تماس با ما
 
بدان
 
امروز پنجشنبه ، ۱۳۹۹/۱۲/۰۷
 
کلیه مقالات

طراحی و پیاده سازی Middleware برای دستگاه های IoT به سمت پردازش جریان در زمان واقعی

Design and Implementation of Middleware for IoT Devices toward Real-Time Flow Processing

طراحی و پیاده سازی Middleware برای دستگاه های IoT به منظور پردازش جریان در زمان واقعی.

خلاصه:

به لطف پیشرفت سریع و نفوذ دستگاه های IoT ، تقریباً می توان اطلاعات هر دنیای واقعی را حس کرد.

این ما را ترغیب می کند تا از جریان داده ها به طور مداوم از دستگاه های IoT در زمان واقعی تولید کنیم.

در این مقاله ، با هدف پردازش بصورت محلی جریانهای داده با استفاده از منابع محاسباتی دستگاههای IoT ، برنامه وسط را برای دستگاههای IoT پیشنهاد می کنیم که دستگاه ها جریان داده را به صورت بلادرنگ و بصورت توزیع شده پردازش می کنند.

واسطه پیشنهادی چهار عملکرد را ارائه می دهد:

(1) توزیع کارهایی که توسط نرم افزار کاربردی در زیرشاخه ها صادر شده و اجرای وظایف فرعی بر روی چندین دستگاه IoT ، (2) توزیع جریان داده از طریق دستگاه های IoT ، (3) تجزیه و تحلیل زمان واقعی جریان داده ها ، و ( 4) ادغام یکپارچه سنسورها و محرکها.

ما یک نمونه اولیه از وسط پیشنهادی را برای Raspberry Pi پیاده سازی کرده ایم و عملکرد اصلی آن را نشان می دهیم.

مقدمه:

اخیراً اینترنت اشیاء (IoT) که دستگاه های کوچک مانند سنسورها و محرک ها را از طریق شبکه متصل می کند ، به دلیل پتانسیل زیاد آن برای تغییر چشمگیر جامعه ما ، توجه بسیاری را به خود جلب کرده است.

IoT به ما اجازه می دهد تا به راحتی داده های حسگر و حتی فیلم هایی را که موقعیت های دنیای واقعی را نشان می دهند بدست آوریم.

بدین ترتیب ، راهی برای ایجاد خدمات IoT سازگار با موقعیت ، برای استفاده استراتژیک از جریان های داده IoT و بهبود کیفیت زندگی افراد و همچنین ارزش های جوامع مورد نیاز است.

در زمینه های تحقیق IoT و داده های بزرگ ، محققان بر توسعه فناوری هایی متمرکز شده اند که به طور مؤثر داده های حسگرهای مختلف و عظیم را جمع آوری و جمع می کنند.

بنابراین ، بسیاری از سیستم های مبتنی بر IoT موجود از معماری ابر محور استفاده می کنند همانطور که در سمت چپ شکل 1 نشان داده شده است.

در این معماری ، جریان داده ها توسط دستگاه های IoT در فضای بزرگ در فضای ابری جمع آوری و ذخیره می شود و قبل از بازگشت نتیجه به تجزیه و تحلیل در دنیای واقعی ، صرف وقت زیاد و توان محاسباتی می کند.

این نوع از معماری ابر محور برای تحقق خدمات IoT که نیاز به برقراری ارتباط مکرر در بین دستگاه ها و بازخورد در زمان واقعی دارد ، مناسب نیست زیرا چنین معماری کارآمد نیست و هزینه بالایی را برای بارگذاری جریان های عظیم داده از دستگاه های IoT به ابر می پردازد.

علاوه بر این ، خدمات IoT مبتنی بر جامعه ممکن است با داده های حساس به حریم شخصی ساکنان محلی و محلی ، که باید در زیرساخت های IT خصوصی آنها نگهداری شوند ، مقابله کنند.

با فرض اینکه قدرت محاسبات و ظرفیت حافظه دستگاههای IoT هر ساله افزایش می یابد ، فکر می کنیم جریان داده های IoT باید در نزدیکی منابع آنها همانطور که در سمت راست شکل 1 نشان داده شده است پردازش شوند.

