Модель розподілу елементарних потоків даних у туманній платформі підтримки інтернету речей
DOI:
https://doi.org/10.30837/ITSSI.2023.25.088Ключові слова:
туманні обчислення; Інтернет речей; метод DBSAN; метод C-Means; кластеризацiя; теоретико-множинне моделюванняАнотація
Предметом дослідження є моделі управління ресурсами та завданнями в туманному середовищі підтримки Інтернету речей (IoT). Зростання кількості підключених пристроїв та обсяги зібраної інформації в мережах IoT роблять актуальним необхідність удосконалення систем управління, які забезпечують оптимальний розподіл завдань і ресурсів. Туманне обчислення відіграє ключову роль у реалізації цього питання, розподіляючи обчислювальні завдання ближче до джерела інформації та кінцевих користувачів. Мета роботи полягає в підвищенні ефективності технологій туманних обчислень для забезпечення оптимального розподілу завдань і ресурсів у мережі IoT. Для досягнення мети розглянуті методи кластеризації, що допомагають створити групи обчислювальних ресурсів і визначити, які завдання необхідно розподілити між цими групами. Застосування відповідних методів кластеризації дає змогу зменшити затримки та підвищити загальну продуктивність системи IoT. Основні завдання цієї роботи. По-перше, зважаючи на різноманітні вимоги до обчислювальних ресурсів та завдань IoT, необхідно розглянути наявні методи й розробки. По-друге, важливо дослідити та порівняти методи кластеризації, зокрема DBSCAN та C-Means, для ефективного управління ресурсами. Метод кластеризації DBSCAN дає змогу ефективно розподіляти завдання залежно від їх місця розташування. Метод C-Means допомагає групувати ресурси за їх характеристиками. Третє завдання – розробити модель, основану на вхідних параметрах, таких як відповідь системи, потреби кластерів у ресурсах, віддаленість інформації для її оброблення тощо. Модель дасть змогу аналізувати ймовірні сценарії та приймати рішення щодо оптимального розподілу завдань і ресурсів у середовищі IoT. Висновки. Це дослідження спрямоване на розв’язання актуального питання – управління ресурсами та завданнями в туманному середовищі IoT. Розглянуто наявні методи й розробки у сфері управління ресурсами та завданнями в IoT. Порівняно методи кластеризації DBSCAN і C-Means для визначення їх ефективності в управлінні ресурсами. Розроблено теоретико-множинну модель, що ґрунтується на різних параметрах для прийняття оптимальних рішень щодо розподілу завдань і ресурсів. Установлено, що впровадження методів кластеризації та розробленої моделі допомагають підвищити продуктивність системи й забезпечити більш ефективне застосування обчислювальних ресурсів у туманному середовищі IoT.
Посилання
Список літератури
Alam T. Cloud-based IoT applications and their roles in smart cities. Smart Cities. Vol. 4(3), 2021. Р. 1196–1219. DOI:10.3390/smartcities4030064
Al-Haija Q.A. Top-Down Machine Learning-Based Architecture for Cyberattacks Identification and Classification in IoT Communication Networks. Frontiers in Big Data, Vol. 4. 2022. Р. 1–18. DOI: https://doi.org/10.3389/fdata.2021.782902
Uthayakumar J., Vengattaraman T. and Dhavachelvan P. A new lossless neighborhood indexing sequence (NIS) algorithm for data compression in wireless sensor networks. Ad Hoc Networks, Vol. 83, 2019. P. 149–157. DOI: https://doi.org/10.1016/j.adhoc.2018.09.009
Al-Hawawreh M., Elgendi I. and Munasinghe K. An Online Model to Minimize Energy Consumption of IoT sensors in Smart Cities. IEEE Sensors Journal, Vol. 22(20), 2022. P. 19524–19532. DOI: https://doi.org/10.1109/JSEN.2022.3199590
W. Jing, G. Chen, and Y. Cheng, DBSCAN-PSM: an improvement method of DBSCAN algorithm on Spark, International Journal of High Performance Computing and Networking, Vol.13, No.4, 417 р., 2019. URL: https://www.inderscience.com/offers.php?id=99265
Cordova I., Moh T. DBSCAN on Resilient Distributed Datasets, International Conference on High Performance Computing Simulation (HPCS). IEEE. 2015, P. 531–540. DOI: https://doi.org/10.1109/HPCSim.2015.7237086
Augustine S., Ananth J.P. Taylor kernel fuzzy C-means clustering algorithm for trust and energy-aware cluster head selection in wireless sensor networks. Wireless Networks, Vol. 26(7), 2020. P. 5113–5132. DOI: https://doi.org/10.1007/s11276-020-02352-w
He Y., Tan H., Luo W., Mao H., Ma D., Feng S., and Fan J., MR-DBSCAN: An Efficient Parallel Density-Based Clustering Algorithm Using MapReduce, IEEE 17th International Conference on Parallel and Distributed Systems. IEEE, 2011. P. 473–480. DOI: 10.1109/ICPADS.2011.83
D. Han, A. Agrawal, W.-k. Liao, and A. Choudhary, Parallel DBSCAN Algorithm Using a Data Partitioning Strategy with Spark Implementation, in 2018 IEEE International Conference on Big Data (Big Data). IEEE, 2018. P. 305–312. URL: https://www.scholars.northwestern.edu/en/publications/parallel-dbscan-algorithm-using-a-data-partitioning-strategy-with
Gong Y., Sinnott R. O., and Rimba P. RT-DBSCAN: RealTime Parallel Clustering of Spatio-Temporal Data Using SparkStreaming, Computational Science 2018. P. 524–539. DOI: 10.1007/978-3-319-93698-7_40
Ali N., Hamida S, Cherradi B et al. A computational performance study of unsupervised data clustering algorithms on GPU. 2nd international conference on innovative research in applied science, engineering and technology (IRASET). IEEE, Meknes, 2022. Р 1–6. DOI:10.1109/IRASET52964.2022.9737871
Cook S. CUDA programming: a developer’s guide to parallel computing with GPUs. Elsevier, MK, Amsterdam; Boston. 2013. 591 р. URL: https://usermanual.wiki/Pdf/Shane20CookCUDA20programming20A20developers20guide20to20parallel20computing20with20GPUsMorgan20Kaufmann202012.1739933505/help
Fritz F, Schmid M, Mottok J. Accelerating real-time applications with predictable work-stealing. Architecture of computing systems. ARCS. Springer International Publishing, Cham, 2020. Р. 241–255. URL: https://europepmc.org/article/pmc/pmc7343420
Li Y, Zhao K, Chu X, Liu J. Speeding up k-Means algorithm by GPUs. Journal of Computer and System Sciences Vol. 79, Issue 2, 2013. Р. 216– 229. DOI: https://doi.org/10.1016/j.jcss.2012.05.004
Sanders J, Kandrot E. CUDA by example: an introduction to general-purpose GPU programming. Addison-Wesley, Upper Saddle River, NJ. 2013. 311 р. URL: https://edoras.sdsu.edu/~mthomas/docs/cuda/cuda_by_example.book.pdf
Wasif M. K., Narayanan P. J. Scalable clustering using multiple GPUs. 18th international conference on high performance computing. IEEE. Bengaluru, 2011. Р. 1–10. DOI: https://doi.org/10.1016/j.engappai.2017.10.023
Rodriguez D., Gomez D., Alvarez D., Rivera S. A review of parallel heterogeneous computing algorithms in power systems. Algorithms. 2021. Vol. 14(10). 275 р. DOI: https://doi.org/10.3390/a14100275
References
Alam, T. (2021), "Cloud-based IoT applications and their roles in smart cities". Smart Cities. Vol. 4(3). Р. 1196–1219. DOI:10.3390/smartcities4030064
Al-Haija, Q.A. (2022),"Top-Down Machine Learning-Based Architecture for Cyberattacks Identification and Classification in IoT Communication Networks". Frontiers in Big Data, Vol. 4. Р. 1–18. DOI: https://doi.org/10.3389/fdata.2021.782902
Uthayakumar, J., Vengattaraman, T. and Dhavachelvan, P. (2019),"A new lossless neighborhood indexing sequence (NIS) algorithm for data compression in wireless sensor networks". Ad Hoc Networks, Vol. 83. P. 149–157. DOI: https://doi.org/10.1016/j.adhoc.2018.09.009
Al-Hawawreh, M., Elgendi I. and Munasinghe K. (2022), "An Online Model to Minimize Energy Consumption of IoT sensors in Smart Cities". IEEE Sensors Journal, Vol. 22(20). P. 19524–19532. DOI: https://doi.org/10.1109/JSEN.2022.3199590
Jing, W., Chen, G., and Cheng, Y. "DBSCAN-PSM: an improvement method of DBSCAN algorithm on Spark". International Journal of High Performance Computing and Networking, Vol. 13, No.4, 417 р., 2019. available at: https://www.inderscience.com/offers.php?id=99265
Cordova, I., Moh, T. (2015), "DBSCAN on Resilient Distributed Datasets". International Conference on High Performance Computing Simulation (HPCS). IEEE. P. 531–540. DOI: https://doi.org/10.1109/HPCSim.2015.7237086
Augustine, S., Ananth, J.P. (2020), "Taylor kernel fuzzy C-means clustering algorithm for trust and energy-aware cluster head selection in wireless sensor networks". Wireless Networks, Vol. 26(7). P. 5113–5132. DOI: https://doi.org/10.1007/s11276-020-02352-w
He, Y., Tan, H., Luo, W., Mao, H., Ma, D., Feng, S., and Fan, J. (2011), "MR-DBSCAN: An Efficient Parallel Density-Based Clustering Algorithm Using MapReduce", IEEE 17th International Conference on Parallel and Distributed Systems. IEEE. P. 473–480. DOI: 10.1109/ICPADS.2011.83
Han, D., Agrawal, A., Liao, W., and Choudhary, A. "Parallel DBSCAN Algorithm Using a Data Partitioning Strategy with Spark Implementation", in 2018 IEEE International Conference on Big Data (Big Data). IEEE, 2018. P. 305–312. available at: https://www.scholars.northwestern.edu/en/publications/parallel-dbscan-algorithm-using-a-data-partitioning-strategy-with
Gong, Y., Sinnott, R. O., and Rimba, P. (2018), "RT-DBSCAN: RealTime Parallel Clustering of Spatio-Temporal Data Using SparkStreaming", Computational Science. P. 524–539. DOI:10.1007/978-3-319-93698-7_40
Ali N., Hamida S, Cherradi B et al. (2022), "A computational performance study of unsupervised data clustering algorithms on GPU". 2nd international conference on innovative research in applied science, engineering and technology (IRASET). IEEE, Meknes, 2022. Р 1–6. DOI:10.1109/IRASET52964.2022.9737871
Cook, S. "CUDA programming: a developer’s guide to parallel computing with GPUs". Elsevier,
MK, Amsterdam; Boston. 2013. 591 р. available at: https://usermanual.wiki/Pdf/Shane20CookCUDA20programming20A20developers20guide20to20parallel20computing20with20GPUsMorgan20Kaufmann202012.1739933505/help
Fritz F, Schmid M, Mottok J. "Accelerating real-time applications with predictable work-stealing. Architecture of computing systems". ARCS. Springer International Publishing, Cham, 2020. Р. 241–255. available at: https://europepmc.org/article/pmc/pmc7343420
Li Y, Zhao K, Chu X, Liu J. (2013), "Speeding up k-Means algorithm by GPUs". Journal of Computer and System Sciences Vol. 79, Issue 2. Р. 216–229. DOI: https://doi.org/10.1016/j.jcss.2012.05.004
Sanders, J, Kandrot, E. "CUDA by example: an introduction to general-purpose GPU programming". Addison-Wesley, Upper Saddle River, NJ. 2013. 311 р. available at: https://edoras.sdsu.edu/~mthomas/docs/cuda/cuda_by_example.book.pdf
Wasif, M. K., Narayanan, P. J. (2011), "Scalable clustering using multiple GPUs". 18th international conference on high performance computing. IEEE. Bengaluru. Р. 1–10. DOI: https://doi.org/10.1016/j.engappai.2017.10.023
Rodriguez, D., Gomez, D., Alvarez, D., Rivera, S. (2021), "A review of parallel heterogeneous computing algorithms in power systems". Algorithms. 2021. Vol.14(10). 275 р. DOI: https://doi.org/10.3390/a14100275
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.