Мониторинг надежности пользовательских вычислительных устройств в режиме реального времени: систематическое отображение

Обложка

Цитировать

Полный текст

Аннотация

Данный исследовательский обзор сосредоточен на мониторинге надежности вычислительных систем в режиме реального времени на стороне пользователя. В условиях гетерогенной и распределенной вычислительной среды, где отсутствует централизованный контроль, исследуется использование моделей искусственного интеллекта для поддержки процессов принятия решений в мониторинге надежности системы. Методология исследования основана на систематическом отображении предыдущих исследований, опубликованных в научных базах данных IEEE и Scopus. Анализ проведен на основе 50 научных статей, опубликованных с 2013 по 2022 годы, показал растущий научный интерес к данной области. Основное применение исследуемого метода связано с сетевыми технологиями и здравоохранением. Данный метод нацелен на интеграцию сети медицинских сенсоров и управляющих данных с пользовательскими вычислительными устройствами. Однако этот метод также применяется в промышленном и экологическом мониторинге. Выводы исследования показывают, что мониторинг надежности пользовательских вычислительных устройств в режиме реального времени находится на начальной стадии развития. Он не имеет стандартов, но за последние два года приобрел значительное значение и интерес. Большинство исследуемых статей сосредоточены на методах сбора данных с использованием уведомлений для поддержки централизованных стратегий принятия решений. Однако, существует множество возможностей для дальнейшего развития данного метода, таких как совместимость данных, федеративные и совместные модели принятия решений, формализация экспериментального дизайна, суверенитет данных, систематизация базы данных для использования предыдущих знаний и опыта, стратегии калибровки и повторной корректировки для источников данных.

Об авторах

М. Х Диван

Корпорация Intel

Автор, ответственный за переписку.
Email: mario.jose.divan.koller@intel.com
25-я авеню, Кампус Джонс Фарм 3

Д. А Щемелинин

Корпорация Intel

Email: dshchmel@gmail.com
25-я авеню, Кампус Джонс Фарм 3

М. E Карранса

Корпорация Intel

Email: marcos.e.carranza@intel.com
25-я авеню, Кампус Джонс Фарм 3

Ц. И Мартинес-Спессот

Корпорация Intel

Email: cesar.martinez@intel.com
25-я авеню, Кампус Джонс Фарм 3

М. В Буйневич

Санкт-Петербургский университет государственной противопожарной службы МЧС России

Email: bmv1958@yandex.ru
Московский проспект 149

Список литературы

  1. Sun Y., Kadota I., Talak R., Modiano E. Age of Information: A New Metric for Information Freshness // Springer Cham, 2020. doi: 10.2200/S00954ED2V01Y201909CNT023.
  2. Li H., Li X., Cheng Q. A fine-grained privacy protection data aggregation scheme for outsourcing smart grid // Frontiers of Computer Science. 2023. vol. 17. no. 3. doi: 10.1007/s11704-022-2003-y.
  3. Murtadha M.K., Mushgil B.M. Flexible handover solution for vehicular ad-hoc networks based on software-defined networking and fog computing // International Journal of Electrical and Computer Engineering. 2023. vol. 13. no. 2. pp. 1570–1579. doi: 10.11591/ijece.v13i2.
  4. Zhang H., Qi Q., Ji W., Tao F. An update method for digital twin multi-dimension models // Robotics and Computer-Integrated Manufacturing. 2023. vol. 80. doi: 10.1016/j.rcim.2022.102481.
  5. Algiriyage N., Prasanna R., Stock K., Doyle E.E., Johnston D. DEES: a real-time system for event extraction from disaster-related web text // Social Network Analysis and Mining. 2023. vol. 13. no. 1. doi: 10.1007/s13278-022-01007-2.
  6. Mokhtar M.N.A.B.D., Ismail I., Hamzah W.M.A.F.W., Shamsuddin S.N.W., Arsad M.A.M. Real-Time Dream House Decorator in the Virtual Reality Environment // International Conference on Business and Technology. Cham: Springer International Publishing, 2021. vol. 487. pp. 525–537. doi: 10.1007/978-3-031-08084-5_38.
  7. Grover J. Industrial IoT and Its Applications // IoT for Sustainable Smart Cities and Society. 2022. pp. 107–124. doi: 10.1007/978-3-030-89554-9_5.
  8. Singh M., Srivastava R., Fuenmayor E., Kuts V., Qiao Y., Murray N., Devine D. Applications of Digital Twin across Industries: A Review // Applied Sciences. 2022. vol. 12. no. 11. doi: 10.3390/app12115727.
  9. Wei C., Xu J., Li Q., Jiang S. An Intelligent Wildfire Detection Approach through Cameras Based on Deep Learning // Sustainability. 2022. vol. 14. no. 23. doi: 10.3390/su142315690.
  10. Prabhu B.VB., Lakshmi R., Ankitha R., Prateeksha M.S., Priya N.C. RescueNet: YOLO-based object detection model for detection and counting of flood survivors // Modeling Earth Systems and Environment. 2022. vol. 8. no. 4. pp. 4509–4516. doi: 10.1007/s40808-022-01414-6.
  11. Kumar N., Ramesh M.V. Accurate IoT Based Slope Instability Sensing System for Landslide Detection // IEEE Sensors Journal. 2022. vol. 22. no. 17. pp. 17151–17161. doi: 10.1109/JSEN.2022.3189903.
  12. Wei Z., Zhu M., Zhang N., Wang L., Zou Y., Meng Z., Wu H., Feng Z. UAV-Assisted Data Collection for Internet of Things: A Survey // IEEE Internet of Things Journal. 2022. vol. 9. no. 17. pp. 15460–15483. doi: 10.1109/JIOT.2022.3176903.
  13. Salau B.A., Rawal A., Rawat D.B. Recent Advances in Artificial Intelligence for Wireless Internet of Things and Cyber-Physical Systems: A Comprehensive Survey // IEEE Internet of Things Journal. 2022. vol. 9. no. 15. pp. 12916–12930. doi: 10.1109/JIOT.2022.3170449.
  14. Costa B., Bachiega J., De Carvalho L.R., Araujo A.P. Orchestration in Fog Computing: A Comprehensive Survey // ACM Computing Surveys. 2023. vol. 55. no. 2. doi: 10.1145/3486221.
  15. Niveditha P.S., John S.P., Simpson S.V. Review on Edge Computing-assisted d2d Networks // International Conference on Innovative Computing and Communications: Proceedings of ICICC. 2022. pp. 41–58. doi: 10.1007/978-981-19-2821-5_4.
