一个开放的协作优势的演化架构和云处理智能云的开发框架。分层网关连接和管理“边缘”商店提供支持对延迟敏感的应用程序实时做出反应。大型、云计算和网关的数据来帮助处理不断加强和发展edge-cloud系统来提高性能。等软件主导工厂控制和决策“大脑”,它还提出了一种AI-enabled制造业务(AI-Mfg-Ops)模式和软件定义框架,可以帮助快速操作和升级的云制造系统在一个嵌套循环与智能监控、分析、计划和实现。研究可能导致云生产系统的快速反应和他们的高效运作33]。
数据挖掘的研究已引起学术界和产业界的利益。定义了物联网的传感器数据人为取代组装数据。提取有用信息的能力和模式从大量的传感器数据现在是一个有价值的研究课题。对于传感器数据处理,提出一个动态的数据挖掘方法。一个传感器的数据挖掘模型,可用于动态变化。不同的物理结构模型在各种传感器网络设置。通过收集传感器数据的历史变化,物理教育系统及其参数,不同的传感器网络上下文之间的联系被发现通过利用物理系统参数之间的联系。在有限的实验环境中,物理量如传输距离、传输延迟、传感器数据和数据变化被认为是。模型在实验平台上进行了测试,结果表明,它可以我不可预知的数据,找到稳定的模式。分析实验结果后发现,该模型有一个参考价值动态传感器数据挖掘,和新方法来评估工业大数据将被开发(34]。先进传感、数据采集和通信技术近年来贡献IIoT的巨大的增长,这就增加了电子革命资产状态监测和维护。提出一个开放的生态系统对未来IIoT和开放生态系统架构。需要一个开放的开发环境,以便用户可以自由与电力设备和服务器通信用户终端通过网络或移动应用程序,从而提高IIoT可伸缩性和灵活性。开放生态系统核心技术为未来IIoT将包括健壮的传感技术,宽区域通信方法,大数据服务平台,为数据处理算法,智能维护计划。然后解决潜在IIoT生态系统管理的风力发电场。它显示增加风电场维护质量和效率通过支持一个开放的生态系统的未来IIoT提供突破性的视角控制和维护电气资产与伟大的可靠性35]。
5。决定IIoT和大数据
实时的虚拟化通常是公认的一个核心启动子雾计算和工业物联网(IIoT)。任何管理程序有资格作为一个虚拟化解决方案威慑到IIoT必须符合规范。多功能性和确定性执行之间的妥协的一个例子是当前实时虚拟化领域的工作。没有足够的虚拟化管理程序,完成所有的确定性的标准。初步实验结果比较ACRN、KVM和Xen高压设备延迟支持语句的进一步调查确定的虚拟化要求(36]。为了避免ransomware攻击IIoT系统,主机计算机操作需要一个强大的检测模型,该模型可以可靠地检测ransomware行为和触发警报之前感染扩散到关键控制系统。然而,检测模型与高维数据,以及一些合格的观察结合ransomware动态主机,是很困难的。为了解决这些问题,一个有效的检测模型是至关重要的。披露框架隐藏系统操作和ransomware行为,变分Autoencoder (VAE)模型提出了一个完全连接的神经网络。促进广泛的检测模型功能,增加VAE-based数据方法创建用于生成新的数据;它可以用在一个完全连接网络培训。研究结果表明,该模型是非常有效的探测ransomware [37]。在我们的个人生活,数字商品和服务是一个受欢迎的地方,软件及其算法提供援助。互动系统,然而,需要匹配消费产品在工业环境中,特别是在互动的质量和用户体验。人类工作的地位受到质疑,一直在强调合作的价值的增加在大尺度上自动化和数据共享。新概念在智能工厂,机械和软件执行工作任务,极大地改变工作性质从体力劳动,在工业生产中日益复杂的任务。人机交互,特别是对CSCW有想法、技术和策略来解决这个破坏性的过渡到一个IIoT。例如,网络辅助系统可以满足异质个体员工的各种需求。为了探索IIoT应用程序的设计空间,影响合作工作和制定新的研究机会和人机交互的新视角和CSCW在工业环境中探索的背景下新兴IIoT [38]。
工业自动化行业经历了一个巨大的转型日益一体化和全球分布式自动化系统通过引入物联网(物联网)和cyber-physical系统(CPS)的概念。结果,行业面临的挑战方面的设备和系统之间的互操作性,近年来发展的业务和技术的碎片。由于严格的可靠性和实时约束,证明了物联网集成技术不能完全适应IIoT环境。作为设计模型提供一个现实的更深入地了解特定问题的工具,软件体系结构模型是用于创建一个适当的实施在未来IIoT环境。物联网世界的概念、工业自动化系统和现代IT架构和云架构结合在生成的软件架构。很容易和多功能设计,和最先进的的帮助方法(集装箱、持续集成(CI),持续部署(CD))使它适合云,雾,边缘部署。所有这些特性能够部署设备级的服务和通信协议异构系统和协议可以是透明和自动集成请求(39]。IIoT连接控制系统主要业务和行业创新。然而,新的网络安全漏洞也参与了这一进展。的效用IIoT系统处于边缘的级别,他们可以被攻击者寻求。因此,保护最高关注的物理结构边缘的探测和识别恶意活动基于一个有效的检测模型。基于深刻的学习技术的检测模型,可以学习和测试使用数据从远程遥测装置(RTU)天然气管道设备流,提出了。它使用稀疏和表示self-encoding方法创建高层通过未标记的数据表示和嘈杂的信息不学习和深层神经网络监督学习。研究结果在检测恶意活动中表现出巨大的成功在该模型40]。物联网继续快速扩张,并越来越表现在未知的领域。这些领域可能实施独特的约束使物联网系统的开发和实现的困难。这种约束的例子包括缺乏特定的协议,限制所能带来的信息类型,向公众提供信息的义务,和监控的通信过程。这些项目的快速和有效实施是至关重要的捕获、反映、设计、和重用这些限制。物联网在工业环境中使用的人类在循环监测系统建模。经历第一次系统的设计和开发实现和软件体系结构方差点已确定;他们占后续版本和实现其他设置(41]。
