Глубокое обучение для больших данных и потоковой аналитики Интернета вещей: обзор

Deep Learning for IoT Big Data and Streaming Analytics: A Survey
Mohsen Guizani, Ala Al‐Fuqaha, Mehdi Mohammadi, Sameh Sorour
2018-01-01

аналитика больших данных IoTаналитика потоковых данных IoTглубокое обучениетуманные и облачные вычисленияинтеллектуальные устройства IoT
В эпоху Интернета вещей (IoT) огромное количество сенсорных устройств со временем собирает и/или генерирует различные типы сенсорных данных для широкого спектра областей и приложений. В зависимости от характера приложения эти устройства формируют либо большие данные, либо быстрые потоки данных, поступающие в реальном времени. Применение аналитики к таким потокам данных для обнаружения новой информации, прогнозирования будущих результатов и принятия управляющих решений является важнейшим процессом, который делает IoT ценным инструментом для бизнеса и технологией, способной повышать качество жизни. В этой статье представлен подробный обзор использования класса передовых методов машинного обучения, а именно глубокого обучения (DL), для проведения аналитики и обучения в предметной области IoT. Сначала рассматриваются характеристики данных IoT и выделяются два основных подхода к их обработке с точки зрения машинного обучения: аналитика больших данных IoT и аналитика потоковых данных IoT. Также обсуждается, почему DL является перспективным подходом для получения необходимой аналитики в таких типах данных и приложений. Затем рассматривается потенциал применения современных методов DL для аналитики данных IoT, а также описываются их перспективы и проблемы. Представлен комплексный обзор различных архитектур и алгоритмов DL. Кроме того, проанализированы и обобщены основные опубликованные исследования, в которых DL применялось в предметной области IoT. Рассматриваются также интеллектуальные устройства IoT, в которых DL интегрировано в основу интеллектуальных функций. Помимо этого, представлен обзор подходов к реализации DL в туманных и облачных вычислительных центрах для поддержки приложений IoT. Наконец, освещены ряд проблем и возможных направлений будущих исследований. В конце каждого раздела обобщаются выводы, сделанные на основе проведённых экспериментов и анализа современной научной литературы.
1
Глубокое обучение рассматривается как перспективный подход для извлечения информации, прогнозирования будущих результатов и поддержки управляющих решений на основе данных IoT.
2
Обобщены преимущества, проблемы и перспективные направления исследований по применению глубокого обучения к крупномасштабным и потоковым данным IoT.
3
В статье представлен подробный обзор архитектур и алгоритмов глубокого обучения, а также опубликованных применений этих методов в аналитике IoT.
4
В обзоре выделены два основных направления обработки данных IoT методами машинного обучения: аналитика больших данных IoT и аналитика потоковых данных IoT.
5
Рассматривается использование глубокого обучения во встроенных интеллектуальных устройствах IoT и его реализация в туманных и облачных вычислительных центрах.

Системы и приложения аналитики больших данных и потоковых данных в реальном времени в IoT

Применение, возможности, архитектуры, подходы к реализации, проблемы и перспективные направления глубокого обучения для аналитики данных IoT

Publication Details
Publication Date
2018-01-01
Journal
Publisher
ISSN
Cited by
1530
Access Type
Author Information
Authors
Mohsen Guizani
Ala Al‐Fuqaha
Mehdi Mohammadi
Sameh Sorour
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%