  16. Nguyen T.A., Kaliappan V.K., Jeon S., Jeon K.-S., Lee J.-W., Min D. Blockchain Empowered Federated Learning with Edge Computing for Digital Twin Systems in Urban Air Mobility // In Asia-Pacific International Symposium on Aerospace Technology. 2023. pp. 935–950. doi: 10.1007/978-981-19-2635-8_69.
  17. ISO/IEC 25010. Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models. 2011. Available at: https://www.iso.org/standard/35733.html (accessed 20.09.2023).
  18. Divan M.J., Sanchez-Reynoso M.L., Panebianco J.E., Mendez M.J. IoT-Based Approaches for Monitoring the Particulate Matter and Its Impact on Health // IEEE Internet of Things Journal. 2021. vol. 8. no. 15. pp. 11983–12003. doi: 10.1109/JIOT.2021.3068898.
  19. Divan M.J. Data-driven decision making // Proceeding of International Conference on Infocom Technologies and Unmanned Systems (Trends and Future Directions) (ICTUS). 2017. pp. 50–56. doi: 10.1109/ICTUS.2017.8285973.
  20. Runeson P., Host M. Guidelines for conducting and reporting case study research in software engineering // Empirical software engineering. 2009. vol. 14. pp. 131–164. doi: 10.1007/s10664-008-9102-8.
  21. Verner J.M., Sampson J., Tosic V., Bakar N.A., Kitchenham B.A. Guidelines for industrially-based multiple case studies in software engineering // Proceeding of Third International Conference on Research Challenges in Information Science. 2009. pp. 313–324. doi: 10.1109/RCIS.2009.5089295.
  22. Petersen K., Vakkalanka S., Kuzniarz L. Guidelines for conducting systematic mapping studies in software engineering: An update // Information and software technology. 2015. vol. 64. pp. 1–18. doi: 10.1016/j.infsof.2015.03.007.
  23. Prajeesha, Anuradha M. EDGE Computing Application in SMART GRID-A Review // Proceeding of the 2nd International Conference on Electronics and Sustainable Communication Systems (ICESC'2021). 2021. pp. 397–402. doi: 10.1109/ICESC51422.2021.9532792.
  24. Anikwe C.V., Nweke H.F., Ikegwu A.C., Egwuonwu C.A., Onu F.U., Alo U.R., Teh Y.W. Mobile and wearable sensors for data-driven health monitoring system: State-of-the-art and prospect // Expert Systems with Applications. 2022. vol. 202. doi: 10.1016/j.eswa.2022.117362.
  25. Hu Z., Xu X., Zhang Y., Tang H., Cheng Y., Qian C., Khosravi M.R.. Cloud–edge cooperation for meteorological radar big data: a review of data quality control // Complex and Intelligent Systems. 2021. doi: 10.1007/s40747-021-00581-w.
  26. Groshev M., Guimaraes C., De La Oliva A., Gazda R. Dissecting the Impact of Information and Communication Technologies on Digital Twins as a Service // IEEE Access. 2021. vol. 9. pp. 102862–102876. doi: 10.1109/ACCESS.2021.3098109.
  27. Begum B.A. Nandury S.V. A Survey of Data Aggregation Protocols for Energy Conservation in WSN and IoT // Wireless Communications and Mobile Computing. 2022. vol. 2022. doi: 10.1155/2022/8765335.
  28. Gurewitz O., Shifrin M., Dvir E. Data Gathering Techniques in WSN: A Cross-Layer View // Sensors. 2022. vol. 22. no. 7. doi: 10.3390/s22072650.
  29. Bayih A.Z., Morales J., Assabie Y., de By R.A. Utilization of Internet of Things and Wireless Sensor Networks for Sustainable Smallholder Agriculture // Sensors. 2022. vol. 22. no. 9. doi: 10.3390/s22093273.
  30. Mirani A.A., Velasco-Hernandez G., Awasthi A., Walsh J. Key Challenges and Emerging Technologies in Industrial IoT Architectures: A Review // Sensors. 2022. vol. 22, no. 15. doi: 10.3390/s22155836.
