مدیریت تطبیقی کلان داده ها در شهرهای هوشمند با استفاده از یادگیری عمیق در لبه شبکه رویکردی برای حذف هوشمند داده ها

رشد سریع شهرنشینی و افزایش حجم داده های تولیدی توسط حسگرها و دستگاه های اینترنت اشیا (IoT) مدیریت کلان داده شهری را به یکی از چالش های اساسی در توسعه شهرهای هوشمند تبدیل کرده است. روش های سنتی ارسال تمام داده ها به مراکز ابری با محدودیت هایی از جمله مصرف بالای پهنای باند، تاخیر در تصمیم گیری بلادرنگ و هزینه های ذخیره سازی مواجه هستند. در این پژوهش، یک چارچوب سه لایه شامل لایه ادراک، لایه هوش در لبه و لایه ابری برای مدیریت تطبیقی کلان داده ارائه شد. در این چارچوب، داده ها ابتدا در گیت وی های لبه با استفاده از یک شبکه عصبی عمیق سبک (DNN) تحلیل و داده های غیر ضروری حذف می شوند و تنها داده های بحرانی به ابر ارسال می گردند. برای ارزیابی عملکرد، مدل مجموعه ای از داده های مصنوعی با ویژگی های دما، نویز، تراکم ترافیک و غلظت CO۲ تولید شد. نتایج نشان داد که شبکه عصبی سبک قادر است داده های بحرانی را با دقت ۹۸.۷۸٪ شناسایی کند و ۹۱.۸۹٪ از داده های غیر ضروری را در لبه حذف نماید که منجر به صرفه جویی چشمگیر پهنای باند و منابع محاسباتی شد. این پژوهش نشان می دهد که ترکیب محاسبات لبه و یادگیری عمیق، سبک یک راهکار موثر و عملی برای مدیریت تطبیقی کلان داده در شهرهای هوشمند زمان واقعی است و می تواند مسیر توسعه سیستم های شهری پایدار و کارآمد را هموار کند.

کلیدواژه ها:

شهر ، هوشمند ، لبه ، شبکه ، مدیریت کلان داده ، اینترنت اشیاء