دانلود رایگان ترجمه مقاله روش جستجوی سنسور برای سنجش به عنوان یک معماری سرویس – IEEE 2013

ieee2

دانلود رایگان مقاله انگلیسی تکنیک های سنسور (حسگر) جستجو جهت دریافت (سنجش) به عنوان یک معماری سرویس در اینترنت اشیا به همراه ترجمه فارسی

 

عنوان فارسی مقاله: تکنیک های سنسور (حسگر) جستجو جهت دریافت (سنجش) به عنوان یک معماری سرویس در اینترنت اشیا
عنوان انگلیسی مقاله: Sensor Search Techniques for Sensing as a Service Architecture for the Internet of Things
رشته های مرتبط: مهندسی فناوری اطلاعات و فناوری اطلاعات و ارتباطات، شبکه های کامپوتری، سامانه های شبکه ای، اینترنت و شبکه های گسترده و دیتا
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
نشریه آی تریپل ای – IEEE
کد محصول f437

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

 

 

بخشی از ترجمه فارسی مقاله:

۱٫ مقدمه
تعداد سنسورهای گسترش یافته در سرتاسر جهان، با سرعت در حال افزایش است. این سنسور ها به طور مداوم مقدار زیادی از اطلاعات را تولید می کنند. با این وجود، جمع آوری داده ها از تمام حسگرهای موجود ارزش افزوده ایجاد نمی کند، مگر اینکه آنها قادر به ارائه بینش ارزشمند باشند که در نهایت به رسیدگی به چالش هایی که ما هر روز با آن مواجه هستیم کمک کنند (مثلا مدیریت آلودگی محیط زیست و مدیریت تراکم حمل و نقل). علاوه بر این، به لحاظ مقیاس بزرگ آن، محدودیت منابع و عوامل هزینه نیز امکان پذیر نیست. هنگامی که تعداد زیادی از سنسورها با توجه به آن انتخاب استفاده می شود، در نتیجه انتخاب سنسور مناسبی که به کاربران کمک می کند تا مشکلات خود را حل کنند، یک چالش و یک کار وقت گیر خواهد بود.
انتظار می رود که سنجش به عنوان مدل سرویس [۱] است که در بالای زیرساخت های IoT و خدمات ساخته شود. همچنین پیش بینی می کند که سنسورها برای استفاده در اینترنت یا به صورت رایگان با پرداخت هزینه از طریق راه حل های نرم افزار در دسترس هستند. در حال حاضر، چندین راهکار میان افزاری که انتظار می رود این مدل را تسهیل کنند، در حال توسعه هستند. [۲]OpenIoT، [۳] GSN و xively (xively.com) بعضی از نمونه ها هستند. این راه حل های میان افزار بر روی اتصال دستگاه های سنسور به سیستم های نرم افزاری و قابلیت های مرتبط تمرکز دارد [۲]. با این حال، زمانی که سنسورهای بیشتری به اینترنت متصل می شوند، قابلیت جستجو بسیار مهم می شود.
این مقاله به مسئلۀ ذکر شده در بالا اشاره می کند، زیرا ما عدم تمرکز بر انتخاب حسگر و جستجو در راه حل ها و تحقیقات موجود در IoT را بررسی می کنیم. از آنجائیکه متون مبتنی بر روش های تحقیقی نمی تواند ویژگی های بحرانی حسگر دقیق را ضبط یا حفظ کند، رویکرد سنتی جستجوی وب در انتخاب جستجوی حسگر IoT و دامنه جستجو موثر واقع نخواهد شد. یکی دیگر از رویکردهایی که می تواند دنبال شود حاشیه نویسی ابرداده (metadata) است. حتی اگر ما ابرداده های روی سنسورها (به عنوان مثال ذخیره شده در یک ذخیره سازی حسگر) یا در ابر را حفظ کنیم، قابلیت همکاری مسئله مهمی خواهد بود. علاوه بر این، مطالعه کاربری که توسط بورینگ و همکاران انجام شده است، [۴] توضیح داده شده است که چگونه از ۲۰ شرکت کننده خواسته شد که از طریق یک رابط کاربری ساده ابرداده ها را برای یک سنسور ایستگاه هواشناسی وارد کنند. این ۲۰ نفر در مجموع ۴۵ کار اشتباه را انجام دادند. الزام ورود دوباره به ابرداده در مکان های مختلف (به عنوان مثال وارد کردن ابرداده ها در GSN یک مرتبه و وارد کردن دوباره ابر داده در OpenIoT، و غیره) هنگامی رخ می دهد که ما توصیفات مشترکی نداریم. گروه انوکباتور W3C به تازگی، گزارش نهایی XG شبکه حسگر معنایی را منتشر کرده است، که یک هستی شناسی SSN را تعریف می کند [۵]. هستی شناسی SSN اجازه می دهد تا توصیف سنسورها، از جمله ویژگی های آنها امکان پذیر گردد. این تلاش باعث افزایش قابلیت همکاری و دقت ناشی از عدم ورود اطلاعات دستی می شود. علاوه بر این، می توان با اجازه دادن به تولید سخت افزارهای سنسور و ارائه توصیف های حسگر با استفاده از هستی شناسی ها از چنین اشتباهاتی جلوگیری کرد، به طوری که توسعه دهندگان راه حل های IoT بتوانند در سیستم نرم افزاری خود (مثلا نقشه گذاری) آنها را بازیابی و ترکیب کنند.
بر اساس استدلال بالا، توصیف سنسور مبتنی بر هستی شناسی و مدل سازی داده ها برای راه حل های IOT مفید است. این روش همچنین پرس و جو معنایی را امکان پذیر می سازد. راه حل پیشنهادی ما اجازه می دهد تا کاربران اولویت خود را از نظر ویژگی های سنسور بیان کنند و حسگرهای مناسب را جستجو و انتخاب کنند. در مدل ما، هر دو روش استدلال کمی و تکنیک های پرس و جو معنایی جهت افزایش عملکرد سیستم با استفاده از نقاط قوت هر دو تکنیک استفاده می شود.
بقیه این مقاله به شرح زیر ساختار یافته است: در بخش دوم، ما بطور خللاصه به بررسی ادبیات و ارائه برخی از توصیفات راه حل های میان افزار پیشرو IoT و قابلیت جستجو حسگر آنها می پردازیم. ما بعدا در اینجا، معانی مشکلات و انگیزه ها در قسمت سوم را ارائه می دهیم. راه حل پیشنهادی ما، CASSARAM، با جزئیات در قسمت چهارم ارائه شده است. مدل های داده، چارچوب زمینه، الگوریتم ها و معماری ها در این بخش مورد بحث قرار می گیرند. تکنیک هایی که ما برای بهبود CASSARAM توسعه دادیم در بخش پنجم ارائه شده است. در بخش ششم، ما جزئیات اجرایی، از جمله ابزارها، پلت فرم های نرم افزاری، پلاتفرم های سخت افزاری و مجموعه داده های مورد استفاده در این تحقیق را ارائه می دهیم. ارزیابی و بحث در مورد نتایج تحقیق در بخش هفتم ارائه شده است. در نهایت، ما نتیجه و چشم انداز برای تحقیقات آینده را در بخش هشتم ارائه می کنیم.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

