صنعت 4.0 (یا انقلاب صنعتی چهارم) با صنایعی همچون تولید، توزیع، نفت و گاز، بهداشت و درمان، تولید و مصرف انرژی، خودروسازی و … در ارتباط است. در عین حال، اینترنت اشیاء صنعتی (IIoT) یک پیشرفت فناوری است که با افزایش بهرهوری و تأثیر اقتصادی در بخش تولید، پیادهسازی صنعت 4.0 را تسهیل میکند. IIoT قابلیت ارائه ارتباط جهانی بین اجزای مختلف در مکانهای مختلف را فراهم میکند. بخش تولید عمدتاً به دلیل ویژگیهایIIoT با مشکلات مختلفی در پیادهسازی IIoT مواجه شده است. در این مقاله، در ابتدا یک معرفی از انقلابهای صنعتی صورت میگیرد. سپس مروری بر صنعت 4.0 و IIoT خواهیم داشت. در ادامه به چالشهای پیادهسازی IIoT و روشهای استفاده شده برای حل آنها پرداخته میشود. یادگیری عمیق، رایانش لبه و کلان داده از جمله تکنیکهای کلیدی برای جهتگیری آینده IIoT هستند.
کلمات کلیدی: اینترنت اشیاء صنعتی، انقلاب صنعتی چهارم، IIoT، چالشهای IIoT
مقدمه
تغییرات دیجیتال[1] در بخش تولید و سایر بخشها نظیر تولید، توزیع، نفت و گاز، بهداشت و درمان، تولید و مصرف انرژی، خودروسازی و … به عنوان صنعت 4.0 شناخته میشود. یکی از ویژگیهای بارز این صنعت ایجاد پلی میان واقعیت و شبکههای سایبری-فیزیکی دیجیتال است. در صنعت 4.0 بخشی از تصمیمگیریها بر عهده دستگاههای سایبر-فیزیکی و کامپیوترها است. همچنین از دستاوردهای این صنعت ایجاد کارخانههای هوشمند است که با استفاده از دادهها، سیستمها و فرآیندهای مرتبط، یاد میگیرند و به درخواستهای جدید پاسخ میدهند. صنعت 4.0 با ایجاد مدلهای بازار جدید، نرمافزارهای بازار و فناوریهای جدید، امکان تمایز تامینکنندگان با عملکرد برتر را فراهم میکند. هوشمندسازی اتوماسیون و تحلیلهای هوشمند، منجر به محیط تولید پایدار و کارآمد میشود. بهرهگیری از رویکرد صنعت 4.0 توسط تولیدکنندگان منجر به رشد عملکرد مالی، نوآوری در سامانه کسب و کار، بهبود خدمات به مشتریان و ارائه محصولات و خدمات جدید در صنعت میشود. به عنوان نتیجه، فرآیندها، مدل کسب و کار و حتی روش تولید و توزیع نیز تغییر میکنند [4].
یکی از اولویتهای انتقال به صنعت 4.0، پیشرفت فناوریهای مرتبط با آن است. هوش مصنوعی، کلان داده، همگرایی اینترنت اشیاء، شبکههای سایبر-فیزیکی و سایر نوآوریها از جمله این فناوریها هستند. اینترنت اشیاء، دنیای واقعی و دیجیتال را ترکیب میکند و امکانات فناوری اطلاعات را گسترش میدهد. با استفاده از IoT، میتوان “اشیاء” را با استفاده از حسگرها و محرکها کنترل کرد.
اینترنت اشیاء صنعتی[2] یا IIoT یک پیشرفت فنی است که به افزایش تأثیر اقتصادی و تولیدی بخش تولید کمک میکند. جمعآوری، پردازش و تصمیمگیری هوشمند با حداقل دخالت انسان، مزایایی هستند که توسط سامانههای IIoT به محیطهای صنعتی ارائه میشوند. IIoT بخشی از اینترنت اشیاء است که بر روی صنعت تولید تمرکز دارد. IIoT بر روی بهبود دسترسی، عملکرد، قابلیت مقیاسپذیری، صرفهجویی در زمان و هزینه و همچنین ارتباط آن با صنعت 4.0 تمرکز دارد. در محیط تولیدی، تعاملات بین اجزای سیستم به شدت به محل بستگی دارد. صنایع تولیدی با چالشهای مختلف در به کارگیری IIoT مواجه شدهاند؛ این چالشها عمدتاً به خاطر ویژگیهای IoT هستند. چالشهای IIoT در واقع با چالشهای مربوط به IoT متفاوت نیستند و به تعامل بین IIoT و IoT بستگی دارند. مسائلی که IoT با آنها درگیر است شامل محدودیت فضای حافظه، مصرف انرژی، شبکه بیسیم و قابلیت محاسباتی پایین هستند. این مسائل بر پیادهسازی و حفظ زیرساخت IIoT نیز تأثیرگذار است.
ساختار مطالب این مقاله بدین شرح است: در بخش دوم، مروری بر انقلابهای صنعتی اول تا پنجم داریم. در بخش سوم، به توصیف IIoT و مفاهیم مشابه با آن میپردازیم. با توجه به اهمیت پیادهسازی IIoT و چالشهای پیش روی آن، در بخش چهارم این چالشها و راهکارهای مرتبط جهت حل آنها بررسی میشوند. در پایان یک نتیجهگیری از مباحث مطرح شده ارائه خواهد شد.
انقلاب صنعتی – صنعت ۱.۰ تا 5.0
انقلابهای صنعتی، از همان اولین انقلاب، تغییرات شدیدی در تولید ایجاد کردند و از تولید با ماشینهای آبی و بخاری به تولید خودکار الکتریکی و دیجیتالی رسیدهاند. در ادامه شرح مختصری از این انقلابها ارائه میشود [1].
انقلاب صنعتی اول (صنعت ۱.۰)
صنعت ۱.۰ میتواند به عنوان شروع فرهنگ صنعت که بر روی مقیاس و کارایی تمرکز داشت، در نظر گرفته شود. اولین ماشین بافندگی با افزایش بهره وری در کارایی و مقیاس در سال ۱۷۸۴ معرفی شد. آب و بخار از سال ۱۷۶۰ در انقلاب صنعتی اول استفاده شد که باعث انتقال به فرآیندهای تولید جدید شد. تولید کالاهای مختلف و ایجاد استاندارد بهتر زندگی برای برخی از افراد از جمله مزایای آن است. منابع سوخت مانند بخار و زغال سنگ، استفاده از ماشین را قابل تحملتر کرد و در نتیجه ایده تولید با ماشین به سرعت گسترش یافت. ماشینها تولید سریعتر و آسانتر را ممکن کردند و همچنین نوآوریها و فناوریهای جدید را ممکن ساختند.
انقلاب صنعتی دوم (صنعت ۲.۰)
آغاز قرن بیستم آغاز انقلاب صنعتی دوم بود. در این انقلاب، ماشینها با انرژی الکتریکی کار میکردند. مهمترین عامل موثر در این انقلاب، توسعه ماشینها با انرژی الکتریکی بود. در مقایسه با ماشینهای آبی و بخاری که نسبتاً ناکارآمد بودند، استفاده از ماشینهای الکتریکی از نظر هزینه و انرژی کارآمدتر است. در این دوره، فرهنگ صنعت معرفی شده در صنعت ۱.۰ به برنامه مدیریت تبدیل شد تا کارایی تولید تقویت شود. از این انقلاب که در بازه ۱۷۶۰ تا ۱۸۴۰ رخ داد به عنوان “انقلاب فناورانه” یاد میشود.
انقلاب صنعتی سوم (صنعت ۳.۰)
این انقلاب فناورانه، به دلیل پیشرفتهای حوزه الکترونیک در دو دهه آخر قرن بیستم، شتاب گرفت. صنعت ۳.۰، یک جهش عظیم رو به جلو بود که با حکمرانی کامپیوتر و اتوماسیون، صحنه اقتصادی را تحت تأثیر قرار داد. در این انقلاب، رباتهای بیشتری برای انجام وظایف انسانی بهکار گرفته شد. این انقلاب با استفاده از الکترونیک و فناوری اطلاعات در سال ۱۹۷۰ برای اتوماسیون تولید آغاز شد. با استفاده از کنترل کنندههای منطقی قابل برنامهریزی[3]، وظایف انسانی در خط تولید به صورت خودکار انجام میشود.
انقلاب صنعتی چهارم (صنعت ۴.۰)
شکوفایی در صنعت اینترنت و ارتباطات در دهه ۱۹۹۰، روشی نوین برای اتصال و تبادل اطلاعات فراهم کرد. این امر باعث تغییر پارادایم در صنعت تولید و عملیات تولید سنتی شده و مرزهای دنیای فیزیکی و مجازی را ترکیب کرد. صنعت ۴.۰ با استفاده از یک سامانه سایبر-فیزیکی، برای تجزیه و تحلیل، به اشتراک گذاری و هدایت اعمال هوشمند برای فرآیندهای مختلف در صنعت، به منظور هوشمند کردن ماشینها استفاده میشود. در اینترنت اشیاء صنعتی (IIoT)، تبادل اطلاعات بدون دخالت انسان با استفاده از ماشینهای هوشمند، سامانههای ذخیرهسازی و غیره ممکن است. سامانههای سایبر-فیزیکی ([4]CPS)، اینترنت اشیاء (IoT)، رایانش ابری و محاسبات شناختی عناصر کلیدی صنعت ۴.۰ هستند. صنعت ۴.۰ به دقت آنچه به عنوان «کارخانه هوشمند» شناخته میشود را ترویج میکند. در تسهیلات صنعتی هوشمند سازماندهی شده به صورت ماژولار، سامانههای سایبر-فیزیکی فرآیندهای فیزیکی را پیگیری کرده، نسخه دیجیتال از جهان فیزیکی را تولید میکنند و تصمیمات غیرمتمرکز را اتخاذ میکنند.
انقلاب صنعتی پنجم (صنعت 5.۰)
انقلاب صنعتی پنجم یا صنعت 5.0، آخرین مرحله در تکامل صنعت است که بر اهمیت همکاری انسان و ماشین تأکید میکند. این مفهوم شامل یکپارچگی فناوریهای پیشرفته مانند هوش مصنوعی، رباتیک و اینترنت اشیاء با نیروی انسانی است تا محیط تولیدی کارآمدتر، پایدارتر و نوآورانهتری را ایجاد کند. هدف از صنعت 5.0، ترکیب قدرتهای انسان و ماشین برای دستیابی به یک صنعت تولیدی با بهرهوری و مسئولیتپذیری اجتماعی بیشتر است [2]. پنج انقلاب صنعتی در شکل ۱ نشان داده شده است.
شکل 1: انقلابهای صنعتی اول تا پنجم [2]
مفاهیم IoT،IIoT و انقلاب صنعتی چهارم
اصطلاحات IoT، IIoT و صنعت 4.0 مفاهیمی نزدیک به هم هستند اما نمیتوانند به جای یکدیگر استفاده شوند. در این بخش، یک طبقه بندی از این اصطلاحات ارائه میشود. در مورد IoT، تعاریف مختلفی وجود دارد که هر یک سعی دارند به یکی از ویژگیهای بنیادی آن بپردازند. اغلب تعاریف، IoT را به عنوان شبکهای از ماشینها در نظر میگیرند که با هدف تبادل داده به یکدیگر متصل شدهاند. با این حال، زمینههای کاربردی آنقدر متنوع هستند که برخی از الزامات (به ویژه آنهایی که با جنبههای ارتباطی مرتبط هستند) ممکن است بسیار متفاوت باشند و به اهداف و کاربران نهایی، مدلهای کسب و کار پایه و راهکارهای فناوری پایه وابسته باشند. از این رو، آنچه که به عنوان IoT شناخته میشود بهتر است به عنوان IoT مشتری[5] در مقابل IoT صنعتی نامگذاری شود.
IoT مشتری، مبتنی بر مشتری نهایی و نیازهای اوست؛ «اشیاء»، ادوات الکترونیک هوشمند مصرف کننده هستند که با یکدیگر در ارتباطند تا آگاهی انسان از محیط پیرامون را بهبود بخشند و در زمان و هزینه او صرفهجویی کنند. در جهان صنعتی شاهد ظهور تولید دیجیتال و هوشمند هستیم که هدف آن ادغام فناوری عملیاتی با حوزه فناوری اطلاعات است. به طور خلاصه،IIoT (پایه اصلی تولید دیجیتال) دربارهی اتصال تمام داراییهای صنعتی، از جمله ماشینآلات و سیستمهای کنترلی، با سیستمهای اطلاعاتی و فرآیندهای کسب و کار است. به عبارت دیگر، مقدار زیادی از دادههای جمعآوری شده میتوانند با راهحلهای تجزیه و تحلیلی مورد استفاده قرار گیرند و منجر به بهرهوری بهینه عملیات صنعتی شوند.
IoT بیشتر بر روی طراحی استانداردهای ارتباطی جدید تمرکز دارد که بتواند ادوات نوآورانه را به اکوسیستم اینترنت به صورت انعطاف پذیر و کاربرپسند متصل کند. در مقابل، طراحی فعلی IIoT بیشتر بر روی امکان ادغام و اتصال کارخانهها و جزیرههای کاری یا حتی ماشین آلات متمرکز است، تا خدمات جدید و تولیدی کارآمدتر را ارائه دهند.
در مورد اتصال و حساسیت، IoT انعطاف پذیرتر است و اجازه میدهد ساختارهای شبکه Ad-hoc و متحرک اجرایی شوند و نیازهای زمانبندی و قابلیت اطمینان کمتری داشته باشد (به جز کاربردهای پزشکی). از طرف دیگر، IIoT به طور معمول از راهحلهای ثابت و زیرساخت مبتنی بر شبکه استفاده میکند. در IIoT ، ارتباطات به صورت پیوندهای ماشین به ماشین هستند که باید نیازهای سختگیرانهای را در زمینههای زمانبندی و قابلیت اطمینان برآورده کنند.
در مقایسه حجم داده، دادههای تولید شده از IoT بستگی به برنامه کاربردی دارد، در حالی که IIoT به نتایج حاصل از تجزیه و تحلیلها وابسته است؛ در این راستا حجم بسیار زیادی از دادهها در IIoT مبادله میشود.
| شاخصها | IoT | IIoT |
| نوع دستگاهها | دستگاههای سطح کاربر، معمولا خیلی گران نیستند | ماشینها، سنسورها و سیستمهای گران قیمت و با پیچیدگی زیاد |
| مدل سرویسدهی | مبتنی بر انسان | مبتنی بر ماشین |
| ظرفیت ارتباطی | دستگاهها و استانداردهای جدید | دستگاهها و استانداردهای موجود |
| فناوری انتقال | معمولا بی سیم | سیمی و بی سیم |
| ارتباطات | AD-HOC (گرهها میتوانند سیار باشند) | ساختاریافته (گرهها ثابت هستند، مدیریت شبکه متمرکز) |
| محرمانگی و حساسیت | سختگیرانه نیست (بجز در کاربردهای پزشکی) | محرمانه (زمان، امنیت، قابلیت اعتماد، حریم خصوصی) |
| حجم داده | متوسط رو به بالا | زیاد و خیلی زیاد |
جدول 1: مقایسه بین IoT و IIoTا[3]
مفهوم صنعت 4.0 زمانی پدیدار میشود که پارادایم IoT با ایده سامانههای سایبری-فیزیکی ترکیب میشود. CPSها ارتباط اشیاء فیزیکی واقعی را با هم برقرار میکنند و توصیف دیجیتال آنها را ارائه میدهند. این اطلاعات که در مدلها و اشیاء دادهای ذخیره میشوند و قابل به روزرسانی به صورت بلادرنگ هستند، دومین هویت اشیاء را تشکیل میدهد و نوعی “دوقلوهای دیجیتال” را تشکیل میدهد. به طور خلاصه، IIoT یک زیرمجموعه از IoT است که مختص کاربردهای صنعتی است. مرحله ساخت محصول از چرخه حیات IoT و مواجهه آن با صنعت 4.0 است که منجر به شکل گیری IIoT میشود. شکل 2 ارتباط این مفاهیم را نمایش میدهد.
شکل 2: دیاگرام ون برای مفاهیم IoT، CPS، IIoT و صنعت 4.0 [3]
چالشهای پیادهسازی IIoT
پیادهسازی IIoT در بخش صنعتی با چالشهای زیادی روبرو است؛ این چالشها اصولا به خاطر محدودیتهای ایجادشده برای IoT رخ میدهند. با توجه به ارتباط نزدیکی که بین IIoT و IoT وجود دارد، IIoT و IoT تقریبا از چالشها و محدودیتهای یکسانی برخوردار هستند. از آنجا که IoT با مسائلی نظیر محدودیت حافظه، مصرف کم انرژی، اتصال بیسیم و محدودیت توانایی پردازش روبروست، در IIoT نیز این مسائل مطرح هستند. این چالشها شامل ناهمگونی، ارتباطات، مقیاسپذیری، پردازش بلادرنگ، تحرکپذیری و محدودیت منابع هستند. در ادامه، هر چالش را از دیدگاه IIoT مورد بررسی قرار داده و سپس راه حلهای پیشنهادی را ارائه میدهیم [4].
ناهمگونی
ناهمگونی[6] اینترنت اشیاء شامل استفاده از پروتکلهای ارتباطی، فرمتهای داده و فناوریهای مختلف است. اینترنت اشیاء در تقریبا هر بخش و حوزه کاری مورد استفاده قرار گرفته است و انتظار میرود در بسیاری از برنامههای کاربردی مختلف به کار گرفته شود. سامانههای IoT از مجموعه متنوعی از پروتکلها، الگوهای معماری و طراحی متفاوت و مشخصات متنوعی استفاده میکنند. این دستگاهها از جهاتی با یکدیگر ناهمگون هستند. در زمینه داده، دادههای IoT با فرمتهای مختلفی نظیر RDF، میکرو داده و میکرو فرمت نوشته میشوند. شبکههای IoTاز تکنیکها و پروتکلهای مختلف استفاده میکنند. علاوه بر این، دستگاههای IoT بر اساس نیازهای تولیدکنندگان مختلف ساخته شدهاند. تعاملپذیری[7] یکی از راهکارهای کلیدی برای حل مشکل ناهمگونی است؛ تعاملپذیری IoT میتواند سامانهها، فرمتهای داده و پروتکلهای مختلف تولیدکنندگان را به یکدیگر متصل کرده و زیرساخت لازم را فراهم کند. جدول 2 خلاصهای از راهکارهای فوق را ارائه میدهد [4].
ارتباطات[8]
افزایش تقاضا بر روی بسیاری از جنبههای عملکردی مانند مصرف انرژی، کاهش تاخیر، زمان پاسخ بهتر و قابلیت مقیاسپذیری بخشی از آینده IoT است. برنامههای IoT حساس به زمان هستند و نیاز به جریان دادهها در زمان واقعی به جای پردازش دستهای[9] دارند. گذردهی، سرعت شبکه، نرخ داده و فضای محاسباتی بر اساس میزان دادههای استفاده شده و محل ذخیرهسازی آنها قابل تخمین است. مجموع تاخیرها در انتقال، پردازش، انتشار برای یک شبکه به تاخیر[10] اطلاق میشود. به منظور رسیدن کاهش این تاخیر، نیاز به کاهش تمام انواع تاخیرها وجود دارد. رایانش ابری به عنوان یک گزینه در حال تکامل برای نیازهای چالش برانگیز IoT جهت مدیریت حجم بزرگ دادههای کلاستر IoT پذیرفته شده است. با این حال، افزایش مداوم حجم دادههای منتقل شده باعث شده است که ابر به دلیل پهنای باند محدود، نتواند برای بسیاری از برنامههای IoT پاسخگو باشد. به عنوان نتیجه، دادههای نزدیک منابع داده باید پردازش شوند و رایانش مه به عنوان یک راهحل امیدوارکننده برای این مشکل ارائه شده است. رایانش مه، گرههای متمرکز را به روشهای منطقی برای برنامهها، خدمات، دادهها، قدرت محاسباتی و تصمیم گیری آماده میکند. حجم دادههایی که باید بین دستگاههای پایانی و ابر جابجا شوند، با استفاده از رایانش مه به طور قابل توجهی کاهش مییابد. اگرچه رایانش مه برخی از مشکلات را کاهش میدهد اما برخی محدویتهای ذاتی برنامههای کاربردی IoT نظیر کارایی، گذردهی، منابع و تاخیر همچنان وجود دارند. جدول 3 راهکارهای رفع چالش ارتباطات را خلاصه کرده و دید کلی از آنها ارائه میدهد [4].
جدول 2: خلاصه راهکارهای رفع چالش ناهمگونی
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| چندین فرمت داده | IoT-SIM | مدل شامل تعامل معنایی و ابر است که دادههای بیماران را به صورت معنایی شرح میدهد و آنها را به پرس و جوهای RDF و SPARQL تبدیل میکند که میتواند برای استخراج داده از هر بیمار در هر زمانی استفاده شود [5]. | کلان داده رایانش ابری | بله |
| همجوشی معنایی | Crowdsourcing Semantic Fusion | مدل معنایی اطلاعات معنایی را که از کاربران جمعسپاری گرفته شده است پردازش کرده و آن را به یک فرمت یکپارچه نرمالسازی میکند تا دانش استخراج شود [6]. | کلان داده همجوشی دادهها | بله |
| ناهمگونی داده و ارتباطات | – | یک معماری که قادر به ادغام دادهها و پردازش دادههای پردازش شده از منابع مختلف است. این دادهها میتواند توسط خدمات مختلف جمعآوری و استفاده شود [7]. | کلان داده | خیر |
| بازیابی داده | HSFRH-IoT | سیستمی که قبل از ذخیره دادههای loT ویژگیهای مشترک آنها را تجزیه و استخراج میکند و آنها را در دو پایگاه داده متمایز ذخیره میکند؛ چالش دریافت، ذخیره و بازیابی سریع حجم بزرگی از داده را حل میکند [8]. | کلان داده | بله |
| دسترسی به منابع | Smart City Road Manhole Cover Monitoring System | معماری پلتفرم دسترسی به IoT بر این استوار است که با استفاده از رایانش لبه، مشکل به اشتراک گذاری منابع حالت برنامههای کاربردی ورتیکالهای IoT و مشکل دسترسی یکپارچه ترمینالهای ناهمگون را حل کند [9]. | محاسبات لبه توصیف منابع | بله |
| استقرار بدون مرز IoT | – | تعریف نظریه سلسله مراتب شناختی و کاربرد آن در فناوری IoT به منظور شناسایی ارتباطات اصلی بین نظریه سلسله مراتب شناختی و انواع مختلف الگوریتمهای یادگیری عمیق [10]. | یادگیری ماشینی | بله |
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| مسائل latency | IFC-IoT | طراحی گرههای مه با لایههای چندگانه به گونهای صورت میگیرد که ویژگیهای برنامه را نظارت کرده و منابع معماری را بازتنظیم میکند تا با بار کاری اوج سازگار شود [11]. | رایانش ابری رایانش مه | خیر |
| – | رویکرد سه سطحی با مراکز داده مه و ابر برای تنظیم مسیر بستهها منجر به کاهش تاخیر و پردازش خودکار بیشتر میشود [12]. | رایانش مه5G | بله | |
| – | رویکرد مبتنی بر نظریه تطبیق که در آن یک گره اینترنت اشیاء ممکن است با یک کلودلت[11] تطبیق یابد و یک کلودلت ممکن است دارای چندین گره اینترنت اشیاء باشد، علاوه بر این کاربران را به طور مناسب به یکدیگر مرتبط میکند تا به حداکثر سود مشترک برسند [13]. | رایانش لبه | بله | |
| فعالسازی QoS | QoS-Fog | سلسله مراتب سیستم پنج سطحی برای مدیریت کیفیت خدمات هوشمند به منظور بهبود تاخیر عملکرد، مصرف انرژی و بهرهوری شبکه [14]. | رایانش مه | بله |
| تخصیص منابع | AHP | خودسازماندهی[12] به عنوان مه و سلسله مراتب تحلیلی برای انجمن کاربران پراکنده و تخصیص منابع به منظور نگاشت منابع شبکه به برنامههای اینترنت اشیاء [15]. | رایانش مه | بله |
| – | سامانه ذخیرهسازی نرمافزار تعریف شده توسط کاربر برای محدودیتهای ظرفیت ذخیرهسازی ابرهای کوچک و کاهش تاخیر دسترسی [16]. | ذخیرهسازی نرمافزار محور رایانش ابری | بله | |
| – | رویکرد مدیریت منابع با تمرکز بر خدمات برای دستگاههای اینترنت اشیاء با استفاده از مه که در مدیریت منابع کمک میکند [17]. | رایانش مه | بله | |
| IoT-Gateway | دروازههای اینترنت اشیاء با قابلیت فعالسازی 5G که پیشنهاد دستهبندی ترافیک uplink اینترنت اشیاء و استفاده از الگوریتمهای فشردهسازی مناسب برای ترافیک uplink را میدهند. بدین ترتیب استفاده مؤثرتر از منابع بیسیم uplink صورت میگیرد [18]. | 5G | بله | |
| گذردهی وظیفه | – | تکنیک مبتنی بر رنگآمیزی گراف برای تخصیص منابع بهینه که در آن گرههای مه درخواستهای وظیفه را از دستگاههای اینترنت اشیاء به ایستگاه پایگاه انتقال میدهند [19]. | رایانش مه5G | بله |
جدول 3: خلاصه راهکارهای رفع چالش ارتباطات
مقیاسپذیری
قابلیت مقیاسپذیری[13]، قابلیت یک سیستم برای پاسخگویی به شرایط محیطی و برآورده کردن نیازهای بالقوه است. دو نوع مقیاس پذیری در شبکههای اینترنت اشیاء وجود دارد: مقیاسپذیری افقی که شامل گسترش شبکه برای پشتیبانی از تعداد بیشتری از تجهیزات سخت افزاری و موجودیتهای نرم افزاری در شبکه است و مقیاس پذیری عمودی که با افزایش کارآمدی نرم افزار یا سخت افزار فعلی از طریق استفاده از منابع بیشتر مرتبط است. روشها و استراتژیهای مقیاس پذیری به طور معمول باید به عنوان یک دنباله اقدامات قابل تعریف باشند. جدول 4 خلاصهای از رویکردهای پیشنهادی جهت رفع چالش مقیاسپذیری را نشان میدهد [4].
جدول 4: خلاصه راهکارهای رفع چالش مقیاسپذیری
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| مقیاسپذیری گیتوی | – | سیستمی برای افزایش قابلیت اطمینان و کاهش تاخیر در ارتباط بین گروههای بزرگی از دستگاههای IoT با پراکندگی جغرافیایی؛ با استفاده از سازماندهی ساختار درختی پویا، پروتکل MQTT و CoAP [20]. | MQTTCoAP | بله |
| Large IoT deployement | Software Defined Provisioning | به یک چارچوب اشاره دارد که یک سیستم فعالسازی[14] پلتفرم IoT را فراهم میکند. در این سیستم، هر دستگاهی که دادهها را به سرویسها تحویل میدهد، باید قبل از ارتباط دادهها، دارای مجوز و تأیید شده باشد [21]. | SDN | بله |
| Cloud-Edge-Beneath | یک معماری ابر-سنسور با چهار لایه برای افزایش قابلیت مقیاسپذیری پیشنهاد شده است. در این معماری، شبکههای سنسور به صورت خودکار عمل میکنند و از طریق تعداد قابل مقیاسی از سرورهای لبه به ابر متصل میشوند، در حالی که ابر به دلیل قابلیت ارتجاعی[15] خود، یک زیرساخت قابل مقیاس فراهم میکند [22]. | رایانش ابری رایانش لبه | بله | |
| افزایش مقیاسپذیری شبکههای LoRa | EWS | تکنیک افزایش مقیاس پذیری شبکههای LoRa با تخصیص منابع بسته به پارامتر فاصله [23] | هندسه تصادفی | بله |
| مقیاسپذیری در SDN | – | پلتفرم عملکرد مقیاس پذیری رویکرد پیشنهادی را تجزیه و تحلیل میکند و در عین حال رشد پیش بینی شده شبکههای نوری را در نظر میگیرد [24]. | M2M SDN | بله |
پردازش بلادرنگ
سامانههای IoT مقدار قابل توجهی از دادههایی را تولید میکنند که شامل اندازه گیریها، اطلاعات سامانه، وضعیت سامانه و غیره هستند. پردازش این دادهها به دلیل وجود چندین مشکل یا محدودیت در این دادهها مانند پیچیدگی زمان و مکان و ناهمگونی دشوار است و باعث میشوند روشهای سنتی پردازش کلان دادهها قادر به برآورده کردن نیازهای پردازش دادههای IoT نباشند. لذا نیاز به تقویت پردازش بلادرنگ[16] وجود دارد تا سامانههای IoT کارآمدتر شوند. از اینرو IoT باید منابعی را برای پردازش و جمع آوری نتایج بسیار بزرگ و به صورت منظم فراهم کند. در پردازش بلادرنگ IoT چندین مرحله باید به صورت همزمان یا سریالی انجام شوند. این مراحل میتوانند شامل و نه محدود به جستجو و کشف منابع IoT، بازیابی دادهها، آماده سازی دادهها، پردازش دادهها، تحلیل دادهها و تصمیم گیری باشند. جدول 5 خلاصهای از راه حلهای مربوط به پردازش بلادرنگ در IoT است [4].
جدول 5: خلاصه راهکارهای رفع چالش پردازش بلادرنگ
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| جستجوی داده | DiscoWoT | روش کشف توسعه پذیر از چندین استراتژی اکتشافی برای نگاشت معنایی منابع وب استفاده میکند و به کاربران اجازه میدهد تا در زمان اجرا به استراتژیهای موجود اضافه کنند [25]. | فناوریهای وب کشف معنایی | خیر |
| جستجوی منبع | – | یک تکنیک جستجوی نمونه برای حسگرها که در آن کاربر بخشی از خروجی قبلی خود را به عنوان نمونه ارائه میکند و حسگرهایی را جستجو میکند که قبلاً خروجی قابل مقایسه ارائه کردهاند [26]. | منطق فازی | بله |
| – | چارچوبی برای کشف منابع به صورت خودکار در اینترنت اشیاء که یک موتور جستجو با قابلیت «جستجو[17]» را برای کشف یکپارچه میکند [27]. | فناوریهای وب | خیر | |
| دسته بندی داده | DSNP | تکنیک همجوشی داده برای خلاصه کردن دادهها در یک گره و از طریق پارامترهای ارائه شده توسط سرور یک برنامه IoT[28] | همجوشی داده | بله |
| MIST | یک رویکرد تجزیه و تحلیل داده مبتنی بر مه برای برنامههای سنجش جمعیت اینترنت اشیا با تأمین منابع مقرونبهصرفه [29] | رایانش مه فناوریهای بهینهسازی | بله | |
| پردازش داده | Firework | روشی برای فعال کردن به اشتراک گذاری و پردازش دادههای توزیع شده برای برنامههای کاربردی loT در حالی که دادهها و محاسبات در داخل مرکز داده ذینفعان نگهداری میشود [30]. | کلان داده رایانش ابری | خیر |
| – | معماری لایه ای برای سیستمهای حمل و نقل هوشمند با استفاده از کلان دادهها و پردازش مدیریت خدمات در زمان واقعی [31] | کلان داده | بله | |
| – | مکانیزمی برای استفاده از تجزیه و تحلیل کلان داده مبتنی بر اینترنت اشیا برای ساخت شهر هوشمند و برنامه ریزی شهری [32] | کلان داده | بله | |
| – | یک چارچوب ترکیبی که کلان داده، اینترنت اشیا و وب معنایی را برای ایجاد یک پلتفرم پیشرفته برای برنامههای کاربردی اینترنت اشیا در آینده ترکیب میکند [33]. | کلان داده یادگیری عمیق | خیر | |
| آگاه از زمینه[18] | – | چارچوبی که اینترنت اشیا، سیستمهای آگاه از زمینه و ابر را ترکیب میکند، اجازه میدهد دادههای محیطی از پایینترین سطح زیرساخت به سطح بالاتر برای تفسیر و تصمیمگیری ارسال شوند [34]. | رایانش ابری فناوریهای وب | بله |
تحرکپذیری
تحرکپذیری[19]، سیستم IoT را در دامنههای مبتنی بر اینترنت در دسترس قرار میدهد. چهار هدف اصلی تحرک پذیری شامل جمع آوری دادهها، پوشش، دسترسپذیری و گرههای انرژی[20] هستند. تحرک پذیری در IoT به طور نمایی در حال افزایش است زیرا فناوریها گسترش مییابند. علاوه بر این، تحرکپذیری تأمین تعادل یکنواخت بار و مصرف انرژی را تضمین میکند. همچنین، تعداد هاپهای لازم برای انتقال اطلاعات از گرههای حسگر به ایستگاه پایه را کاهش میدهد. گرههای سیار همچنین میتوانند مناطق دورافتاده را حفاظت کنند. این جنبههای چند منظوره میتوانند تداخلات[21]، برخوردها[22] و از دست رفتن پیامها را کمینه کنند. مهمترین طبقهبندی تحرکپذیری IoT، به عنوان تحرکپذیری گره حسگر[23]، تحرکپذیری رویداد[24] و تحرکپذیری [25]sink عنوان میشود. ویژگیهای IoT شامل فضای حافظه، قابلیت پردازشگر و منبع تغذیه، مدیریت تحرک پذیری IoT را محدود کرده است. ایدههای بسیاری پیشنهاد شده است که از روشهای متنوع برای حل مشکلات تحرکپذیری استفاده میکنند. جدول 6 شامل توضیحات خلاصه شده از راهحلهای تحرکپذیری توضیح داده شده در این بخش است [4].
