داده کاوی در اینترنت اشیاء:تحلیل داده های حسگرها و دستگاههای متصل

با گسترش اینترنت اشیاء (IoT)، حجم عظیمی از داده های حسگرها و دستگاه های متصل تولید می شود که برای استخراج بینش عملی به روش های پیشرفته داده کاوی نیاز دارد. در این مقاله مروری، حاصل بررسی ۴۰ مطالعه انگلیسی و ۷ پژوهش فارسی منتشرشده بین سال های ۲۰۲۰ تا ۲۰۲۳ در یک چارچوب یکپارچه گردآوری شد. در این مطالعه با دسته بندی تکنیک های یادگیری ماشین (کلاسیک و عمیق)، یادگیری فدرال و محاسبات لبه ای، دستاوردهای کلیدی شامل کاهش ۳۵% مصرف انرژی در پردازش داده های حسگر، دقت ۹۸% در تشخیص ناهنجاری ها، کاهش ۵۰% تاخیر در پردازش بلادرنگ، افزایش ۳۰% طول عمر شبکه های حسگر و دقت %۹۲ در پیش بینی خرابی تجهیزات نگهداری پیش بینانه استخراج شد. علاوه بر آن، با تحلیل انتقادی محدودیت ها مانند مقیاس پذیری، امنیت و حفظ حریم خصوصی، راهکارهایی عملی برای بهبود پایداری، کارایی و امنیت در بستر IoT پیشنهاد شد. این مرور نه تنها تصویری جامع از وضعیت فعلی ارائه می دهد، بلکه با ارائه توصیه های پژوهشی آینده، به بهره وری و کاربرد گسترده تر داده کاوی در اینترنت اشیاء کمک می کند.

کلیدواژه ها:

اینترنت اشیاء ، داده کاوی ، حسگرها ، محاسبات لبه ای ، یادگیری فدرال.