論文の概要: An IoT Cloud and Big Data Architecture for the Maintenance of Home
Appliances
- arxiv url: http://arxiv.org/abs/2211.02627v1
- Date: Tue, 25 Oct 2022 13:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:55:50.245855
- Title: An IoT Cloud and Big Data Architecture for the Maintenance of Home
Appliances
- Title(参考訳): 家電機器のメンテナンスのためのIoTクラウドとビッグデータアーキテクチャ
- Authors: Pedro Chaves, Tiago Fonseca, Luis Lino Ferreira, Bernardo Cabral,
Orlando Sousa, Andre Oliveira, Jorge Landeck
- Abstract要約: この作業は分散型でスケーラブルなプラットフォームアーキテクチャを導入し、効率的なビッグデータ収集と分析のためにデプロイすることができる。
提案システムは,家電製品の予測保守のためのケーススタディで検証された。
実験結果から,提案システムは実世界のIoTシナリオに費用対効果と局所的なアプローチで対処する上で有用であることが示された。
- 参考スコア(独自算出の注目度): 0.0722732388409495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Billions of interconnected Internet of Things (IoT) sensors and devices
collect tremendous amounts of data from real-world scenarios. Big data is
generating increasing interest in a wide range of industries. Once data is
analyzed through compute-intensive Machine Learning (ML) methods, it can derive
critical business value for organizations. Powerfulplatforms are essential to
handle and process such massive collections of information cost-effectively and
conveniently. This work introduces a distributed and scalable platform
architecture that can be deployed for efficient real-world big data collection
and analytics. The proposed system was tested with a case study for Predictive
Maintenance of Home Appliances, where current and vibration sensors with high
acquisition frequency were connected to washing machines and refrigerators. The
introduced platform was used to collect, store, and analyze the data. The
experimental results demonstrated that the presented system could be
advantageous for tackling real-world IoT scenarios in a cost-effective and
local approach.
- Abstract(参考訳): 何十億ものiot(interconnected internet of things)センサーとデバイスが、現実世界のシナリオから膨大なデータを集めています。
ビッグデータは、幅広い産業への関心を高めている。
データが計算集約型機械学習(ML)メソッドで分析されると、組織にとって重要なビジネス価値が導き出される。
パワフルなプラットフォームは、このような大量の情報の処理と処理に費用対効果と利便性が不可欠です。
この作業は、分散でスケーラブルなプラットフォームアーキテクチャを導入し、効率的な実世界のビッグデータ収集と分析のためにデプロイすることができる。
提案システムは, 洗濯機や冷蔵庫に高取得周波数の電流センサと振動センサを接続した家電機器の予測保守のためのケーススタディで試験した。
導入されたプラットフォームは、データの収集、保存、分析に使用された。
実験の結果,提案システムは実世界のIoTシナリオに費用対効果と局所的なアプローチで対処する上で有効であることが示された。
関連論文リスト
- Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。
我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
論文 参考訳(メタデータ) (2024-08-01T21:38:09Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - Linking the Dynamic PicoProbe Analytical Electron-Optical Beam Line /
Microscope to Supercomputers [39.52789559084336]
Argonne National Laboratory(アルゴンヌ国立研究所)のDynamic PicoProbe(ダイナミック・ピコプローブ)は、1日に最大100GBのデータを生成できるアップグレードを行っている。
このデータは、基本的な科学と産業の両方のアプリケーションにとって非常に重要であるが、現在、これらの高ボリュームのデータストリームを扱うためのオンサイトインフラストラクチャは限られている。
本稿では,隣接するArgonne Leadership Computing Facilityにおいて,近隣のスーパーコンピュータへの大規模データ転送を支援するソフトウェアアーキテクチャを提供することにより,この問題に対処する。
このインフラストラクチャは、期待されるワークロードをサポートし、ドメインサイエンティストに過去の実験からデータを再インターロゲートして、さらなる科学的価値をもたらし、新たな洞察を導き出す機能を提供する。
論文 参考訳(メタデータ) (2023-08-25T23:07:58Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - A semantic web approach to uplift decentralized household energy data [4.233200689119682]
この分野の多くのデータベースは、エネルギーに関する情報を含む他の領域からサイロ化されている。
これにより、各機器のエネルギー消費に関する情報(テクストなど)が失われる可能性がある。
本稿では,家庭用エネルギーシステム上でのセマンティックWeb手法を検討することにより,スマートエネルギーシステムにおけるデータ分離問題に取り組む。
論文 参考訳(メタデータ) (2022-08-18T17:21:18Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳(メタデータ) (2022-04-29T08:06:05Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - An Automated Data Engineering Pipeline for Anomaly Detection of IoT
Sensor Data [0.0]
チップ技術、IoT(Internet of Things)、クラウドコンピューティング、人工知能といったシステムが、現在の問題を解決する可能性を高めている。
データ分析と機械学習/ディープラーニングの使用により、基盤となるパターンを学習し、IoTセンサから生成された大量のデータから何を学んだかに基づいて決定することができる。
プロセスにはIoTセンサ、Raspberry Pi、Amazon Web Services(AWS)、スマートホームセキュリティシステムの異常なケースを特定するための複数の機械学習技術の使用が含まれる。
論文 参考訳(メタデータ) (2021-09-28T15:57:29Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳(メタデータ) (2021-06-15T08:53:42Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳(メタデータ) (2020-12-08T17:26:10Z) - PicoDomain: A Compact High-Fidelity Cybersecurity Dataset [0.9281671380673305]
現在のサイバーセキュリティデータセットは、根拠のない真実を提供するか、匿名化されたデータでそれを行う。
既存のデータセットのほとんどは、プロトタイプ開発中に扱いにくいほどの大きさです。
本稿では,現実的な侵入から得られたZeekログのコンパクトな高忠実度収集であるPicoDomainデータセットを開発した。
論文 参考訳(メタデータ) (2020-08-20T20:18:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。