مقاله ترجمه شده درباره یک معماری بزرگ آنالیزی داده ها برای اینترنت اشیا کوچک – سال 2018
مشخصات مقاله:
عنوان فارسی مقاله:
یک معماری بزرگ آنالیزی داده ها برای اینترنت اشیا کوچک
عنوان انگلیسی مقاله:
A Big Data Analytics Architecture for the Internet of Small Things
مناسب برای رشته های دانشگاهی زیر:
مهندسی فناوری اطلاعات و کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
اینترنت و شبکه های گسترده، معماری سیستم های کامپیوتری و شبکه های کامپیوتری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
مقدمه
فناوری جدید
معماری پیشنهاد شده از آنالیز داده های بزرگ برای اینترنت اشیا کوچک
لایه اشیا کوچک
لایه زیرساخت
لایه پلت فرم
لایه کاربرد
انالیز داده ها و ارزیابی سیستم
نکات نتیجه گرفته شده
قسمتی از مقاله انگلیسی و ترجمه آن:
Introduction
Big data is progressively growing due to its ability to accomplish a variety of tasks such as designing urban plans, developing and reusing software and products, and interacting with the Internet of Things (IoT). In fact, industry visionaries are taking a greater interest in the Internet of Small Things (IoST) concept than academia; this is likely due to the advantages brought on by data analysis, which can be reused for many purposes. The term big data is related to a specific type of data with three major properties: data is huge in volume and generated from heterogeneous formats, and requires high-speed processing. Several researchers are currently working on designing specific methods and techniques to process the data in real time. Many challenges prevent large data processing in real time since many processing techniques must consider and analyze many aspects of the data. Big data is normally produced by many online and offline sources including email, video and audio chatting, the number of clicks, network traffic, flight routes, and so on [1]. The data generated by these sources is accumulated in a database, which is further processed with high-end software such as Hadoop, GraphX, and Spark [1]. Hadoop is efficient at processing offline data, while Spark and GraphX are mostly used for processing online data up to certain limits. However, storing, analyzing, confining, and normalizing big data is still a challenging job, and it is quite difficult to accomplish even simple tasks like processing and managing data in real time. Apart from these challenges, there are other challenges faced by researchers. For example, presenting visual data (e.g., graphs, charts, summaries, and tables) to decision makers requires more than simply the presentation materials.
مقدمه
داده های بزرگ به تدریج در حال افزایش هستند که به دلیل توانایی آنها برای انجام وظایف مختلف از جمله طراحی طرح های شهری، توسعه و استفاده مجدد از نرم افزار و محصولات و ارتباط با اینترنت اشیا (IoT) است. در حقیقت، پیش بینی کننده های صنعت علاقه بیشتری به مفهوم اینترنت اشیا کوچک (IoST) نسبت به موضوع آکادمیک دارند؛ این احتمالا به دلیل مزایای فراهم شده توسط آنالیز داده باشد که می تواند برای بسیاری از اهداف مجددا استفاده شود. عبارت داده های بزرگ مربوط به نوع خاصی از داده ها است که سه ویژگی عمده دارند: داده ها حجم زیادی دارند و از فرمت های متفاوت ساخته شده اند و به پردازش سریع نیاز دارند. در حال حاضر چندین محقق در حال کار بر روی طراحی روش های و تکنیک های خاص پردازش داده ها در زمان واقعی هستند. بسیاری از چالش ها مانع پردازش داده های بزرگ در زمان واقعی می شوند، زیرا بسیاری از تکنیک های پردازش باید جنبه های بسیاری از داده ها را در نظر بگیرند. عموما داده های بزرگ توسط بسیاری از منابع آنلاین و آفلاین از جمله ایمیل، چت صوتی و تصویری، تعداد کلیک ها، ترافیک شبکه، مسیرهای پرواز و غیره توسط [1] تولید می شوند. داده های تولید شده توسط این منابع در یک پایگاه داده جمع می شوند که سپس با نرم افزارهای پیشرفته ای مانند Hadoop، GraphX و Spark پردازش می شوند[1]. Hadoop در پردازش داده های آفلاین موثر است، در حالی که Spark و GraphX معمولا برای پردازش داده های آنلاین تا حد مشخصی استفاده می شوند. با این حال، ذخیره، آنالیز، منحصر کردن و نرمالیزاسیون داده های بزرگ هنوز یک کار چالش برانگیز است، و حتی انجام کارهای ساده مثل پردازش و مدیریت داده ها در زمان واقعی بسیار سخت می باشد. به غیر از این چالش ها، محققان با چالش های دیگری نیز مواجه هستند. برای مثال، ارائه داده های بصری (به عنوان مثال، نمودارها، نمودارها، خلاصه ها و جداول) به تصمیم گیرنده ها نیازمند زمان بیشتری نسبت به ارائه مواد است.