THE number of sensors deployed around the world is increasing at a rapid pace. These sensors continuously generate enormous amounts of data. However, collecting data from all the available sensors does not create additional value unless they are capable of providing valuable insights that will ultimately help to address the challenges we face every day (e.g. environmental pollution management and traffic congestion management). Furthermore, it is also not feasible due to its large scale, resource limitations, and cost factors. When a large number of sensors are available from which to choose, it becomes a challenge and a time consuming task to select the appropriate1 sensors that will help the users to solve their own problems. The sensing as a service [1] model is expected to be built on top of the IoT infrastructure and services. It also envisions that sensors will be available to be used over the Internet either for free or by paying a fee through midddleware solutions. Currently, several middleware solutions that are expected to facilitate such a model are under development. OpenIoT [2], GSN [3], and xively (xively.com) are some examples. These middleware solutions strongly focus on connecting sensor devices to software systems and related functionalities [2]. However, when more and more sensors get connected to the Internet, the search functionality becomes critical. This paper addresses the problem mentioned above as we observe the lack of focus on sensor selection and search in existing IoT solutions and research. Traditional web search approach will not work in the IoT sensor selection and search domain, as text based search approaches cannot capture the critical characteristics of a sensor accurately. Another approach that can be followed is that of metadata annotation. Even if we maintain metadata on the sensors (e.g. stored in a sensor’s storage) or in the cloud, interoperability will be a significant issue. Furthermore, a user study done by Broring et al. [4] has described how 20 participants were asked to enter metadata for a weather station sensor using a simple user interface. Those 20 people made 45 mistakes in total. The requirement of reentering metadata in different places (e.g. entering metadata on GSN once and again entering metadata on OpenIoT, etc.) arises when we do not have common descriptions. Recently, the W3C Incubator Group released Semantic Sensor Network XG Final Report, which defines an SSN ontology [5]. The SSN ontology allows describing sensors, including their characteristics. This effort increases the interoperability and accuracy due to the lack of manual data entering. Furthermore, such mistakes can be avoided by letting the sensor hardware manufactures produce and make available sensor descriptions using ontologies so that IoT solution developers can retrieve and incorporate (e.g. mapping) them in their own software system. Based on the arguments above, ontology based sensor description and data modeling is useful for IoT solutions. This approach also allows semantic querying. Our proposed solution allows the users to express their priorities in terms of sensor characteristics and it will search and select appropriate sensors. In our model, both quantitative reasoning and semantic querying techniques are employed to increase the performance of the system by utilizing the strengths of both techniques. In this paper, we propose a model that can be adopted by any IoT middleware solution. Moreover, our design can be run faster using MapReduce based techniques, something which increases the scalability of the solution. Our contributions can be summarized as follows. We have developed an ontology based context framework for sensors in IoT which allows capturing and modeling context properties related to sensors. This information allows users to search the sensors based on context. We have designed, implemented and evaluated our proposed CASSARAM model and its performance in a comprehensive manner. Specifically, we propose a ComparativePriority Based Weighted Index (CPWI) technique to index and rank sensors based on the user preferences. Furthermore, we propose a Comparative-Priority Based Heuristic Filtering (CPHF) technique to make the sensor search process more effi- cient. We also propose a Relational-Expression based Filtering (REF) technique to support more comprehensive searching. Finally, we propose and compare several distributed sensor search mechanisms. The rest of this paper is structured as follows: In Section II, we briefly review the literature and provide some descriptions of leading IoT middleware solutions and their sensor searching capabilities. Next, we present the problem definitions and motivations in Section III. Our proposed solution, CASSARAM, is presented with details in Section IV. Data models, the context framework, algorithms, and architectures are discussed in this section. The techniques we developed to improve CASSARAM are presented in Section V. In Section VI, we provide implementation details, including tools, software platforms, hardware platforms, and the data sets used in this research. Evaluation and discussions related to the research findings are presented in Section VII. Finally, we present a conclusion and prospects for future research in Section VIII.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *