論文の概要: Comparison of Code Quality and Best Practices in IoT and non-IoT Software
- arxiv url: http://arxiv.org/abs/2408.02614v1
- Date: Mon, 5 Aug 2024 16:39:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 13:07:17.370948
- Title: Comparison of Code Quality and Best Practices in IoT and non-IoT Software
- Title（参考訳）: IoTおよび非IoTソフトウェアにおけるコード品質とベストプラクティスの比較
- Authors: Nour Khezemi, Sikandar Ejaza, Naouel Moha, Yann-Gaël Guéhéneuc,
- Abstract要約: 私たちは、IoTと非IoTシステムの2つの等価セットのコード品質を比較します。
次に、IoTと非IoTコードの観察された違いに対処するためのベストプラクティスのリストを選択して提示します。
- 参考スコア（独自算出の注目度）: 3.0711566483997075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: IoT systems, networks of connected devices powered by software, require studying software quality for maintenance. Despite extensive studies on non-IoT software quality, research on IoT software quality is lacking. It is uncertain if IoT and non-IoT systems software are comparable, hindering the confident application of results and best practices gained on non-IoT systems. Objective: Therefore, we compare the code quality of two equivalent sets of IoT and non-IoT systems to determine whether there are similarities and differences. We also collect and revisit software-engineering best practices in non-IoT contexts to apply them to IoT. Method: We design and apply a systematic method to select two sets of 94 non-IoT and IoT systems software from GitHub with comparable characteristics. We compute quality metrics on the systems in these two sets and then analyse and compare the metric values. We analyse in depth and provide specific examples of IoT system's complexity and how it manifests in the codebases. After the comparison, We systematically select and present a list of best practices to address the observed difference between IoT and non-IoT code. Results: Through a comparison of metrics, we conclude that software for IoT systems is more complex, coupled, larger, less maintainable, and cohesive than non-IoT systems. Several factors, such as integrating multiple hardware and software components and managing data communication between them, contribute to these differences. Considering these differences, we present a revisited best practices list with approaches, tools, or techniques for developing IoT systems. As example, applying modularity, and refactoring are best practices for lowering the complexity. Conclusion: Based on our work, researchers can now make an informed decision using existing studies on the quality of non-IoT systems for IoT systems.
- Abstract（参考訳）: コンテキスト: ソフトウェアによって駆動される接続デバイスのネットワークであるIoTシステムは、メンテナンスのためにソフトウェア品質を研究する必要がある。
IoTソフトウェアの品質に関する広範な研究にもかかわらず、IoTソフトウェアの品質に関する研究は不足している。
IoTおよび非IoTシステムソフトウェアが同等であるかどうかは不明であり、非IoTシステムで得られた結果とベストプラクティスの確実な適用を妨げる。
目的: そのため、2つの同等のIoTおよび非IoTシステムのコード品質を比較し、類似点と相違点があるかどうかを判断する。
また、ソフトウェアエンジニアリングのベストプラクティスをIoT以外のコンテキストで収集し、再検討して、それらをIoTに適用します。
メソッド: 同等の特徴を持つGitHubから、94の非IoTおよびIoTシステムの2つのセットを選択するために、システマティックなメソッドを設計し、適用します。
この2つのセットでシステムの品質指標を計算し、その測定値を分析して比較する。
より深く分析し、IoTシステムの複雑性とコードベースの表示方法の具体的な例を提供します。
比較後、IoTと非IoTコードの観察された違いに対処するためのベストプラクティスのリストを体系的に選択し、提示する。
結果: メトリクスの比較を通じて、IoTシステム用のソフトウェアは、非IoTシステムよりも複雑で、結合性があり、大きく、保守性がなく、凝集性が高いと結論付けます。
複数のハードウェアとソフトウェアコンポーネントの統合や、それらの間のデータ通信の管理など、いくつかの要因が、これらの違いに貢献している。
これらの違いを考慮すると、IoTシステムを開発するためのアプローチ、ツール、テクニックを含む、再検討されたベストプラクティスリストを提示する。
例えば、モジュール化やリファクタリングは複雑さを下げるためのベストプラクティスです。
結論: 私たちの研究に基づいて、研究者はIoTシステムのためのIoTシステムの品質に関する既存の研究を使用して、情報的な決定を下すことができます。
関連論文リスト
- IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - A Lean Simulation Framework for Stress Testing IoT Cloud Systems [16.004920480830858]
モノのインターネット(Internet of Things)は、スマートシティ、自動運転車、健康モニタリングなど、さまざまな分野のスマートデバイスを世界中に接続する。
シミュレーションはIoTシステムのテストにおいて重要な役割を果たす。
既存のIoT用のストレステストソリューションは、かなりの計算リソースを必要とするため、不適合でコストがかかる。
クラウドと通信する多数のIoTデバイスとエッジデバイスの効率的なシミュレーションを可能にする,IoTクラウドストレステスト用に設計されたリーンシミュレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-17T16:36:55Z) - 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) - MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。
運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。
既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。
本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
論文 参考訳（メタデータ） (2023-11-10T18:13:08Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - IoT-based Route Recommendation for an Intelligent Waste Management
System [61.04795047897888]
本研究は, 空間制約を考慮したIoT対応廃棄物管理システムにおいて, 経路推薦のためのインテリジェントなアプローチを提案する。
我々のソリューションは、ビンの状態と座標を考慮に入れた複数レベルの意思決定プロセスに基づいている。
論文 参考訳（メタデータ） (2022-01-01T12:36:22Z) - 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) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Machine learning and data analytics for the IoT [8.39035688352917]
機械学習解析におけるIoT生成データの処理方法について概観する。
我々は、IoTアプリケーションが他のIoTアプリケーションから適応的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-30T07:38:31Z) - Machine Learning in the Internet of Things for Industry 4.0 [0.0]
このようなシステムの組織化は,ハードウェア層からソフトウェア層まで,さらにはIoTシステムに必要な応答時間に至るまで,処理スタック全体に依存することを示す。
本稿では,このようなシステムのフロー処理スタックと,エッジやクラウド上での学習や推論の拡散を可能にする,組織的な機械学習アーキテクチャパターンを提案する。
論文 参考訳（メタデータ） (2020-05-22T12:43:15Z) - LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations [8.647853543335662]
我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。
LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。
LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
論文 参考訳（メタデータ） (2020-01-28T06:34:35Z)
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。