Глубокое обучение для больших данных и потоковой аналитики Интернета вещей: обзор
Deep Learning for IoT Big Data and Streaming Analytics: A Survey
2018-01-01
SCID: 54.1/gwv5z6u6
Discuss with AI
аналитика больших данных IoTаналитика потоковых данных IoTглубокое обучениетуманные и облачные вычисленияинтеллектуальные устройства IoT
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Системы и приложения аналитики больших данных и потоковых данных в реальном времени в IoT
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Обучение нескольких слоев признаков на маленьких изображениях2024
Снижение размерности данных с помощью нейронных сетей2006
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Интернет вещей: обзор технологий, протоколов и приложений, обеспечивающих его функционирование2015
Улучшение нейронных сетей путем предотвращения соадаптации детекторов признаков2012
Глубокое обучение с дифференциальной приватностью2016
Приложения и проблемы глубокого обучения в аналитике больших данных2015
К масштабируемым системам аналитики больших данных: технологическое руководство2014
Работы, цитирующие эту статью6
Обзор методов машинного и глубокого обучения для обеспечения безопасности Интернета вещей (IoT)2020
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Глубокое обучение в строительной отрасли: обзор современного состояния и будущих инноваций2020
Реализация технологий Интернета вещей и искусственного интеллекта в системах дистанционного мониторинга состояния здоровья: обзор2021
Глубокое обучение для мониторинга и анализа сетевого трафика (NTMA): обзор2021
Обзор применения искусственного интеллекта в сетях 6G: проблемы и возможности2026