در [1] ، ما بستری را با عنوان IFoT (جریان اطلاعات اشیا) پیشنهاد داده ایم که پردازش توزیع شده و همچنین توزیع و تجزیه و تحلیل جریان داده ها در نزدیکی منابع آنها را به صورت کارآمد انجام می دهد.

در این مقاله ، با هدف پردازش بصورت محلی جریانهای داده با استفاده از منابع محاسباتی دستگاههای IoT بر اساس مفهوم "پردازش در مورد خود ما (PO3)" ، ما میانی IFoT را برای دستگاههای IoT طراحی و پیاده سازی می کنیم که در آن دستگاه ها جریان داده را در زمان واقعی پردازش می کنند. و به روش توزیع شده

واسط IFoT چهار عملکرد را ارائه می دهد:

(1) توزیع وظایف صادر شده توسط نرم افزار کاربردی به کارهای زیر و اجرای توزیع وظایف فرعی بر روی چندین دستگاه IoT ، (2) توزیع جریان داده از طریق دستگاههای IoT ، (3) تجزیه و تحلیل زمان واقعی جریان داده ها ، و (4) ادغام بدون درز سنسورها و محرکها.

ادامه مقاله به شرح زیر تدوین شده است.

بخش 2 تحقیقات مرتبط را مرور می کند و بخش 3 نیازها را روشن می کند و برنامه های واسطه ای IFoT را نشان می دهد.

طراحی دقیق واسطه میانی در بخش 4 شرح داده شده است و اجرای نمونه اولیه آن و ارزیابی عملکرد اصلی در بخش 5 ارائه شده است.

سرانجام ، ما در بخش 6 مقاله را نتیجه می گیریم.

کار دوم: مرتبط:

سکوهای مختلف IoT برای اتصال دستگاههای IoT و پردازش / ادغام جریان داده ها طراحی و اجرا شده اند [2].

Arkessa [3] ، Axeda [4] ، ThingSquare [5] ، Thingworx [6] ، WoTkit [7] و Xively [8] معماری مبتنی بر PaaS (Platform as a Service) هستند که متکی به سرویس های ابری هستند ، در حالی که OpenIoT [9] و LinkSmart [10] به عنوان سیستم توزیع شده طراحی شده اند.

با این حال ، این سیستم عامل ها روی تجمع جریان داده بالاتر از ابر یا پشتیبانی از توسعه خدمات متمرکز شده اند و هنوز پردازش جریان داده غیرمتمرکز مبتنی بر متن را که اصلی ترین تمرکز IFoT است ، بدست نیاورده اند.

اگرچه در سال های اخیر دروازه های IoT طراحی و ساخته شده اند [11] ، [12] ، [13] ، آنها همچنین به سرورهای ابری اعتماد دارند.

Edge Computing [14] [15] و Fog Computing [16] پارادایمهای جدیدی هستند که پردازش داده ها روی آن مؤلفه ها در یا در لبه شبکه ها انجام می شود تا بار سرور کاهش یابد.

نابودی این رویکردها ، نیاز به سرمایه گذاری برای جایگزین کردن اجزای تشکیل دهنده شبکه مانند شبکه های اطلاعات محور (ICN) است.

ما با گسترش Edge Computing و Fog Computing یک راه حل عملی تر در نظر می گیریم.

ما وظایف پردازش سرورهای ابری را به سایر سیستمهای توزیع شده واگذار می کنیم تا پردازش جریان واقعی توزیع شود.

اخیراً ، فن آوری های پردازش جریان مورد بررسی قرار گرفته است که چندین جریان داده مداوم از سنسورها به صورت انطباق پذیر با هم ادغام و جمع می شوند تا به درخواست های داده شده از تجزیه و تحلیل و کشف رویداد از آن جریان پاسخ دهند.

فن آوری های موجود توسط سبک های پردازش آنها طبقه بندی می شوند که در آن (i) یک نقطه تجمیع واحد فرض شده است [18] ، [19] و (ii) یک سبک کاملاً توزیع شده استفاده می شود [20].

در این مقاله ، ما از روش پردازش توزیع شده ، که هدف آن تحقق پردازش جریان در زمان واقعی است ، استفاده می کنیم.

در چشم انداز تشخیص رویداد و تجزیه و تحلیل داده ها ، چارچوب های مختلفی توسعه داده شده است.

به طور خاص ، یادگیری ماشینی بصورت آنلاین یک کلید اساسی برای تحقق تشخیص واقعه و تجزیه و تحلیل داده ها در زمان واقعی است.

بسیاری از سیستم عامل های IoT از طرح های یادگیری آنلاین پشتیبانی می کنند.

به عنوان مثال ، AWS و StreamInsight فراهم می کنند آموزش ماشین آمازون [21] و Azure Machine Learning [22] برای پردازش و تجزیه و تحلیل داده ها از طریق جریان داده ها.

SAMOA [23] ، MLlib [24] ، Jubatus [25] و Oryx [26] همچنین توابع یادگیری ماشین آنلاین را ارائه می دهند.

در این مقاله ، ما از Jubatus استفاده می کنیم که قابلیت یادگیری دستگاه قدرتمند توزیع آنلاین را دارد.

ما می خواهیم این نکته را مورد توجه قرار دهیم که تمرکز ما تحقق جریان تلفیقی توزیع شده با استفاده از زمینه سطح سرویس در چنین بسترهای نرم افزاری مانند Jubatus است.

با افزایش قابلیت های گره های حسگر بی سیم ، WSN به اندازه کافی قدرتمند می شوند به گونه ای که سنسورها قادر به برقراری ارتباط با یکدیگر برای انجام کارهای پیچیده تر هستند.

با این حال ، بسیاری از چنین رویکردهای پردازش درون شبکه بر روی WSN هایی مانند [17] پردازش داده های سبک را در نظر گرفته اند ، در حالی که تمرکز ما روی جریان داده و پردازش زمان واقعی است ، جایی که موضوعات طراحی مختلف مانند تخصیص وظایف و جمع شدن جریان در نظر گرفته می شود.

III.REQUIREMENTS برای خاورمیانه:

A. برنامه هدف و الزامات عملکردی:

ویژگی میان افزار IFoT این است که در نزدیکی منبع داده مستقر شده و بدون هیچ سیستم ابری کار می کند.

تمام جریان های سنسور در بین دستگاه های مجاورت که واسطه های IFoT را اجرا می کنند بدون اینکه در پایگاه داده ذخیره شوند ، پردازش می شوند.

این معماری برای برنامه های بلادرنگ مناسب است.

در زیر ، الزامات عملکردی را نشان می دهیم که نمونه هایی از برنامه ها را نشان می دهد.

1) برنامه نظارت بر سالمندان:

این برنامه با تجزیه و تحلیل جریان داده های حسگر از سنسورهای مختلف مستقر در محیط های زندگی خود ، افراد سالخورده را کنترل می کند.

این سرویس ردیابی در محل را متوجه می شود که می تواند در پاییز پاییز شرایط اضطراری مانند شکستگی استخوان را تشخیص دهد.

به منظور تحقق این برنامه ، سیستم مجبور است تحلیل جریان داده های حسگر تولید شده از سنسورهای مختلف را در زمان واقعی برای تشخیص ناهنجاری انجام دهد.

به عبارت دیگر ، توابع توزیع و تجزیه و تحلیل چندین جریان داده بین دستگاههای سنسور چندگانه مورد نیاز است.

2) برنامه کنترل لوازم خانگی آگاه از متن:

این برنامه با استفاده از سنسورهای مختلف محیطی مانند سنسورهای روشنایی ، حسگرهای صدا و حسگرهای حرکتی محیط را کنترل می کند.

براساس نتایج سنجش ، با کنترل انواع وسایل خانه مانند تهویه هوا و چراغ سقفی ، یک محیط راحت فراهم می کند.

به منظور تحقق این برنامه ، سیستم باید با ترکیب مقادیر سنجش سنسورهای مختلف ، محیط مکان را تخمین بزند.

علاوه بر این ، باید بر اساس نتایج تخمین ، سریع لوازم خانگی را کنترل کند.

این بدان معناست که توزیع جریان بین گره و توابع آنالیز داده سطح بالا و همچنین همکاری یکپارچه بین دستگاه های سنجش و محرک های مختلف مورد نیاز است.

3) برنامه پشتیبانی تحرک آگاه از متن:

این برنامه شادی جمعیت و زیبایی چشم انداز PoI (نقطه مورد علاقه) را با سنجش جریان و حرکت شخص و غیره برای تحقق سرویس ناوبری مبتنی بر زمینه ای که با استفاده از کاربران با استفاده از شرایط فعلی آن ، هدایت می کند ، تخمین می زند ( به عنوان مثال ، شلوغی ، زیبایی منظره و غیره) جاده ها و نقاط.

در این نرم افزار برای تخمین از دوربین کارمازه شده ، تلفن های هوشمند و سنسورهای محیطی در شهر استفاده شده است.

برای ارائه چنین خدمات یکپارچه ، باید از خدمات چندگانه استفاده شود.

به عنوان مثال ، با یکپارچه سازی سنسور ساکارا [27] و فن آوری سنجش جمعیت [28] ، می توان ارتباط بین محبوبیت و سطح منظره را تخمین زد ، که این امر خدمات جدیدی را برای بازدید کنندگان ایجاد می کند.

برای این کار ، میان افزار باید جریان داده های سطح بالا و همچنین دستگاه های سطح متوسط ​​IoT را کنترل کند.

بیانیه B.Problem و رویکرد اساسی:

برخی از برنامه های مرتبط که از منابع پردازش محلی به جای یک منبع ابر استفاده می کنند ، پیشنهاد شده است.

با این وجود ، اکثر آنها در به اشتراک گذاشتن دستگاه های سنسور یا استفاده مجدد از داده های سنسور بین سیستم های مختلف چندان مناسب نیستند ، زیرا معماری این برنامه ها یک سیستم یکپارچه عمودی است.

این هزینه سیستم را افزایش می دهد ، زیرا توسعه دهنده سیستم باید از انتخاب سنسورها و محرک ها شروع کند.

از طرف دیگر ، در زمینه تحقیقاتی شبکه حسگر بی سیم ، برخی از سیستم عامل ها [29] و میان افزار [30] که می توانند چندین برنامه را در دستگاههای حسگر محلی اجرا کنند ، ارائه شده است.

با این حال ، این سیستم ها فقط از دستگاه های اختصاصی هر سیستم پشتیبانی می کنند.

علاوه بر این ، انتقال و کارهای پیچیده ای مانند تشخیص ناهنجاری و خوشه بندی پشتیبانی نمی شوند.

میان افزار IFoT ما با هدف تحقق یک پلتفرم توزیع شده افقی که به برنامه های مختلف اجازه می دهد جریانهای داده IoT تولید شده از سنسورهای مختلف مستقر در محیط ما را به اشتراک بگذارند ، دارد.

بنابراین ، این تابع را برای اجرای چندین کار به طور موازی با تقسیم کار اصلی فراهم می کند ، و همچنین عملکردی را برای توزیع جریان داده به طور مستقیم با توجه به نیاز دستگاه ها فراهم می کند.

علاوه بر این ، عملکرد تجزیه و تحلیل داده های آنلاین و عملکرد همکاری بین گره ای برای اتصال سنسورها و محرک های مختلف نیز ارائه شده است.

IV.IFOT MIDWARE:

در این بخش ، ما واسطه را برای اطلاعات جریان اطلاعات (IFoT) [1] ، چارچوبی برای پردازش ، تجزیه و تحلیل و تجمیع (تغییر) جریان داده های IoT در زمان واقعی و به روش مقیاس پذیر بر اساس پردازش توزیع شده در بین دستگاه های IoT طراحی می کنیم. .

میان افزار IFoT یک نرم افزار انتزاعی است که بر روی دستگاه سنجش هوشمند (یک منبع جریان) اجرا می شود که داده ها را در دنیای واقعی ضبط و پردازش می کند و آنها را به عنوان یک جریان (ها) ارسال می کند.

میان افزار IFoT دارای قابلیت های ارتباطی با گره های نزدیک IFoT و اینترنت (اختیاری) و پردازش اولیه جریان مانند پاکسازی داده ها ، جمع آوری داده ها و غیره است.

A. محیط زیست ارزیابی شده:

شکل 2 محیط عملی برنامه واسط IFoT را نشان می دهد.

ما گره سنسور (الف) را به عنوان وسیله ای برای جمع آوری اطلاعات از محیط واقعی تعریف می کنیم ، (ب) گره محرک را به عنوان وسیله ای برای تأثیر گذاشتن بر افراد ، اشیاء ، فضای موجود در محیط واقعی و (ج) ماژول نورون ایفو تی ای به عنوان یک رایانه کوچک در حال اجرا واسط IFoT برای پردازش جریان داده ها.

ماژول نورون IFoT دارای ارتباطات بی سیم با برد کوتاه (بلوتوث کم انرژی ، Enocean [31] ، Zigbee و غیره) رابط هایی برای اتصال به سنسورها / محرک ها و ارتباطات بی سیم با برد طولانی مدت اختیاری (WiFi ، LTE و غیره) برای اتصال به اینترنت.

جریان ها (یا جریان داده ها) می توانند بین ماژول های نورون منتقل شوند.

مفهوم B.Bicic:

شکل 3 معماری لایه ای سیستم های IFoT را نشان می دهد ، جایی که یک سیستم به سه لایه تقسیم می شود:

لایه کاربرد ، لایه نورون IFoT و لایه سنسور / محرک.

واسط IFoT روی ماژول های نورون IFoT اجرا می شود و پردازش / تجزیه و تحلیل / توزیع جریان های داده IoT تولید شده را انجام می دهد و در پاسخ به درخواست از لایه برنامه عمل می کند.

کارکردهای میان افزار IFoT در زیر شرح داده شده است.

1) پردازش توزیع وظایف:

مطابق با درخواست های هر برنامه ، واسط IFoT وظایف را به هر گره اختصاص می دهد.

هر گره بسته به توانایی پردازش وظایف تعیین شده را انجام می دهد.

2) توزیع جریان تقاضا:

در محیطی که انواع جریان داده IoT ایجاد می شود ، ارسال کلیه داده های خام به سیستم ابری کارآمد نیست.

بنابراین ، میان افزار IFoT قابلیت توزیع مستقیم جریان بین دستگاه ها را به صورت موازی فراهم می کند.

استفاده از زمان واقعی جریان های داده IoT مورد نیاز است.

بنابراین ، میان افزار IFoT امکان پردازش سریع ، تجزیه و تحلیل / تجمیع جریان داده های IoT را بدون جمع آوری / ذخیره سازی فراهم می کند.

4) ادغام جریان داده های مختلف:

در محیط فرض شده ، سنسورها / محرک های متنوعی وجود دارند که دارای رابط ها و استانداردهای ارتباطی متفاوتی هستند.

بنابراین ، میان افزار IFoT امکان رسیدگی به جریانهای مختلف داده را به روشی واحد و یکپارچه فراهم می کند.

C. معماری:

شکل 4 معماری منطقی واسطه ای IFoT را نشان می دهد.

شکل 5 دستور العمل را نشان می دهد ، این یک پرونده پیکربندی است که یک روش پردازش جریان داده های IoT را توصیف می کند.

به طور خاص ، آن را به عنوان یک نمودار وظیفه ، نشان می دهد که روند پردازش (نحوه پردازش و تجزیه و تحلیل جریان داده ها ، نحوه ادغام چندین جریان داده در یک جریان) توصیف شده است.

عملکردهای واسط IFoT در زیر توضیح داده شده است.

1) عملکرد تخصیص وظیفه:

تخصیص وظایف از یک کلاس تقسیم دستور و کلاس تکالیف تشکیل شده است.

کلاس تقسیم دستور العمل دستور العمل را در میان برنامه ها می خواند و آن را به کارهایی تقسیم می کند که بصورت موازی قابل اجرا هستند.