  31. Bagwari S., Gehlot A., Singh R., Priyadarshi N., Khan B. Low-Cost Sensor-Based and LoRaWAN Opportunities for Landslide Monitoring Systems on IoT Platform: A Review // IEEE Access. 2022. vol. 10. pp. 7107–7127. doi: 10.1109/ACCESS.2021.3137841.
  32. Shahbazi Z., Byun Y.-C. Analysis of the Security and Reliability of Cryptocurrency Systems Using Knowledge Discovery and Machine Learning Methods // Sensors. 2022. vol. 22. no. 23. doi: 10.3390/s22239083.
  33. Amador-Domínguez E., Serrano E., Manrique D. GEnI: A framework for the generation of explanations and insights of knowledge graph embedding predictions // Neurocomputing. 2023. vol. 521. pp. 199–212. doi: 10.1016/j.neucom.2022.12.010.
  34. Valente F., Paredes S., Henriques J., Rocha T., de Carvalho P., Morais J. Interpretability, personalization and reliability of a machine learning based clinical decision support system // Data Min. Knowl. Discov. 2022. vol. 36. no. 3. pp. 1140–1173. doi: 10.1007/s10618-022-00821-8.
  35. Yang B., Bai X., Zhang C. Data Collection Method of Energy Adaptive Distributed Wireless Sensor Networks Based on UAV // Wirel. Commun. Mob. Comput. 2022. vol. 2022. doi: 10.1155/2022/3469221.
  36. Bai Y., Cao L., Wang S., Ding H., Yue Y. Data Collection Strategy Based on OSELM and Gray Wolf Optimization Algorithm for Wireless Sensor Networks // Comput. Intell. Neurosci. 2022. vol. 2022. doi: 10.1155/2022/4489436.
  37. Wei D. et al. Power-Efficient Data Collection Scheme for AUV-Assisted Magnetic Induction and Acoustic Hybrid Internet of Underwater Things // IEEE Internet Things J. 2022. vol. 9. no. 14. pp. 11675–11684. doi: 10.1109/JIOT.2021.3131679.
  38. Benmansour F.L., Labraoui N.A. Comprehensive Review on Swarm Intelligence-Based Routing Protocols in Wireless Multimedia Sensor Networks // Int. J. Wirel. Inf. Networks. 2021. vol. 28. no. 2. pp. 175–198. doi: 10.1007/s10776-021-00508-9.
  39. Hannan M.A., Hassan K., Jern K.P. A review on sensors and systems in structural health monitoring: Current issues and challenges // Smart Struct. Syst. 2018. vol. 22. no. 5. pp. 509–525. doi: 10.12989/sss.2018.22.5.509.
  40. Ajakwe S.O., Nwakanma C.I., Kim D.-S., Lee J.-M. Key Wearable Device Technologies Parameters for Innovative Healthcare Delivery in B5G Network: A Review // IEEE Access. 2022. vol. 10. pp. 49956–49974. doi: 10.1109/ACCESS.2022.3173643.
  41. SJR – SCImago Journal and Country Rank [Official web site of SCImago]. 2020. Available at: www.scimagojr.com (accessed 23.09.2020).
  42. Guerrero-Bote V.P., Moya-Anegón F. A further step forward in measuring journals’ scientific prestige: The SJR2 indicator // J. Informetr. 2012. vol. 6. no. 4. pp. 674–688. doi: 10.1016/j.joi.2012.07.001.
  43. Sung W., Hsu C. IOT system environmental monitoring using IPSO weight factor estimation // Sens. Rev. 2013. vol. 33. no. 3, pp. 246–256. doi: 10.1108/02602281311324708.
  44. Pournaras E., Yao M., Helbing D. Self-regulating supply–demand systems // Futur. Gener. Comput. Syst. 2017. vol. 76. pp. 73–91. doi: 10.1016/j.future.2017.05.018.
  45. Satija U., Ramkumar B., Manikandan M.S. Real-Time Signal Quality-Aware ECG Telemetry System for IoT-Based Health Care Monitoring // IEEE Internet Things J. 2017. vol. 4. no. 3. pp. 815–823. doi: 10.1109/JIOT.2017.2670022.
  46. Al-Jaroodi J., Mohamed N. PsCPS: A Distributed Platform for Cloud and Fog Integrated Smart Cyber-Physical Systems // IEEE Access. 2018. vol. 6. pp. 41432–41449. doi: 10.1109/ACCESS.2018.2856509.
