Оброблення даних кінцевими пристроями в системах IoT (Інтернет речей)

DOI: 10.31673/2412-9070.2021.052428

Анотація

Розглянуто кореляційний метод оброблення даних на кінцевих пристроях, а також скорочення обсягу даних, що передаються по мережі. Замість дорогих і складних мереж та пристроїв для передавання даних розробники можуть використовувати дешеві і перевірені вирішення низькошвидкісного Інтернету речей (ZigBee, NB IoT, BLE). Новизна полягає в одній із особливостей цього підходу: у використанні для аналізу не повної копії сигналів, а їх компонентів, а також оброблення безпосередньо на давачі. Перевага такого підходу дає можливість зменшити кількість операцій і складність виконання на відміну від інших методів, зорієнтованих на хмарні обчислення. Надано результати для значень кореляції та кількості логічних елементів (LE) під час реалізації на FPGA залежно від кількості елементів у кореляторі. Це дає змогу підтримувати баланс між потрібною точністю розрахунку і витраченими апаратними ресурсами, а також спрощує кінцевий пристрій.

Ключові слова: Інтернет речей; промисловий Інтернет речей; кореляція; FPGA; узгоджений фільтр; автокореляція.

Список використаної літератури
1. Future internet: The Internet of Things architecture, possible applications and key challenges / R. Khan, S. U. Khan, R. Zaheer, S. Khan // Proc. of the 10th Internat. Conf. on Frontiers of Information Technology. 2012. P. 257–260
2. Weyrich M., Ebert C. Reference architectures for the Internet of Things // IEEE Software. 2016. Vol. 33, No. 1. P. 112–116.
3. Fog computing: a platform for Internet of Things and analytics / F. Bonomi, R. Milito, P. Natarajan, J. Zhu // Big Data and Internet of Things: A Road Map for Smart Environments. Springer, Berlin, Germany, 2014. P. 169–186.
4. Big IoT data analytics: Architecture, opportunities, and open research challenges / M. Marjani [et al.] // IEEE Access. 2017. Vol. 5. P. 5247–5261.
5. Engines in the Data Cloud [Електронний ресурс]. URL: https://www.digitalcreed.in/engines-data-cloud/, April, 10, 2018.
6. Е-sampling: Event-sensitive autonomous adaptive sensing and low-cost monitoring in networked sensing systems / M. Z. A. Bhuiyan, J. Wu, G. Wang [et al.] // ACM Trans. Auton. Adapt. Syst. 2017. Vol. 12.
7. Harb H., Makhoul A. Energy-efficient sensor data collection approach for industrial process monitoring // IEEE Trans. Ind. Informat., 2018. Vol. 14, No. 2. P. 661–672.
8. A distributed real-time data prediction and adaptive sensing approach for wireless sensor networks / G. B. Tayeh, A. Makhoul, D. Laiymani, J. Demerjian // Pervasive Mobile Comput. 2018. Vol. 49. P. 62–75.
9. A new autonomous data transmission reduction method for wireless sensors networks / G. B. Tayeh, A. Makhoul, J. Demerjian, D. Laiymani // Proc. of the IEEE Middle East North Afr. Commun. Conf. 2018. P. 1–6.
10. Braten A. E., Kraemer F. A., Palma D. Adaptive, correlation-based training data selection for IoT device management // Proc. of the 6th Internat. Conf. on Internet of Things: Systems, Management and Security. Granada, Spain, 2019. P. 169–176.
11. A spatial-temporal correlation approach for data reduction in cluster-based sensor networks / G. B. Tayeh, A. Makhoul, C. Perera, J. Demerjian // IEEE Access. 2019. Vol. 7. P. 50669–50680.
12. A correlation-change based feature selection method for IoT equipment anomaly detection / S. Su, Y. Sun, X. Gao [et al.] // Applied Sciences. 2019. Vol. 9(3). P. 437.
13. Pattern Matching Trading System Based on the Dynamic Time Warping Algorithm /S. Kim, H. Lee, H. Ko [et al.] // Sustainability. 2018. No. 10. P. 4641.
14. Ifeachor E., Jervis B. Digital signal processing: A practical approach. Hardcover, 2nd ed., USA: Prentice Hall, 2001. P. 184–245.
15. Oppenheim A. V., Schafer R. W., Buck J. R. Discrete-time signal processing. Hardcover, 2nd ed., USA: Prentice Hall, 1998. P. 746–753.
16. Cyclone IV Device Handbook, 490 p. [Електронний ресурс]. URL: https://www.intel.com/content/dam/www/programmable/us/en/pdfs/literature/hb/cyclone-iv/cyclone4-handbook.pdf. (Accessed: March 2016).