Intelligent Microservices-based Approach to Support Data Analytics for IoT Applications
Approche intelligente basée sur les microservices pour soutenir l'analyse de données pour les applications IoT
Résumé
The rapid development of the Internet of Things (IoT) has created a huge and complex network of interlinked equipment generating massive amounts of data. To efficiently analyze this data for a variety of applications, we propose an intelligent approach that utilizes multi-source and heterogeneous data from IoT devices. Our approach incorporates centralized and distributed learning techniques and is implemented through a set of secure, flexible, and scalable microservices. We divide the data analytics functionality into containerized microservices and train analytics models using AI methods before deploying them on edge computing nodes. We also utilize transfer learning and ensemble learning techniques to enhance model generalization and prediction accuracy. The adoption of a microservices-based architecture offers several advantages, including scalability, flexibility, reliability, modularity, and integration. This simplifies the development, implementation, and management of intricate machine learning and deep learning systems compared to conventional monolithic architectures. Our approach has significant implications for the IoT industry, providing a powerful tool for unlocking valuable insights from IoT data. We validate our approach through a set of IoT case studies and comparative studies, demonstrating its effectiveness and practicality in real-world scenarios. Overall, our suggested approach offers a robust and effective solution for analyzing IoT data and deriving important insights that can be used in a wide range of use cases.
Le développement rapide de l'Internet des objets (IoT) a créé un vaste et complexe réseau d'équipements interconnectés générant d'énormes quantités de données. Pour analyser efficacement ces données pour diverses applications, nous proposons une approche intelligente qui utilise des données provenant de sources multiples et hétérogènes d'appareils IoT. Notre approche intègre des techniques d'apprentissage centralisé et distribué et est mise en œuvre à travers un ensemble de microservices sécurisés, flexibles et évolutifs. Nous divisons la fonctionnalité d'analyse de données en microservices conteneurisés et formons des modèles d'analyse à l'aide de méthodes d'intelligence artificielle avant de les déployer sur des nœuds de calcul périphériques (edge computing). Nous utilisons également des techniques d'apprentissage par transfert et d'apprentissage ensembliste pour améliorer la généralisation des modèles et la précision des prédictions. L'adoption d'une architecture basée sur les microservices offre plusieurs avantages, notamment la scalabilité, la flexibilité, la fiabilité, la modularité et l'intégration. Cela simplifie le développement, la mise en œuvre et la gestion de systèmes d'apprentissage automatique et d'apprentissage profond complexes par rapport aux architectures monolithiques conventionnelles. Notre approche a des implications importantes pour l'industrie de l'IoT, offrant un puissant outil pour extraire des informations précieuses à partir des données IoT. Nous validons notre approche à travers un ensemble d'études de cas IoT et d'études comparatives, démontrant son efficacité et sa praticité dans des scénarios réels. Globalement, notre approche suggérée offre une solution robuste et efficace pour analyser les données IoT et tirer des informations importantes qui peuvent être utilisées dans une large gamme de cas d'utilisation.
Origine | Fichiers produits par l'(les) auteur(s) |
---|