当数据生成大规模它称为大数据。大数据是有用的;它被认为是下一个技术市场上,这对许多应用程序有许多优点。因此,许多工具创建分析这些数据来从中获利,因为大数据很难使用传统工具进行了分析。大数据分析现在已经在过去十年里最新的研究对象之一。大数据及其属性,形式,挑战,分析工具,和应用程序一直在处理业务,安全、健康、教育、和行业(42]。
6。现有方法的物联网和大数据在不同的研究领域
一般策略对计算机网络安全风险总结和讨论了中小企业。有一个广泛的讨论新兴威胁超越传统的威胁和现代物联网应用程序超越传统的中小企业。研究的贡献是提醒专家中小企业可能面临的潜在威胁。整个动力来自谷歌的大数据。具体的解释和建议也给非技术企业主(43]。特别是在汽车行业,IIoT是一个范式的转变。由于生产过程的操作效率的提高,智能对象身份机制,智能自动化功能,和时钟监测能力,这个想法是非常吸引大部分的工业领域。它会降低员工的干预危险工业圈。一些最好的培训和工作领域IIoT工厂,库存处理、安装、制造程序,完成产品,和其他物流入口和出口任务。IIoT现象是基于物联网技术,目前保证有效工作的性能在许多地区,也在工业和商业和社会领域。IIoT概念和含义争论是关于市场背后的驱动程序技术增长,这种现象的恶化。各领域技术实现方法的基本原理和相关的框架也解决。日本案例研究进行的行业,在这过程类似于IIoT已经被应用。这包括Gousei土屋,丰田、日立和Zenitaka公司(44]。连接是一个词的定义4.0产业革命。物联网和IIoT增长的重要性由于工业化和产业的崛起4.0。大规模集成设备的IIoT呈现网络安全和用户隐私关键组件作为新的机会带来了新的挑战。工业网络入侵检测的重要性尤其高。这是一个关键因素,例如,在提高智能电网系统的安全运行,同时保护客户隐私。同样,工业网络,数据流是一个可行的选择研究从云端雾中移动,因为它受益于快速入侵检测以及购买时间入侵缓解(45]。第四次工业革命的目标是提高效率、灵活性和内部流程的自动化,包括价值链,企业可以根据数据生成计划,提供新服务的各种技术。因此,企业投入相当大的资源如何行业4.0技术可以用来提高当前流程并提供一个更有吸引力的商业模式对现有的和新的消费者。提议的报告提出了一个研究的结果,旨在提高市场意识的行业4.0,识别关键贡献者物联网发展和大数据实现,并推荐额外的研究帮助协作行业4.0网络扩大46]。
鉴于医疗系统中的各种因素,如隐私和机密性,维护健康数据的可靠性和准确性是很困难的。电子病历是常用的,因为他们的不同的临床优势,以确保每个人都有实时的健康信息。EHR系统指的是历史的电子记录,包括患者的健康信息,包括人口统计信息,健康问题,药物,卫生考试成绩、复苏的进展,和以前的医疗记录。为了提供及时的护理,EHR系统允许电子相关各方之间的信息交换。即使电子医疗纪录有极大地推动了健康记录和存储,互操作性仍然是一个问题。分享的能力,沟通,通过组织和使用卫生信息提高医疗保健的质量交付给个人和公众称为互操作性在医疗保健。缺乏互操作性阻止成功的医疗数据共享。它不仅影响卫生服务提供者对健康相关的项目,但也限制了病人的接触和获得医疗记录。在医学领域,物联网已经广泛应用了很长一段时间。大多数的物联网健康应用程序旨在识别和监测人和物体,从病人和医护人员收集数据,并使用传感器为特定目的(温度、烟雾等)。 The IoT provides a patient-care ecosystem. Many medical devices now have sensors that capture continuous health indicators for patients, such as blood pressure, blood oxygen levels, heart rate, cholesterol level, and other information. The data is then sent over a wireless network to a central computer or a mobile device for analysis and classification. IoT helps medical professionals save time and money by allowing them to monitor patients in a continuous data flow rather than conduct repetitive data collection activities. Patient data can be accessed and tracked remotely at any time with wireless IoT solutions. Collecting a patient’s full health profile as a guide to treatment decisions and appropriate medications is easy thanks to a network of sensors and healthcare wearables. Doctors and nurses can take care of all vital signs and use records to prevent misdiagnosis or medical misuse. In-time RFID tag monitoring systems or IrDA technology will keep patients as well as hospital staff up to date with the real-time location and conditions. The marks may be applied to medical equipment or a patient’s bracelet, to determine where the tagged items are located. Under emergency conditions, the device may help locate a patient’s exact position or warn caregivers when a patient leaves the hospital without permission [1]。