  47. Pore M., Chakati V., Banerjee A., Gupta S.K.S. ContextAiDe // ACM Trans. Internet Technol. 2019. vol. 19. no. 2. pp. 1–23. doi: 10.1145/3301444.
  48. Albahri O.S. et al. Fault-Tolerant mHealth Framework in the Context of IoT-Based Real-Time Wearable Health Data Sensors // IEEE Access. 2019. vol. 7, pp. 50052–50080. doi: 10.1109/ACCESS.2019.2910411.
  49. Cao K., Xu G., Zhou J., Wei T., Chen M., Hu S. QoS-Adaptive Approximate Real-Time Computation for Mobility-Aware IoT Lifetime Optimization // IEEE Trans. Comput. Des. Integr. Circuits Syst. 2019. vol. 38. no. 10. pp. 1799–1810. doi: 10.1109/TCAD.2018.2873239.
  50. Dong R., She C., Hardjawana W., Li Y., Vucetic B. Deep Learning for Hybrid 5G Services in Mobile Edge Computing Systems: Learn From a Digital Twin // IEEE Trans. Wirel. Commun. 2019. vol. 18. no. 10. pp. 4692–4707. doi: 10.1109/TWC.2019.2927312.
  51. Xu X., He C., Xu Z., Qi L., Wan S., Bhuiyan M.Z.A. Joint Optimization of Offloading Utility and Privacy for Edge Computing Enabled IoT // IEEE Internet Things J. 2020. vol. 7. no. 4. pp. 2622–2629. doi: 10.1109/JIOT.2019.2944007.
  52. Farahani B., Barzegari M., Aliee F.S., Shaik K.A. Towards collaborative intelligent IoT eHealth: From device to fog, and cloud // Microprocess. Microsyst. 2020. vol. 72. p. 102938. doi: 10.1016/j.micpro.2019.102938.
  53. Zhang T. et al. A Joint Deep Learning and Internet of Medical Things Driven Framework for Elderly Patients // IEEE Access. 2020. vol. 8. pp. 75822–75832. doi: 10.1109/ACCESS.2020.2989143.
  54. Sodhro A.H., Sodhro G.H., Guizani M., Pirbhulal S., Boukerche A. AI-Enabled Reliable Channel Modeling Architecture for Fog Computing Vehicular Networks // IEEE Wirel. Commun. 2020. vol. 27. no. 2. pp. 14–21. doi: 10.1109/MWC.001.1900311.
  55. Bhatia M., Sood S.K. Quantum Computing-Inspired Network Optimization for IoT Applications // IEEE Internet Things J. 2020. vol. 7. no. 6. pp. 5590–5598. doi: 10.1109/JIOT.2020.2979887.
  56. Zhang J. Research on environmental monitoring trend analysis based on internet of things visualization technology // Fresenius Environ. Bull. 2020. vol. 29. no. 2. pp. 1054 – 1062. [Online]. Available at: www.scopus.com/inward/record.uri?eid=2-s2.0-85090455681&partnerID=40&md5=7c5626045c3f39320bb91185bf694295 (accessed 11.05.2023).
  57. Loke G. et al. Digital electronics in fibers enable fabric-based machine-learning inference // Nat. Commun. 2021. vol. 12. no. 1. p. 3317. doi: 10.1038/s41467-021-23628-5.
  58. Ke R., Zhuang Y., Pu Z., Wang Y. A Smart, Efficient, and Reliable Parking Surveillance System with Edge Artificial Intelligence on IoT Devices // IEEE Trans. Intell. Transp. Syst. 2021. vol. 22. no. 8. pp. 4962–4974. doi: 10.1109/TITS.2020.2984197.
  59. Wang X., Garg S., Lin H., Piran M.J., Hu J., Hossain M.S. Enabling Secure Authentication in Industrial IoT with Transfer Learning Empowered Blockchain // IEEE Trans. Ind. Informatics. 2021. vol. 17. no. 11. pp. 7725–7733. doi: 10.1109/TII.2021.3049405.
  60. Lee W.J., Xia K., Denton N.L., Ribeiro B., Sutherland J.W. Development of a speed invariant deep learning model with application to condition monitoring of rotating machinery // J. Intell. Manuf. 2021. vol. 32. no. 2. pp. 393–406. doi: 10.1007/s10845-020-01578-x.