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| تحرکپذیری IP | – | ارائه یک الگوریتم توزیع شده برای برقراری مجدد جلسات ارتباطی بین همتایان در یک بازه زمانی مناسب [35] | فناوریهای IP | بله |
| فعالسازی /آماده سازی دستگاهها | – | توسعه یک الگوریتم اولویت برای رتبهبندی و پردازش پیامهای ارسالی و دریافتی دستگاههای IoT [36] | رایانش ابری | بله |
| پیش بینی تحرک پذیری | – | ارائه یک سیستم پیشبینی تحرک ترکیبی که میتواند تحرک کاربران دستگاه اینترنت اشیا را پیشبینی کند [37]. | یادگیری عمیق | بله |
| handover | UbiFlow | یک سیستم تحرک سبک بر اساس هماهنگی کنترلرهای توزیع شده که بر روی بخشهای جغرافیایی مجزا پخش شده اند [38]. | SDN | بله |
جدول 6: خلاصه راهکارهای رفع چالش تحرکپذیری
محدودیت منابع
به طور کلی دستگاههای IoT با محدودیت منابع[26] مواجه هستند؛ به خصوص، دستگاههای IoT قابلیتهای پردازش، حافظه و انرژی محدود دارند. محیط IoT به پردازش و منابع ذخیرهسازی برای تبدیل دادهها به اطلاعات قابل استفاده یا خدمات نیاز دارد. برخی از برنامههای کاربردی به تاخیر حساس هستند، در حالی که سایر برنامهها، به منظور تحلیل دادههای تاریخی و سری زمانی، نیاز به پردازش پیچیده دارند. مدیریت این منابع به دلیل محدودیتهای ذکر شده بسیار حائز اهمیت است. بهبودهای مربوط به معماری IoT یا اصلاحات در برخی پروتکلها ممکن است برای مدیریت منابع IoT استفاده شود. روش دیگر، استفاده از نوآوریهای دیگر است که راه حل اصلی برای محدودیتهای ذکر شده باشند. رایانش ابری خدمات محاسباتی شامل نرمافزارها، سرورها و امکانات پردازشی، را از راه دور و بر اساس درخواست فراهم میکند. رایانش ابری میتواند از محدودیتهای سیستم IoT عبور کند یا آنها را کاهش دهد. جدول 9 خلاصه روشهای حل مشکلات محدودیت منابع IoT را نشان میدهد [4].
شکل 4 خلاصه ای از کلیه چالشهای مطرح شده و فناوریهای بکار رفته برای رفع آنها را نمایش میدهد.
جدول 7: خلاصه راهکارهای رفع چالش محدودیت منابع
| مسئله مشخص | نام راهکار | خلاصه راهکار | فناوریهای مرتبط | پیادهسازی شده |
| مصرف توان | – | الگوریتمهای پیشبینی لبه برای ارسال اطلاعات استنتاجی به جای دادههای خام به منظور کاهش عملیات و مصرف انرژی [39]. | رایانش لبه یادگیری ماشینی | بله |
| Transport Triggered Architecture | یک مکانیزم شتابدهنده یادگیری ماشین که قابلیت اعمال ویژگی صرفهجویی در انرژی را دارد [40]. | یادگیری ماشینی | بله | |
| محدودیتهای پردازشی | Lampda-CoAP | یک معماری برای ترکیب اینترنت اشیاء با محاسبات ابری که به اینترنت اشیاء در امور ذخیرهسازی، پردازش و شبکه کمک میکند [41]. | رایانش ابری | خیر |
| محدودیتهای پهنای باند و ذخیرهسازی | – | مدل یادگیری توزیع شده برای کاهش ارسال دادههای خام از گرههای توزیع شده به یک گره مرکزی [42]. | رایانش لبه یادگیری ماشینی | بله |
| محدودیتهای پهنای باند | – | مدل برای یادگیری فواصل نمونهبرداری مناسبتر جهت کاهش تعداد انتقالها و مصرف انرژی [43]. | یادگیری ماشینی | بله |
| – | سامانه مبتنی بر یادگیری ماشین که تلاش میکند به درک کانالهای قابل دسترس برای کاهش مصرف انرژی بپردازد [44]. | یادگیری ماشینی | بله |
شکل4: خلاصهای از چالشهای پیادهسازی IIoT و فناوریهای رفع آنها [4]
جمعبندی
صنعت 4.0 در حال حاضر به عنوان یک تغییر پارادایمی در جامعه به شناخت گستردهای رسیده است. در این مقاله مروری بر انقلابهای صنعتی و روند تکامل آنها از صنعت 1.0 تا 5.0 صورت گرفته است. به علاوه نگاهی به بحثهای موجود در جامعه تولید در مورد صنعت 4.0 و نقش IIoT در آن شده است. در ادامه مروری بر مفاهیم مرتبط با IIoT و تفاوتهای آنها صورت گرفته است. علاوه بر این، یک بررسی جامع از چالشهای IIoT ارائه شده است. طبق بررسی انجام شده ناهمگونی، ارتباطات، قابلیت مقیاسپذیری، پردازش بلادرنگ، تحرکپذیری و محدودیت منابع موانع اصلی پیادهسازی IIoT در بخشهای صنعتی هستند که راهحلهای رفع این چالشها و پژوهشهای مرتبط ارائه شده است. لازم به ذکر است در رفع این چالشها از فناوریهایی نظیر یادگیری عمیق، رایانش لبه، 5G، SDN و کلان داده استفاده شده است.
