پیش بینی داده در رایانش مه و لبه : یک مطالعه مروری جامع
- سال انتشار: 1401
- محل انتشار: هجدهمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات
- کد COI اختصاصی: ITCT18_017
- زبان مقاله: فارسی
- تعداد مشاهده: 339
نویسندگان
گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه آلطه، تهران، ایران
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه امام علی(ع)، تهران، ایران
چکیده
اینترنت اشیاء چشم اندازی است که در آن میلیاردها شی هوشمند به هم مرتبط میشوند و از طریق تبادل داده هاو اطلاعاتی که در مورد محیط حس می شوند، می توانند با یکدیگر و با محیط تعامل و ارتباط برقرار کنند. در نتیجهحجم عظیمی از داده ها تولید و از طریق شبکه منتقل می شود. بنابراین، این برنامه ها به فضای ذخیره سازی و قدرتمحاسباتی عظیم برای پردازش بلادرنگ و با سرعت بالا نیاز دارند. از طرفی با ظهور سرویس های ابر مختلف و ارسالداده های نهایی به ابر برای تجزیه و تحلیل، رایانش ابر را به عنوان یک الگوی محاسباتی ضروری هدایت می کند.انتقال تمام داده های اینترنت اشیا به سطح ابر ممکن است به دلیل تاخیر بیش از حد، محدودیت پهنای باند وهزینه های ارتباطی بالا بر عملکرد شبکه و کیفیت خدمات تاثیر منفی بگذارد. برای رویارویی با این چالش ها مفهومیبه نام رایانش مه/ لبه مطرح شد. رایانش مه به عنوان یک واسطه بین لبه و ابر برای اهداف مختلف عمل می کند. بااین حال، ارتباطات داده بخش قابل توجهی از منابع انرژی را در شبکه مصرف می کند. بنابراین، به رویکردهایی نیازاست که تعداد انتقال داده ها از حسگرها را بدون به خطر انداختن دقت داده ها کاهش دهد. یکی از راه های دستیابیبه این هدف، بهرهبرداری از روشهای پیشبینی داده ۴ است. علاوه بر کاهش انتقال دادهها امروزه از مدلهای پیش-بینی داده در بسیاری از حوزهها از جمله مراقبتهای بهداشتی هوشمند، کشاورزی هوشمند، حمل و نقل و غیرهاستفاده می شود. روش های امروزی پیش بینی کننده، می توانند با تحلیل دیتاهای یک سازمان، ریسک ها و فرصت هایاحتمالی آنها در آینده را پیش بینی نمایند. این مقاله، مروری بر روش های پیش بینی داده در مه/ لبه می باشد. سایرمقالات مشابه نیز در بازه زمانی ۲۰۱۸ تا ۲۰۲۲ بررسی شده اند. سپس به دسته بندی هر کدام از پژوهش ها از منظرموضوع اصلی، مزایا، معایب، یافته های جدید، حوزه کاربرد، نتایج ارزیابی، محیط ارزیابی و معیارهای ارزیابی در قالبجدول و نیز به صورت آماری پرداخته شده است و در نهایت، نتیجه گیری از مقالات و پژوهش ها، آورده شده استکلیدواژه ها
رایانش مه، رایانش لبه، پیش بینی داده، اینترنت اشیاء، شبکه حسگر بی سیممقالات مرتبط جدید
- تشخیص لینک مخرب با استفاده از TF-IDF و رگرسیون لجستیک
- چالشها و راهکارهای امنیتی در شبکه های بدون سرور با استفاده از فناوری بلاکچین
- Exploring Frameworks of Information Behavior and Informal Learning: A Narrative Review Across Leisure, Equity, AI, and Cross-Cultural Contexts
- Self-Directed Language Learning and Information Behavior in Leisure Time: An International Comparative Study of Duolingo Use Among Iranian and Canadian EFL Learners
- ارائه یک سیستم توصیه گر مبتنی بر پیشنهاد محصول به مشتری در فروشگاه های اینترنتی با یادگیری ماشین
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.