کلاس تکالیف وظایف وظایف تقسیم شده را بین ماژول های IFoT توزیع می کند.

2) عملکرد تجزیه و تحلیل جریان:

عملکرد تجزیه و تحلیل جریان شامل کلاس یادگیری ، کلاس داوری ، کلاس مدیریت است.

کلاس یادگیری یک سری از داده های سنسور را به ترتیب متوالی تجزیه و تحلیل می کند و مدل ها را ایجاد یا به روز می کند.

کلاس داوری جریان داده را با استفاده از مدل ساخته شده تجزیه و تحلیل می کند.

مدیریت کلاس مدیریت عملیات تعاونی برای پردازش توزیع شده را کنترل می کند.

3) عملکرد توزیع جریان:

عملکرد توزیع جریان از کلاس انتشار ، کلاس کارگزار ، کلاس مشترکین است.

در واسطه بین المللی IFoT ، سیستم انتشار / اشتراک برای توزیع جریان بین گره های IFoT با هدف تحقق جریانهای آزاد و پیام های مقیاس پذیر پذیرفته شده است.

کلاس انتشار در سمت ارسال کننده قرار می گیرد ، کلاس اشتراک در ارتباط بین گره های IFoT در سمت گیرنده قرار می گیرد.

کلاس کارگزار توزیع داده را مطابق با موضوعی که کلاس اشتراک مشخص می کند ، مدیریت می کند.

4) عملکرد ادغام سنسور / محرک:

عملکرد ادغام سنسور / محرک از یک کلاس سنسور و کلاس محرک تشکیل شده است.

هر کلاس سخت افزار و رابط ارتباطی سنسور / محرک را انتزاع می کند ، و یک رابط مشترک برای عملکرد توزیع جریان فراهم می کند.

به عنوان مثال ، انواع جریان داده های حسگر به بسته های پروتکل انتقال پیام از طریق پیام پیام (MQTT) تبدیل می شوند [32].

فرآیند ساخت D. Application: مرور کلی از فرآیند ساخت برنامه های کاربردی با استفاده از واسطه IFoT در شکل 6 نشان داده شده است.

در مرحله 1 ، سازنده برنامه دستور العمل را تهیه کرده و دستور العمل را به یک ماژول IFoT ارسال می کند.

در مرحله 2 ، ماژول IFoT دستور العمل را می خواند ، آن را به کارهایی تقسیم می کند که بصورت موازی انجام شوند.

در مرحله 3 ، ماژول های IFoT کلاس را مطابق با محتوای دستورالعمل فوری می کنند و عملکرد برنامه را با همکاری یکدیگر اجرا می کنند.

V. ارزیابی و ارزیابی

A. اجرای:

ما یک نمونه اولیه از میان افزارهای IFoT با توابع محدود را پیاده سازی کردیم:

عملکرد توزیع جریان و عملکرد آنالیز جریان.

عملکرد توزیع جریان بر اساس Mosquitto [33] ساخته شده است که دارای یک طرح ارتباطی سبک با پروتکل MQTT است.

عملکرد تجزیه و تحلیل جریان بر اساس Jubatus ساخته شده است که دارای قابلیت یادگیری ماشین قدرتمند بر روی خط توزیع شده است.

B. بررسی از آزمایشها:

هدف از این آزمایش ، ارزیابی عملکرد واسطه IFoT و تأیید امکان سنجی سیستم مبتنی بر IFoT است.

برای این آزمایش ، نمونه اولیه واسطه IFoT در شش Paspberry Pis نصب شده است.

در طول آزمایش ، ما زمان پردازش در توزیع داده ها و تجزیه و تحلیل توسط واسطه IFoT را اندازه گیری کردیم.

سپس ، ما با تغییر سرعت تولید داده های سنسور (5 ، 10 ، 20 ، 40 و 80 هرتز) روند تأخیر پردازش (از سنجش تا آموزش ، سنجش تا پیش بینی) را تأیید کردیم.

سیستم مورد استفاده در آزمایش در شکل 7 نشان داده شده است.

