بررسی مدیریت بلادرنگ داده های IoT در خانه های هوشمند با استفاده از محاسبات لبه ای و یادگیری ماشین

در سال های اخیر اینترنت اشیا (IoT) نقش کلیدی در پیشرفت خانه های هوشمند ایفا کرده است. با این حال، مدیریت داده های حجیم و بلادرنگ تولید شده توسط دستگاه ها و سنسورهای IoT همچنان به عنوان یکی از چالش های اصلی باقی مانده است. این مقاله مروری رویکردهای مختلف برای مدیریت داده های IoT را با تمرکز بر استفاده از محاسبات لبه ای و الگوریتم های یادگیری ماشین بررسی می کند. مقالات منتخب نشان می دهند که بهره گیری از محاسبات لبه ای می تواند با کاهش تاخیر، افزایش امنیت داده ها و بهینه سازی مصرف انرژی، عملکرد سیستم های خانه هوشمند را به طور قابل توجهی بهبود بخشد. علاوه بر این، تکنیک های یادگیری ماشین به تحلیل داده ها و تصمیم گیری بلادرنگ کمک شایانی کرده اند. این تحقیق به بررسی نتایج حاصل از محیط های شبیه سازی مختلف و استفاده از دیتاست های متنوع پرداخته است و مزایا و چالش های هر رویکرد را مقایسه کرده است. در نهایت، ترکیب محاسبات لبه ای و یادگیری ماشین می تواند به عنوان رویکردی موثر برای طراحی نسل آینده خانه های هوشمند و مدیریت داده های IoT بلادرنگ مورد استفاده قرار گیرد.

کلیدواژه ها:

تصمیم گیری بلادرنگ ، شبیه سازی محیط های هوشمند ، محاسبات لبه ای