Модель інтелектуального аналізу даних в IIoT

Simple item page
dc.citation.epage18
dc.citation.issue2
dc.citation.journalTitleІнфокомунікаційні технології та електронна інженерія
dc.citation.spage11
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorКлимаш, М.
dc.contributor.authorГордійчук-Бублівська, О.
dc.contributor.authorКоваль, Б.
dc.contributor.authorKlymash, M.
dc.contributor.authorHordiichuk-Bublivska, O.
dc.contributor.authorKoval, B.
dc.date.accessioned2023-03-03T13:06:19Z
dc.date.available2023-03-03T13:06:19Z
dc.date.created2021-01-31
dc.date.issued2021-01-31
dc.description.abstractВ роботі подано огляд методів інтелектуальної обробки даних у системах промислового Інтернету речей. Наведено порівняння методів аналізу великих даних у промислових системах зі значним навантаженням. Запропоновано використовувати для опрацювання даних методи розподіленого машинного навчання. Розроблено програмну модель для аналізу даних різних обсягів. Проаналізовано основні підходи до організації машинного навчання: федеративне і нерозподілене навчання. Експериментально доведено ефективність використання федеративного машинного навчання, оскільки воно забезпечує вищу точність оброблення даних, навіть у разі збільшення їх обсягів. Визначено, що нерозподілене машинне навчання працює швидше, отже, може використовуватися в системах, пріоритетом для яких є менший час обробки даних. Такий підхід відкриває можливості створення адаптивної моделі системи промислового Інтернету речей, що здатна самонавчатися та коригувати власну інфраструктуру залежно від зміни параметрів.
dc.description.abstractAn overview of intelligent data processing methods in the systems of the Industrial Internet of Things is presented in this paper. A comparison of Big Data analysis methods in industrial systems with a significant load is provided. The methods of distributed machine learning for data processing are offered. A software model for data analysis of different volumes is developed in the work. The analysis of the basic approaches to the organization of machine learning is carried out: federal and undistributed. The effectiveness of the use of federal machine learning was experimentally proven, as it provides higher accuracy of data processing, even when increasing their volume. It is determined that unallocated machine learning works faster, so it can be used in systems where fast data processing is a priority. This approach opens up the possibility of creating an adaptive model of the Industrial Internet of Things system that can self-learn and adjust itsinfrastructure depending on changing parameters.
dc.format.extent11-18
dc.format.pages8
dc.identifier.citationКлимаш М. Модель інтелектуального аналізу даних в IIoT / М. Климаш, О. Гордійчук-Бублівська, Б. Коваль // Інфокомунікаційні технології та електронна інженерія. — Львів : Видавництво Львівської політехніки, 2021. — Vol 1. — № 2. — С. 11–18.
dc.identifier.citationenKlymash M., Hordiichuk-Bublivska O., Koval B. (2021) Model intelektualnoho analizu danykh v IIoT [Intellectual data analysis model in IIоT]. Infocommunication Technologies and Electronic Engineering (Lviv), vol. 1, no 2, pp. 11-18 [in Ukrainian].
dc.identifier.doihttps://doi.org/10.23939/ictee2021.02.011
dc.identifier.issn2786-4553
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/57494
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofІнфокомунікаційні технології та електронна інженерія, 2 (1), 2021
dc.relation.ispartofInfocommunication Technologies and Electronic Engineering, 2 (1), 2021
dc.relation.references[1] Hwaiyu, G. (2017), “The Industrial Internet of Things (IIoT)” Internet of Things and Data Analytics Handbook , Wiley, pp. 41–81. DOI: 10.1002/9781119173601.ch3.
dc.relation.references[2] Abuhasel, K. and Khan, M. (2020), “A Secure Industrial Internet of Things (IIoT) Framework for Resource Management in Smart Manufacturing”, in IEEE Access, Vol. 8, pp. 117354–117364.
dc.relation.references[3] Paul, D., Chakraborty, T., Datta, S. and Paul, D. (2018), “IoT and Machine Learning Based Prediction of Smart Building Indoor Temperature”, 4th International Conference on Computer and Information Sciences (ICCOINS), pp. 1–6. DOI: 10.1109/ICCOINS.2018.8510597.
dc.relation.references[4] Khan, L., Saad, W., Han, Z., Hossain, E. and Hong, C. (2021), “Federated Learning for Internet of Things: Recent Advances, Taxonomy, and Open Challenges”, in IEEE Communications Surveys & Tutorials, Vol. 23, No. 3, pp. 1759–1799.
dc.relation.references[5] Yang, K., Shi, K., Zhou, Y., Yang, Z., Fu, L. and Chen, W. (2020), “Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface”, in IEEE Network, Vol. 34, No. 5, pp. 16–22.
dc.relation.references[6] Nguyen, D., Ding, M., Pathirana, P., Seneviratne, A. and Vincent Poor, H. (2021), “Federated Learning for Internet of Things: A Comprehensive Survey”, in IEEE Communications Surveys & Tutorials, Vol. 23, No. 3, pp. 1622–1658.
dc.relation.references[7] Elayan, H., Aloqaily, M. and Guizani, M. (2021), “Deep Federated Learning for IoT-based Decentralized Healthcare Systems”, 2021 International Wireless Communications and Mobile Computing (IWCMC), pp. 105–109. DOI: 10.1109/IWCMC51323.2021.9498820.
dc.relation.referencesen[1] Hwaiyu, G. (2017), "The Industrial Internet of Things (IIoT)" Internet of Things and Data Analytics Handbook , Wiley, pp. 41–81. DOI: 10.1002/9781119173601.ch3.
dc.relation.referencesen[2] Abuhasel, K. and Khan, M. (2020), "A Secure Industrial Internet of Things (IIoT) Framework for Resource Management in Smart Manufacturing", in IEEE Access, Vol. 8, pp. 117354–117364.
dc.relation.referencesen[3] Paul, D., Chakraborty, T., Datta, S. and Paul, D. (2018), "IoT and Machine Learning Based Prediction of Smart Building Indoor Temperature", 4th International Conference on Computer and Information Sciences (ICCOINS), pp. 1–6. DOI: 10.1109/ICCOINS.2018.8510597.
dc.relation.referencesen[4] Khan, L., Saad, W., Han, Z., Hossain, E. and Hong, C. (2021), "Federated Learning for Internet of Things: Recent Advances, Taxonomy, and Open Challenges", in IEEE Communications Surveys & Tutorials, Vol. 23, No. 3, pp. 1759–1799.
dc.relation.referencesen[5] Yang, K., Shi, K., Zhou, Y., Yang, Z., Fu, L. and Chen, W. (2020), "Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface", in IEEE Network, Vol. 34, No. 5, pp. 16–22.
dc.relation.referencesen[6] Nguyen, D., Ding, M., Pathirana, P., Seneviratne, A. and Vincent Poor, H. (2021), "Federated Learning for Internet of Things: A Comprehensive Survey", in IEEE Communications Surveys & Tutorials, Vol. 23, No. 3, pp. 1622–1658.
dc.relation.referencesen[7] Elayan, H., Aloqaily, M. and Guizani, M. (2021), "Deep Federated Learning for IoT-based Decentralized Healthcare Systems", 2021 International Wireless Communications and Mobile Computing (IWCMC), pp. 105–109. DOI: 10.1109/IWCMC51323.2021.9498820.
dc.rights.holder© Національний університет „Львівська політехніка“, 2021
dc.subjectIIoT
dc.subjectBig Data
dc.subjectфедеративне машинне навчання
dc.subjectIIoT
dc.subjectBig Data
dc.subjectFederated Learning
dc.subject.udc621.126
dc.titleМодель інтелектуального аналізу даних в IIoT
dc.title.alternativeIntellectual data analysis model in IIоT
dc.typeArticle

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
2021v1n2_Klymash_M-Intellectual_data_analysis_11-18.pdf
Size:
976.66 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.83 KB
Format:
Plain Text
Description:
Download

Collections

Infocommunication Technologies and Electronic Engineering. – 2021. – Vol. 1, No. 2