فیلترینگ داده در محاسبات مه
- سال انتشار: 1400
- محل انتشار: هفتمین کنفرانس بین المللی دانش و فناوری مهندسی برق مکانیک و کامپیوتر ایران
- کد COI اختصاصی: DMECONF07_101
- زبان مقاله: فارسی
- تعداد مشاهده: 465
نویسندگان
گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه آل طه، تهران، ایران
گروه مهندسی کامپیوتر، واحد علوم و تحقیقات ،دانشگاه آزاد اسلامی، تهران، ایرانگروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه امام علی (ع) تهران، ایران
چکیده
با ظهور اینترنت اشیا (IoT) به عنوان یکی از مولفه های اساسی زندگی روزمره ما، درک چگونگی بهبود کیفیت خدمات (QoS) در شبکه های IoT به مساله چالش برانگیزی تبدیل شده است. امروزه، بیشتر تعاملات بین دستگاه های IoT و پشتیبانی از سرورهای انتهایی از طریق مراکز داده ابری بزرگ انجام می گیرد. با این حال، با رشد چشم گیر دستگاه های IoT و داده هایی که بین اشیا و ابر، تولید و مخابره می کنند، پرهزینه، ناکارآمد و در برخی موارد غیر قابل اجرا شده است. محاسبات مه به عنوان راه حلی برای این موضوع عمل کرده و منابع شبکه سازی، ذخیره سازی و محاسباتی را برای IoT نزدیک به اشیا و کاربران فراهم می کند. یکی از مزایای امیدوارکننده مه، کاهش تاخیر سرویس برای کاربردهای کاربر نهایی است در حالی که ابر محاسبات گسترده تری را ارائه داده و این ظرفیت را با تاخیر بیشتری ذخیره می کند. بنابراین، درک تعامل بین محاسبات مه و ابر و ارزیابی تاثیر محاسبات مه روی تاخیر IoT و QoS ضروری است. شیوه ی انتخاب مقالات براساس موضوع مدنظر یعنی فیلترینگ داده در محاسبات مه بوده و سعی بر این بود که انتخاب مقالات در بازهی زمانی ۲۰۱۵ تا ۲۰۲۱ باشد تا به نتیجه گیری جدیدتر و تازه تری از پژوهش ها دستیابی کنم. هر کدام از مقالات مورد بررسی یافته های جدیدی را مورد بررسی و پژوهش قرار دادند که به همین خاطر مبنای انتخاب بنده بوده اند. مطالعات و مقالات پژوهشی ارائه شده را مورد تجزیه و تحلیل قرار داده و رویکردها و روش های ارائه شده در آنها را دسته بندی کرده و از جنبه های مختلف ، تحلیل و ارزیابی و مقایسه شده است در ادامه به بیان مسائل حوزه فیلترینگ داده در محاسبات مه و چالش های مرتبط و راه حل های ارائه شده پرداخته شده است.کلیدواژه ها
محاسبات مه، اینترنت اشیا، ابر، تاخیر سرویس، فیلترینگ دادهمقالات مرتبط جدید
- توسعه مدل های یادگیری چندعاملی برای هماهنگی خودمختار در سیستم های سایبری-فیزیکی با بهره گیری از تقویت یادگیری عمیق چندعاملی
- پیش بینی تطبیقی احساسات در گفتار چند زبانه با استفاده از مدل های ترنسفورمر چندوجهی و یادگیری انتقالی
- معماری های اصلی شبکه های عصبی عمیق و مقایسه آنها
- Beyond Counsel: The Role of Artificial Intelligence in Transforming Legal Practice and Justice Access
- معماری بهینه برای شبکه حسگر بیسیم با بیشترین کاهش انرژی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.