  61. Ibrar M., Wang L., Muntean G.-M., Chen J., Shah N., Akbar A. IHSF: An Intelligent Solution for Improved Performance of Reliable and Time-Sensitive Flows in Hybrid SDN-Based FC IoT Systems // IEEE Internet Things J. 2021. vol. 8. no. 5. pp. 3130–3142. doi: 10.1109/JIOT.2020.3024560.
  62. Brik B., Esseghir M., Merghem-Boulahia L., Snoussi H. An IoT-based deep learning approach to analyse indoor thermal comfort of disabled people // Build. Environ. 2021. vol. 203. p. 108056. doi: 10.1016/j.buildenv.2021.108056.
  63. Singh P.D., Kaur R., Singh K.D., Dhiman G., Soni M. Fog-centric IoT based smart healthcare support service for monitoring and controlling an epidemic of Swine Flu virus // Informatics Med. Unlocked. 2021. vol. 26. p. 100636. doi: 10.1016/j.imu.2021.100636.
  64. Bhatia M. Intelligent System of Game-Theory-Based Decision Making in Smart Sports Industry // ACM Trans. Intell. Syst. Technol. 2021. vol. 12. no. 3. pp. 1–23. doi: 10.1145/3447986.
  65. Baggag A. et al. Learning Spatiotemporal Latent Factors of Traffic via Regularized Tensor Factorization: Imputing Missing Values and Forecasting // IEEE Trans. Knowl. Data Eng. 2021. vol. 33. no. 6. pp. 2573–2587. doi: 10.1109/TKDE.2019.2954868.
  66. Razzaq M.A., Mahar J.A., Ahmad M., Saher N., Mehmood A., Choi G.S. Hybrid Auto-Scaled Service-Cloud-Based Predictive Workload Modeling and Analysis for Smart Campus System // IEEE Access. 2021. vol. 9. pp. 42081–42089. doi: 10.1109/ACCESS.2021.3065597.
  67. Jin H., Zhao J. Real-time energy consumption detection simulation of network node in internet of things based on artificial intelligence // Sustainable Energy Technologies and Assessments. 2021. vol. 44. no. 101004. doi: 10.1016/j.seta.2021.101004.
  68. Alzamzami F., El Saddik A. Monitoring Cyber SentiHate Social Behavior During COVID-19 Pandemic in North America // IEEE Access. 2021. vol. 9. pp. 91184–91208. doi: 10.1109/ACCESS.2021.3088410.
  69. Adhikari M., Ambigavathi M., Menon V.G., Hammoudeh M. Random Forest for Data Aggregation to Monitor and Predict COVID-19 Using Edge Networks // IEEE Internet Things Mag. 2021. vol. 4. no. 2. pp. 40–44. doi: 10.1109/IOTM.0001.2100052.
  70. Jurdi R., Andrews J.G., Heath R.W. Scheduling Observers Over a Shared Channel With Hard Delivery Deadlines // IEEE Trans. Commun. 2021. vol. 69. no. 1. pp. 133–148. doi: 10.1109/TCOMM.2020.3032172.
  71. Hashash O., Sharafeddine S., Dawy Z., Mohamed A., Yaacoub E. Energy-Aware Distributed Edge ML for mHealth Applications with Strict Latency Requirements // IEEE Wirel. Commun. Lett. 2021. vol. 10. no. 12. pp. 2791–2794. doi: 10.1109/LWC.2021.3117876.
  72. Liang W., Li W., Feng L. Information Security Monitoring and Management Method Based on Big Data in the Internet of Things Environment // IEEE Access. 2021. vol. 9. pp. 39798–39812. doi: 10.1109/ACCESS.2021.3064350.
  73. Shao S., Zhang Q., Guo S., Qi F. Task Allocation Mechanism for Cable Real-Time Online Monitoring Business Based on Edge Computing // IEEE Syst. J. 2021. vol. 15. no. 1. pp. 1344–1355. doi: 10.1109/JSYST.2020.2988266.
  74. Vaidya G., Nambi A., Prabhakar T.V., Kumar V.T., Sudhakara S. Towards generating a reliable device-specific identifier for IoT devices // Pervasive Mob. Comput. 2021. vol. 76. doi: 10.1016/j.pmcj.2021.101445.
  75. Rajendran S. et al. Emphasizing privacy and security of edge intelligence with machine learning for healthcare // Int. J. Intell. Comput. Cybern. 2022. vol. 15. no. 1. pp. 92–109. doi: 10.1108/IJICC-05-2021-0099.