منابع
[1] Deshpande, S.N. and Jogdand, R.M., 2020. “A Survey on Internet of Things (IoT), Industrial IoT (IIoT) and Industry 4.0”. International Journal of Computer Applications, 175(27), pp.20-27.
[2] Barata, J. and Kayser, I., 2023. “Industry 5.0: Past, Present, and Near Future”. Procedia Computer Science, 219, pp.778-788.
[3] Sisinni, E., Saifullah, A., Han, S., Jennehag, U. and Gidlund, M., 2018. Industrial internet of things: Challenges, opportunities, and directions. IEEE transactions on industrial informatics, 14(11), pp.4724-4734.
[4] Alabadi, M., Habbal, A. and Wei, X., “Industrial internet of things: Requirements, architecture, challenges, and future research directions”, IEEE Access, 2022.
[5] S. Jabbar, F. Ullah, S. Khalid, M. Khan, and K. Han, ‘‘Semantic interoperability in heterogeneous IoT infrastructure for healthcare,’’ Wireless Commun. Mobile Comput., vol. 2017, pp. 1–10, Mar. 2017.
[6] K. Guo, Y. Tang, and P. Zhang, ‘‘CSF: Crowdsourcing semantic fusion for heterogeneous media big data in the Internet of Things,’’ Inf. Fusion, vol. 37, pp. 77–85, Sep. 2017.
[7] F. Montori, L. Bedogni, and L. Bononi, ‘‘On the integration of heterogeneous data sources for the collaborative Internet of Things,’’ in Proc. IEEE 2nd Int. Forum Res. Technol. Soc. Ind. Leveraging Better Tomorrow (RTSI), 2016, pp. 1–6.
[8] S. Wu, L. Bao, Z. Zhu, F. Yi, and W. Chen, ‘‘Storage and retrieval of massive heterogeneous IoT data based on hybrid storage,’’ in Proc. 13th Int. Conf. Natural Comput., Fuzzy Syst. Knowl. Discovery (ICNC-FSKD), Jul. 2018, pp. 2982–2987.
[9] L. Lan, R. Shi, B. Wang, and L. Zhang, ‘‘An IoT unified access platform for heterogeneity sensing devices based on edge computing,’’ IEEE Access, vol. 7, pp. 44199–44211, 2019.
[10] T. Park, N. Abuzainab, and W. Saad, ‘‘Learning how to communicate in the Internet of Things: Finite resources and heterogeneity,’’ IEEE Access, vol. 4, pp. 7063–7073, 2016.
[11] A. Munir, P. Kansakar, and S. U. Khan, ‘‘IFCIoT: Integrated fog cloud IoT: A novel architectural paradigm for the future Internet of Things,’’ IEEE Consum. Electron. Mag., vol. 6, no. 3, pp. 74–82, Jul. 2017.
[12] R. Shahzadi, A. Niaz, M. Ali, M. Naeem, J. J. Rodrigues, F. Qamar, and S. M. Anwar, ‘‘Three tier fog networks: Enabling IoT/5G for latency sensitive applications,’’ China Commun., vol. 16, no. 3, pp. 1–11, Mar. 2019.
[13] M. Ali, N. Riaz, M. I. Ashraf, S. Qaisar, and M. Naeem, ‘‘Joint cloudlet selection and latency minimization in fog networks,’’ IEEE Trans. Ind. Informat., vol. 14, no. 9, pp. 4055–4063, Sep. 2018.
[14] A. Ksentini, M. Jebalia, and S. Tabbane, ‘‘IoT/cloud-enabled smart services: A review on QoS requirements in fog environment and a proposed approach based on priority classification technique,’’ Int. J. Commun. Syst., vol. 34, no. 2, p. e4269, Jan. 2019.
[15] S. F. Abedin, G. R. Alam, S. M. A. Kazmi, N. H. Tran, D. Niyato, and C. S. Hong, ‘‘Resource allocation for ultra-reliable and enhanced mobile broadband IoT applications in fog network,’’ IEEE Trans. Commun., vol. 67, no. 1, pp. 489–502, Jan. 2019.
[16] N. C. Narendra, K. Koorapati, and V. Ujja, ‘‘Towards cloud-based decentralized storage for Internet of Things data,’’ in Proc. IEEE Int. Conf. Cloud Comput. Emerg. Markets (CCEM), Nov. 2016, pp. 160–168.
[17] M. Aazam and E.-N. Huh, ‘‘Fog computing micro datacenter based dynamic resource estimation and pricing model for IoT,’’ in Proc. IEEE 29th Int. Conf. Adv. Inf. Netw. Appl., Mar. 2015, pp. 687–694.
[18] N. Saxena, A. Roy, B. J. R. Sahu, and H. Kim, ‘‘Efficient IoT gateway over 5G wireless: A new design with prototype and implementation results,’’ IEEE Commun. Mag., vol. 55, no. 2, pp. 97–105, Feb. 2017.
[19] A. Pratap, R. Gupta, V. S. S. Nadendla, and S. K. Das, ‘‘On maximizing task throughput in IoT-enabled 5G networks under latency and bandwidth constraints,’’ in Proc. IEEE Int. Conf. Smart Comput. (SMARTCOMP), Jun. 2019, pp. 217–224.
[20] P. Bellavista and A. Zanni, ‘‘Towards better scalability for IoT-cloud interactions via combined exploitation of MQTT and CoAP,’’ in Proc. IEEE 2nd Int. Forum Res. Technol. Soc. Ind. Leveraging Better Tomorrow (RTSI), Sep. 2016, pp. 1–6.
[21] C. L. Tseng and F. J. Lin, ‘‘Extending scalability of IoT/M2M platforms with fog computing,’’ in Proc. IEEE World Forum Internet Things (WFIoT), Feb. 2018, pp. 825–830.
[22] Y. Xu and A. Helal, ‘‘Scalable cloud-sensor architecture for the Internet of Things,’’ IEEE Internet Things J., vol. 3, no. 3, pp. 285–298, Jun. 2016.
[23] D. Saluja, R. Singh, S. Gautam, and S. Kumar, ‘‘EWS: Exponential windowing scheme to improve LoRa scalability,’’ IEEE Trans. Ind. Informat., vol. 18, no. 1, pp. 252–265, Jan. 2022.
[24] M. Troscia, A. Sgambelluri, F. Paolucci, P. Castoldi, P. Pagano, and F. Cugini, ‘‘Scalable OneM2M IoT open-source platform evaluated in an SDN optical network controller scenario,’’ Sensors, vol. 22, no. 2, p. 431, Jan. 2022.
[25] S. Mayer and D. Guinard, ‘‘An extensible discovery service for smart things,’’ in Proc. ACM Int. Conf. Proc. Ser., 2011, pp. 1–6.
[26] C. Truong, K. Romer, and K. Chen, ‘‘Fuzzy-based sensor search in the web of things,’’ in Proc. 3rd IEEE Int. Conf. Internet Things, Oct. 2012, pp. 127–134.
[27] S. K. Datta and C. Bonnet, ‘‘Search engine based resource discovery framework for Internet of Things,’’ in Proc. IEEE 4th Global Conf. Consum. Electron. (GCCE), Oct. 2015, pp. 83–85.
[28] L. Maschi, A. Pinto, R. Meneguette, and A. Baldassin, ‘‘Data summarization in the node by parameters (DSNP): Local data fusion in an IoT environment,’’ Sensors, vol. 18, no. 3, p. 799, Mar. 2018.
[29] H. R. Arkian, A. Diyanat, and A. Pourkhalili, ‘‘MIST: Fog-based data analytics scheme with cost-efficient resource provisioning for IoT crowdsensing applications,’’ J. Netw. Comput. Appl., vol. 82, pp. 152–165, Mar. 2017.
[30] Q. Zhang, X. Zhang, Q. Zhang, W. Shi, and H. Zhong, ‘‘Firework: Big data sharing and processing in collaborative edge environment,’’ in Proc. 4th IEEE Workshop Hot Topics Web Syst. Technol. (HotWeb), Oct. 2016, pp. 20–25.
[31] M. Babar and F. Arif, ‘‘Real-time data processing scheme using big data analytics in Internet of Things based smart transportation environment,’’ J. Ambient Intell. Humanized Comput., vol. 10, no. 10, pp. 4167–4177, 2019.
[32] M. M. Rathore, A. Ahmad, and A. Paul, ‘‘IoT-based smart city development using big data analytical approach,’’ in Proc. IEEE Int. Conf. Automatica (ICA-ACCA), Oct. 2016, pp. 1–8.
[33] O. B. Sezer, E. Dogdu, M. Ozbayoglu, and A. Onal, ‘‘An extended IoT framework with semantics, big data, and analytics,’’ in Proc. IEEE Int. Conf. Big Data (Big Data), Dec. 2016, pp. 1849–1856.
[34] R. Dobrescu, D. Merezeanu, and S. Mocanu, ‘‘Context-aware control and monitoring system with IoT and cloud support,’’ Comput. Electron. Agricult., vol. 160, pp. 91–99, May 2019.
[35] K. Victor, J. Ulf, and G. Mikael, ‘‘Overlay enhanced mobility for the Internet of Things,’’ J. Netw., vol. 10, no. 7, Aug. 2015, pp. 420–430.
[36] S. Pattar, K. N. Lakshmi, D. Vala, V. Venkatesh, R. Buyya, K. R. Venugopal, S. S. Iyengar, and L. M. Patnaik, ‘‘Location-aware IoT search framework based on data messaging and aggregation techniques,’’ in Proc. Women Inst. Technol. Conf. Elect. Comput. Eng. (WITCON ECE), Nov. 2019, pp. 138–145.
[37] A. B. Adege, H.-P. Lin, and L.-C. Wang, ‘‘Mobility predictions for IoT devices using gated recurrent unit network,’’ IEEE Internet Things J., vol. 7, no. 1, pp. 505–517, Jan. 2020.
[38] D. Wu, D. I. Arkhipov, E. Asmare, Z. Qin, and J. A. McCann, ‘‘UbiFlow: Mobility management in urban-scale software defined IoT,’’ in Proc. IEEE Conf. Comput. Commun. (INFOCOM), Apr. 2015, pp. 208–216.
[39] K. Portelli and C. Anagnostopoulos, ‘‘Leveraging edge computing through collaborative machine learning,’’ in Proc. 5th Int. Conf. Future Internet Things Cloud Workshops (FiCloudW), Aug. 2017, pp. 164–169.
[40] J. Teittinen, M. Hiienkari, I. Žliobaite, J. Hollmen, H. Berg, J. Heiskala, T. Viitanen, J. Simonsson, and L. Koskinen, ‘‘A 5.3 pJ/op approximate TTA VLIW tailored for machine learning,’’ Microelectron. J., vol. 61, pp. 106–113, Mar. 2017.
[41] M. Díaz, C. Martín, and B. Rubio, ‘‘λ-CoAP: An Internet of Things and cloud computing integration based on the lambda architecture and CoAP,’’ in Proc. Int. Conf. Collaborative Comput., Netw., Appl. Worksharing, Springer, 2015, pp. 195–206.
[42] S. Wang, T. Tuor, T. Salonidis, K. K. Leung, C. Makaya, T. He, and K. Chan, ‘‘When edge meets learning: Adaptive control for resourceconstrained distributed machine learning,’’ in Proc. IEEE INFOCOM Conf. Comput. Commun., Apr. 2018, pp. 63–71.
[43] G. M. Dias, M. Nurchis, and B. Bellalta, ‘‘Adapting sampling interval of sensor networks using on-line reinforcement learning,’’ in Proc. IEEE 3rd World Forum Internet Things (WF-IoT), Dec. 2017, pp. 460–465.
[44] M. Chafii, F. Bader, and J. Palicot, ‘‘Enhancing coverage in narrow bandIoT using machine learning,’’ in Proc. IEEE Wireless Commun. Netw. Conf. (WCNC), vol. 2018, Apr. 2018, pp. 1–6.
پینوشت
[1] Digital transition
[2] Industrial Internet of Things (IIoT)
[3] Programable Logic Controller (PLC)
[4] Cyber-Physical Systems
[5] Customer IoT
[6] Heterogeneity
[7] Interoperability
[8] Connectivity
[9] Batch processing
[10] Latency
[11] cloudlet
[12] Self-organization
[13] Scalability
[14] Provisioning
[15] elasticity
[16] Real-time processing
[17] Look-up
[18] Context-aware
[19] Mobility
[20] energy nodes
[21] conflicts
[22] collisions
[23] sensor node mobility
[24] event mobility
[25] sink mobility
[26] Resource limitations
