فیلترینگ داده در بستر 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_019
- زبان مقاله: فارسی
- تعداد مشاهده: 484
نویسندگان
گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه آل طه، تهران، ایران
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه امام علی(ع)، تهران، ایران
چکیده
در دنیای امروز به دستگاه های هوشمند زیادی متصل هستیم ، دستگاه هایی که بار اصلی پردازش داده ها را برعهده دارند. اینترنتاشیا حجم بسیاری از انواع مختلف داده را ایجاد می کند. این حجم داده برای پردازش به مرکز رایانش ابر فرستاده می شود و رایانشابری، توجه کاربران زیادی را به خود جلب کرده است.کاربران، متقاضی خدماتی هستند که در هر زمان و مکان از طریق اینترنت دردسترس باشند و در حین استفاده مختل نشوند. اما این امکان وجود دارد که تاخیری نسبی ، ارزش داده ها را از بین ببرد. رایانشمه راه حل مناسبی برای انتقال بخشی از بار محاسباتی به گره های محلی نزدیکتر یا بیشتر ارائه میکند که می توانند کارهایی مانندفیلتر کردن و استاندارد سازی و حتی پیش پردازش ها را انجام دهد. یکی از مزایای مه، کاهش تاخیر سرویس برای کاربردهای کاربرنهایی است. کاهش داده را هم برای فیلتر کردن نمونه های متفاوت و اینکه آیا آنها می توانند بر دقت تصمیم فعلی تاثیر بگذارندپیشنهاد می کنند. مقابله با فیلتر کردن داده های مه یک چالش است زیرا نیاز به دانستن اینکه کدام داده برای ارسال به ابر ضروریاست میباشد. فیلتر کردن دادهها، مقدار دادههای ارسال شده توسط مه به ابر را کاهش می دهد. در این مقاله مروری ، مطالعات ومقالات پژوهشی ارائه شده مورد تجزیه و تحلیل قرار گرفته شده و رویکردها و روش های ارائه شده در آنها دسته بندی و از جنبه هایمختلف، تحلیل و ارزیابی و مقایسه شده است. بررسی ها نشان داد محققان در مقالات خود معماری و الگوریتم هایی برای فیلتر کردندادههای مه ارائه کردهاند که باعث کاهش دادههای ارسالی میشود . این تحقیقات هوشمندسازی را مورد مطالعه قرار داده است وبررسی جامعی در مورد انتقال و تجمیع دادههای کارآمد، جمعآوری و طبقهبندی دادهها ، امنیت دادهها و....انجام شده است وراه حل های مناسب جهت بهبود طول عمر شبکه، کاهش زمان محاسباتی ، کاهش سربار ارتباط و کاهش هزینه پیشنهاد شده است.روش های فیلتر برای مجموعه داده هایی با کیفیت بالاتر در حال توسعه هستند و فیلترها نقش بسیار مهمی در آینده اینترنت اشیاخواهند داشت. همچنین این مقاله به بررسی مسائل موجود، چالش های نوظهور، فرصت های تحقیقاتی و جهت گیری ها و کاربردهایآنها پرداخته است و هر کدام از پژوهش ها را از نظر موضوع اصلی، کلمات کلیدی، حوزه کاربرد، نتایج ارزیابی ، یافته های جدید،محیط های ارزیابی و معیارهای ارزیابی در قالب جداول و نمودارها و نیز به صورت آماری دسته بندی کرده است.کلیدواژه ها
رایانش مه، رایانش لبه، اینترنت اشیا، ابر، تاخیر سرویس، فیلترینگ داده .مقالات 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.