Зі стрімким розвитком Інтернету речей (IoT) та комп’ютерних мереж збільшується обсяг оброблюваних даних, а також ускладнюються завдання щодо забезпечення їхньої надійності, ефективності та безперебійного функціонування. В умовах розподілених IoT-мереж, де вузли можуть бути вразливими до пошкодження даних, низької пропускної здатності або кіберзагроз, виникає необхідність у розробці нових підходів для обробки, аналізу та класифікації інформації.
Глибоке навчання та розподілені обчислення відкривають значний потенціал для вирішення цих викликів, забезпечуючи адаптивність, масштабованість та високий рівень автоматизації процесів управління мережами та IoT-інфраструктурою.
IoT-системи включають широкий спектр пристроїв, таких як сенсори, контролери, розумні пристрої і технології для збирання інформації про навколишнє середовище, моніторингу, прогнозування та керування об’єктами. Дані, що генеруються такими пристроями, зазвичай є великими, швидко змінними та часто неоднорідними, що ставить перед системою обробки високі вимоги щодо швидкості обчислень, стабільності передачі та ефективності зберігання [1].
Обробка таких даних зазвичай відбувається або на рівні хмарних серверів, або ближче до джерел збору даних, на граничних пристроях. Хмарні обчислення дозволяють здійснювати глибокий аналіз, доступ до великих обсягів ресурсів і зберігання, проте можуть створювати затримки через необхідність передавати дані на віддалені сервери. Натомість, граничні обчислення виконують аналіз ближче до місць збору інформації, що дозволяє зменшити затримки і навантаження на мережу, але обмежує обчислювальні можливості.
Серед ключових завдань, які виникають у цій предметній області, можна виділити:
1. Забезпечення швидкої та безперебійної передачі даних. У сценаріях, де важлива мінімальна затримка, таких як автономні транспортні засоби, промислові IoT-системи або телемедичні додатки, необхідно розробити механізми розподіленої обробки даних з низькою затримкою та високою пропускною здатністю для забезпечення точності та швидкості рішень.
2. Ідентифікація та відновлення пошкоджених або пропущених даних. У складних IoT-мережах часто виникають ситуації, коли дані можуть бути втрачені через проблеми з підключенням або пошкоджені через кібератаки. Завдання полягає у створенні надійних моделей для автоматичного виявлення та відновлення таких даних, забезпечуючи їхню точність і цілісність.
3. Оптимізація обчислювальних ресурсів для IoT-Edge. Розробка ефективних алгоритмів, які дозволяють IoT-пристроям з обмеженими ресурсами працювати безперебійно, враховуючи їхню обмежену енергетичну ємність і обчислювальну потужність. Це включає розподіл задач між пристроями та Edge-серверами, мінімізуючи енергетичні витрати і забезпечуючи максимальну продуктивність.
4. Підвищення надійності вузлів мереж IoT. Вузли мереж IoT часто є вразливими до недобросовісних дій або збоїв. Завданням є створення ансамблевих моделей глибокого навчання, які аналізують поведінку вузлів, виявляють аномалії та забезпечують їхню безпеку і надійність у мережі.
5. Інтелектуальна класифікація мережевих пакетів для забезпечення безпеки. Розробка методів глибокого навчання для аналізу та класифікації мережевого трафіку з метою виявлення потенційних загроз (наприклад, DDoS-атак) і аномальної поведінки в режимі реального часу.
6. Обробка великих даних у розподілених середовищах. Створення IoT-Edge моделей, що ефективно обробляють потоки великих даних, враховуючи їхню швидкість, обсяг і різноманітність. Це включає використання технологій розподілених баз даних і нейронних мереж для забезпечення масштабованості інфраструктури.
7. Забезпечення адаптивності обчислювальних моделей. Розробка гнучких моделей, які адаптуються до змінних умов IoT-інфраструктури, таких як зміни в обсягах даних, характеристиках вузлів або умовах підключення, забезпечуючи стабільність і ефективність роботи мережі.
8. Використання технологій глибокого навчання для прогнозування потреб ресурсів. Впровадження нейронних мереж для прогнозування пікових навантажень і потреб у ресурсах IoT-інфраструктури з метою оптимізації управління мережами та планування ресурсів.
9. Зменшення енергоспоживання розподілених систем. Розробка алгоритмів для зменшення енергоспоживання IoT-Edge пристроїв та серверів за рахунок оптимізації обробки даних і мінімізації зайвих операцій.
10. Реалізація кібербезпеки у розподілених мережах IoT. Інтеграція методів глибокого навчання для моніторингу кіберзагроз, автентифікації вузлів та виявлення спроб несанкціонованого доступу до мережевих даних, забезпечуючи цілісність системи.
Для вирішення цих завдань використовуються такі підходи та технології, як глибоке навчання [2], потокова обробка даних для швидкого обміну і передачі інформації між пристроями та обчислювальними вузлами.
Література
1. Shafique K., Khawaja B. A., Sabir F., Qazi S., Mustaqim M. Internet of things (IoT) for next-generation smart systems: A review of current challenges, future trends and prospects for emerging 5G-IoT scenarios. IEEE Access. 2020. Vol. 8. Pp. 23022–23040.
2. Du J., Chen H., Zhang W. A deep learning method for data recovery in sensor networks using effective spatio-temporal correlation data. Sensors Review. 2019. Vol. 39. Pp. 208–217.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter