دانلود ترجمه مقاله به سوی طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

به سوی طبقه بندی داده های اینترنت اشیا از طریق ویژگی های معنایی

Towards IoT data classification through semantic features

چکیده

۱٫ مقدمه

۲٫ سرو کار داشتن با داده های IoT

۳٫ ویژگی های معنایی برای IoT

۴٫ پیش زمینه تحقیق و تحقیق های مرتبط

۵٫ پروفایل های توزیع از خدمات وب عمومی

۶٫ پیاده سازی

۷٫ ارزیابی عملکرد

۸٫نتیجه گیری

منابع

چکیده

     جهان تکنولوژیک با استفاده ازترکیب میلیاردها دستگاه سنجش کوچک، جمع آوری و به اشتراک گذاری مقادیر زیادی اطلاعات متنوع رشد کرده است. با افزایش تعداد چنین دستگاه ها، به طور فزاینده ای مدیریت تمام این منابع داده جدید دشوار می شود. در حال حاضر هیچ روش یکنواخت برای نشان دادن، به اشتراک گذاری و درک اطلاعات اشیا وجود ندارد و این موضوع منجر به سیلوهای اطلاعاتی می شود که مانع اجرای سناریوهای IoT / M2M پیچیده می شوند. سناریوهای IoT / M2M تنها در زمانی که دستگاه ها کار می کنند و با حداقل مداخله ی انسانی یاد می گیرند به توانایی بالقوه خود دست می یابند. در این مقاله محدودیت های ذخیره سازی فعلی و راه حل های تحلیلی را مورد بحث قرار می دهیم، وهمچنین مزایای رویکرد معناشناسی برای سازمان دهی زمینه و توسعه دادن مدل بدون ناظر برای دسته بندی خودکار کلمات. راه حل ما بر اساس داده های میلر-چارلز و یک مجموعه داده معنایی IoT(اینترنت اشیا) از یک پلاتفرم عمومیIoT به دست آمده و به یک همبستگی ۰٫۶۳ رسید.     

سرو کار داشتن با داده های IoT
     برای توسعه وگسترش پیچیده IoT / M2M، ما باید مسائل مربوط به ذخیره، تجزیه و تحلیل و درک اطلاعات IoT را مورد توجه قرار دهیم. با این حال، مدیریت درست داده های IOT تبدیل به یک کار دشوارشده است. حجم و تنوع داده ها موجب عوارضی در ذخیره سازی و ابزارهای تحلیلی معمولی می شود و موجب محدودیت و کاهش تحقق سناریوهای پیچیده IoT / M2M می شود. با توجه به حجم و عدم نمایندگی رسمی، داده های IoT را می توان به عنوان ترکیبی از داده های بدون ساختار و نمونه های بزرگ داده مشخص کرد. این نمونه ها ذاتامرتبط هستند و یکی از عواملی هستند که منجر به ظهور پایگاه داده های NoSQL شده است.

     این بینش یکی از محدودیت های تکنولوژی فعلی را در هنگام برخورد با داده های بزرگ غیرسازمان یافته نشان می دهد. پایگاه داده های مرتبط به منظور ارائه اطلاعات صحیح ذخیره شده و بازیابی، به نمایندگی های از پیش تعریف شده و روابط پیشین وابسته است. این مسئله بسیار دشوار برای انجام است برای زمانی که داده ها عمدتا بدون ساختار هستند، همانطور که در مورد داده های IoT ذکر کردیم. پایگاه داده های NoSQL برخی از محدودیت ها را کاهش می دهد و جایگزین خوبی برای حجم کارزیاد و حتی سناریو های کوچکتر IoT می باشند. با این حال، آنها فاقد قابلیت های پرس و جو پیشرفته، محدودیت در کشف اطلاعات و الگوهای پیچیده است.

     محدودیت ها صرفا تکنولوژیکی نیستند. حتی اگر ما توانستیم تمام داده های جمع آوری شده توسط دستگاه های IoT را ذخیره و بررسی کنیم، هنوز هم نیاز به روش هایی برای سازماندهی، تجزیه و تحلیل و کشف روابط مرتبط بین منابع داده ها وعمکرد هدف وجود دارد. اکثر ابزارهای تحلیلی بر روابط پیشین یا انسانی برای تجزیه و تحلیل داده ها تکیه می کنند. هر دو رویکرد، برخی از دانش های پنهان را به مدل پایه اعمال می کنند، این نوع مدل طبقه بندی بالا به پایین نامیده می شود. طبقه بندی بالا به پایین، ابعادی را که می تواند تمایز ایجاد کند، محدود می کند، و انتخاب های محلی در برگ ها توسط طبقه بندی جهانی در شاخه ها محدود می شود. بنابراین ذاتا دشوار است که همه چیز را درمکان های سلسه مراتب و دسته بندی که اغلب دشوار هست قرار دهیم. برای روشنسازی این موضوع اجازه دهید چند مثال را توضیح دهیم. اطلاعات جمع آوری شده از یک شتاب سنج در داخل وسیله نقلیه می تواند توسط مقامات شهر برای تشخیص چاله ها و سایر ناهنجاری ها در جاده مورد استفاده قرار گیرد؛ اما همچنین می تواند توسط پلیس برای تشخیص مانور ها و رفتارهای خطرناک استفاده شود که موجب ساخت یک طبقه بندی متعامد میشود. این مثال ها نشان می دهد که چقدر دشوار است که روابط پیشین را در محیط های پیچیده تعریف کرد.