مشخصات تجهیزات نیز در جدول I نشان داده شده است.

این سیستم از شش نمونه اولیه نورون IFoT (Raspberry Pi) و یکی از گره های مدیریت تجربی تشکیل شده است.

همه ماژول ها به یک شبکه بی سیم مشترک متصل هستند.

در آزمایش ، کلاس در حال اجرا بر روی هر ماژول از روی نرم افزار مدیریت (شکل 8) در گره مدیریت انتخاب می شود.

عملکرد پیوندی بین ماژول ها توسط نرم افزار مدیریت تنظیم شده است.

نرم افزار مدیریت بر اساس OpenRTM-aist [34] ساخته شده است.

همانطور که در شکل 9 نشان داده شده است ، ما زمان پردازش را تا زمان تکمیل هر فرآیند (1) فرآیند یادگیری ، (2) روند پیش بینی) از زمان سنجش اندازه گیری کرده ایم.

داده های حسگر (32byte) در سه ماژول نورون تولید می شوند.

C.Experimental:

جداول نتایج II و III نتایج زمان تاخیر در یادگیری و پیش بینی فرایندها را برای میزان سنجش مختلف نشان می دهد.

در مورد سرعت سنجی پایین مانند 10 و 20 هرتز ، واسطه ای IFoT می تواند پردازش با تاخیر کم (یعنی در زمان واقعی) را درک کند.

هنگامی که میزان سنجش 20 تا 40 هرتز است ، زمان تاخیر افزایش یافته و پردازش در زمان واقعی دیگر امکان پذیر نیست.

سپس ، در مورد سرعت سنج بیش از 80 هرتز ، زمان تاخیر بسیار بیشتر شد.

این نتایج نشان می دهد که نمونه اولیه میان افزار IFoT می تواند به پردازش زمان واقعی در مقیاس کوچک دست یابد.

با این حال ، برای تحقق پردازش در زمان واقعی در یک محیط در مقیاس بزرگتر ، لازم است تمرکززدایی بیشتر به موازات / موازی سازی کارهای پردازش با توجه به منابع موجود اضافه شود.

نتیجه گیری VI:

در این مقاله ، ما یک برنامه واسط را برای پلتفرم IFoT (جریان اطلاعات اشیاء) ارائه می دهیم که دستگاه های IoT برای پردازش جریان یا جریان داده ها در زمان واقعی ، بر اساس مفهوم "فرآیند در دست ما (PO3)" همکاری می کنند.

هدف از میان افزار IFoT این است که درک کند که (الف) چندین برنامه در حالی که منابع خود را به اشتراک می گذارند و (ب) مطالب تشکیل شده با پردازش / تجزیه و تحلیل / ادغام جریان داده ها در هر برنامه را می توان برای استفاده ثانویه / سوم در زمان واقعی توزیع کرد.

برای این اهداف ، میان افزار چهار کارکرد فراهم می کند ، (1) تقسیم کار و تخصیص دستگاه های IoT ، (2) توزیع تقاضای جریان داده ها در بین دستگاه های IoT ، (3) تجزیه و تحلیل زمان واقعی جریان داده ها ، و (4) ادغام بدون درز سنسورها و محرکها.

ما میان افزار IFoT را طراحی کردیم و نمونه اولیه آن را پیاده سازی کردیم.

ما همچنین یک آزمایش ساده برای ارزیابی عملکرد اصلی با استفاده از شش قارچ تمشک انجام دادیم.

در نتیجه ، ما تأیید کردیم که سرویس میانی پیشنهادی می تواند پردازش و تجزیه و تحلیل در زمان واقعی جریان های داده را تحقق بخشد.

به عنوان مرحله بعدی ، ما عملکرد پردازش در زمان واقعی و مقیاس پذیری واسطه رابط IFoT را بهبود می بخشیم.

تعریف زبان برای توصیف دستور العمل ها و همچنین عملکرد جستجو برای جریان داده های تولید شده از دستگاه های IoT که بطور پویا می توانند به شبکه بپیوندند / ترک کنند نیز بخشی از کارهای آینده است.