雾计算、云计算、语义计算,计算边缘,和其他创新都与物联网并行进化而来。传感器和成像数据由无处不在的物联网应用,如医疗,必须妥善处理。在传统的物联网框架中,云计算确定最优解决方案的成功管理海量数据,并提供共享服务和基础设施。大多数物联网应用程序时间非常敏感,要求延迟绑定。当云之间的数据传输和应用程序,创建一个延迟,是不合理的。各个方面和趋势已经发现解决存在的挑战传统的物联网的世界,在同化进化计算系统,和中断技术优势/雾计算、大数据和物联网区块链。此外,物联网和云计算机框架存在的问题,包括这样一个事实,任何单一的物联网体系结构的组件可以作为起点,可以破坏整个网络。趋势的支撑和管理大量的数据使用互联网数据中心被发现在物联网生态系统。评估由一个案例研究雾/边缘计算和云计算在废物管理系统。此外,一些发展的应用区块链中还研究了物联网生态系统。 An overview of the fundamental aspects of different computer paradigms and approaches that can help solve big data problems by building IoT ecosystems is also presented [47]。
数字化(数据)之间的互动,知识产权,隐私法,和竞争法目前触发政客,商人,学术部门,甚至公众在物联网的场景中。有关团体出于各种原因:商人,例如,将有机会创建资源;分析,研究人员将能够轻松地编译和分发信息;和每个人都同意的处理和共享的个人数据将提高对隐私和数据保护的担忧。很难理解造成法律体系之间的接口数据处理、交付和使用,试图剖析这个接口的细节,如“数据”,从它的来源,在物联网环境中给客户和最终消费者。数据来源是多样的,但它们可以分为三类:第一,政府(“开放数据”)收集数据从公共部门机构。第二,数据可以自愿提供的消费者、客户、或企业通过e-platforms或其他基于it服务格式。第三,它可以收集通过饼干,病人数据,ISP数据。在这个步骤中,将尝试识别适用的法律框架。当电脑收集数据,支付它在“云”,并最终重用它,知识产权法律制度可以申请什么? Who “owns” personally identifiable information? Do data privacy laws create new rules on personal data? The research proposed when producers and users of raw or processed data should benefit from the applications of competition law, whether public or private authorities should assist with this, and whether competition law facilitates established needs. The research focused mainly on applying competition law to bodies which collect or maintain data. The question of the sector-specific regulation is posed in the data arena. Data access is a controversial topic not only under the general “competition” regulations but as regards sector-specific regulations including the directive on public sector information, e-Call, financial services, and e-platforms. Indeed, there appear to be rules on access to information (antiregulation) currently being included in industry-specific regulations which require either data exchange or open access to the data collection device. It was concluded that general competition law does not apply readily to the access of generic data, except where the set of data is indispensable for the access to business or to a market in particular, whereas sector-specific regulations tend to arise as a data processing tool owned by competitors or enterprises in general. However, at its present stage of growth, the key question under competition law in the data industry is to establish level playing field by attempting to promote the adoption of the IoT [48]。
为了收集和共享数据,数以百万计的设备配备传感器相连。物联网被定义为日常物品的现象,通过一个集成的系统互联。这些传感器生成大量的数据从一个大范围的设备或物品的同时,不断,也叫大数据。当时间、精力、加工能力限制,处理这种海量的数据和不同的变体构成重大挑战;大数据分析因此越来越难获得的物联网的数据。数据处理、数据解释,非结构化数据分析、数据可视化、互操作性、数据语义,可伸缩性、数据融合、数据集成、数据质量和知识发现都显示,作为物联网的一部分,解决大数据项目(49]。大数据(BD)和物联网被视为创建大型企业和影响劳动力市场到2050年及以后。然而,BD和物联网应用的成功仍然放缓,特别是鉴于缺乏标准化和各种玩家合作的挑战。另一方面,获得巨大的云测试床已经成为资产,和农业等领域的巨大潜力,汽车、绿色能源,健康,可以优化和智能城市。目标是现在的思想和步骤进行业务增长,一个年轻和聪明的企业家可以开始,加快成功的商业生涯,这将增加超过2050 (50]。
新兴技术开发出了新一波的工业改革近年来。最新的工业革命深刻地融入现代工业和制造业支持转换和增强信息技术的新一代。智能设备改革起着重要的作用,因为它是制造业的支柱。一个创新的智能设备的设计方法。首先,方法的体系结构和各层进行处理数据提出了参照的认知物联网和建筑工业大数据。一种算法被用来评估和决定收购了外部数据,连同CIoT和行业大数据技术。最后,验证了这种方法的案例研究是准确的和可行的。研究结果表明,该方法可以显著减少的深度了解智能设备,同时提供更多有价值的信息设计显著影响公司设备设计(51]。物联网连接电脑、个人、位置,甚至抽象对象等事件。智能传感器,嵌入式微电子、高速网络、和因特网标准即将改变今天的价值链。大数据是一个产品和一个司机的物联网系统,具有高速度、高容量、变化模式。市场数据的发展带来了全新的风险和机遇。物联网需要强大的建模工具来解决技术风险”之间的交互。“此外,非结构化的处理和存储,结构化的,重复的,和nonrepetitive实时的数据流需要新的IT系统和体系结构的发展。只有强大的分析工具可以推出“意义”从越来越多的数据,因此,数据科学现在已经成为一个战略优势。物联网的存在在很大程度上是基于技术标准,确保所有的互操作性。一些基本的练习和方法概述标准化等分析大型数据处理方法用于实时处理。 IoT is therefore a (fast) evolutionary mechanism that depends heavily on the close collaboration between standardisation organisations, open-source communities, and information technology experts to penetrate all dimensions of life [52]。表1描述了物联网的方法,大数据在不同领域的研究。
各种最流行的库搜索以找到相关材料在研究下的面积。这些库包括ScienceDirect, IEEE, ACM, PubMed和施普林格。最初的搜索结果是确定在不同的库中。图1显示库搜索的细节。
7所示。分析文学领域的研究
本节讨论的概述分析了从不同的角度直观地描述。流行的库用于搜索过程的研究。图1描述了库中搜索过程的细节。
论文获得的初始数量是为了进一步降低过滤材料和找到完全匹配的文件。图2描述了包括论文的最终数量。的图中显示大量的出版物ScienceDirect图书馆。
在这之后,分别给出了每个库的表示。SD给出图的表示3。
ACM的表征图书馆与他们的细节图4。
IEEE图书馆的搜索细节图所示5。
在这之后,施普林格库搜索,结果呈现在图6。
最后,PubMed库搜索,描绘在图所示的细节7。
8。结论
快速成长发展智能执行器等设备,传感器和可穿戴设备使得物联网启用智能和可持续发展的区域。物联网是一个新兴的网络和信息技术理解自动操作的网络设备连接到物联网。物联网的使用在有效的和有效的方式提高效率和减少错误。物理对象与这些智能设备分析,处理和管理产生的数据环境。这些数据可以进一步用于不同的用途,如智能决策,分析早期,和许多其他用途。物联网网络与大数据通过互联网操作和储存巨大的大部分云存储的数据。实时管理巨大的大部分数据是一项非常重要的任务。各种方法在实践中对数据的管理和恢复的问题。提取相关数据变得特别困难不同的感知属性之间的耦合程度很低。现有的文献提供了全面的技术、工具和方法用于各种目的的数据。 The proposed study has reported a wide-ranging overview on big data and its V’s with IoT to describe the state-of-the-art research into the field with in-depth review of existing literature. Various popular libraries were searched for analysing the existing literature, and comprehensive report is presented.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关这项研究。