  76. Zahid N., Sodhro A.H., Kamboh U.R., Alkhayyat A., Wang L. AI-driven adaptive reliable and sustainable approach for internet of things enabled healthcare system // Math. Biosci. Eng. 2022. vol. 19. no. 4. pp. 3953–3971. doi: 10.3934/mbe.2022182.
  77. Bhardwaj A. et al. Smart IoT and Machine Learning-based Framework for Water Quality Assessment and Device Component Monitoring // Environ. Sci. Pollut. Res. 2022. vol. 29. no. 30. pp. 46018–46036. doi: 10.1007/s11356-022-19014-3.
  78. Alsalemi A., Himeur Y., Bensaali F., Amira A. An innovative edge-based Internet of Energy solution for promoting energy saving in buildings // Sustainable Cities and Society. 2022. vol. 78. no. 103571. doi: 10.1016/j.scs.2021.103571.
  79. Khan M.A., Ghazal T.M., Lee S.-W., Rehman A. Data Fusion-Based Machine Learning Architecture for Intrusion Detection // Comput. Mater. Contin. 2022. vol. 70. no. 2. pp. 3399–3413. doi: 10.32604/cmc.2022.020173.
  80. Gültekin Ö., Cinar E., Özkan K., Yazıcı A. Real-Time Fault Detection and Condition Monitoring for Industrial Autonomous Transfer Vehicles Utilizing Edge Artificial Intelligence // Sensors. 2022. vol. 229(9). no. 3208. doi: 10.3390/s22093208.
  81. Wei L., Hou S., Liu Q. Clinical Care of Hyperthyroidism Using Wearable Medical Devices in a Medical IoT Scenario // Journal of Healthcare Engineering. 2022. vol. 2022. doi: 10.1155/2022/5951326.
  82. Nikolov G., Kuhn M., Mcgibney A., Wenning B.-L. MABASR – A Robust Wireless Interface Selection Policy for Heterogeneous Vehicular Networks // IEEE Access. 2022. vol. 10. pp. 26068–26077. doi: 10.1109/ACCESS.2022.3156597.
  83. Baek J., Kaddoum G. Online Partial Offloading and Task Scheduling in SDN-Fog Networks With Deep Recurrent Reinforcement Learning // IEEE Internet Things J. 2022. vol. 9. no. 13. pp. 11578–11589. doi: 10.1109/JIOT.2021.3130474.
  84. Thenmozhi R., Sakthivel P., Kulothungan K. Hybrid multi-objective-optimization algorithm for energy efficient priority-based QoS routing in IoT networks // Wireless Networks. 2022. doi: 10.1007/s11276-021-02848-z.
  85. Manoharan S.N., Kumar K.M.V.M., Vadivelan N.A. Novel CNN-TLSTM Approach for Dengue Disease Identification and Prevention using IoT-Fog Cloud Architecture // Neural Processing Letters. 2022. vol. 55. no. 2. pp. 1951–1973. doi: 10.1007/s11063-022-10971-x.
  86. Sithik M.M., Kumar B.M. Intelligent agent based virtual clustering and multi-context aware routing for congestion mitigation in secure RPL-IoT environment // Ad Hoc Networks. 2022. vol. 137. doi: 10.1016/j.adhoc.2022.102972.
  87. Zhang Y., Wu J., Liu M., Tan A. TSN-based routing and scheduling scheme for Industrial Internet of Things in underground mining // Engineering Applications of Artificial Intelligence. 2022. vol. 115. doi: 10.1016/j.engappai.2022.105314.
  88. Eroshkin I., Vojtech L., Neruda M. Resource Efficient Real-Time Reliability Model for Multi-Agent IoT Systems // IEEE Access. 2022. vol. 10. pp. 2578–2590. doi: 10.1109/ACCESS.2021.3138931.
  89. Zhou S., Du Y., Chen B., Li Y., Luan X. An Intelligent IoT Sensing System for Rail Vehicle Running States Based on TinyML // IEEE Access. 2022. vol. 10. pp. 98860–98871. doi: 10.1109/ACCESS.2022.3206954.
  90. Sinha A., Das D., Udutalapally V., Mohanty S.P. iThing: Designing Next-Generation Things with Battery Health Self-Monitoring Capabilities for Sustainable IIoT // IEEE Trans. Instrum. Meas. 2022. vol. 71. pp. 1–9. doi: 10.1109/TIM.2022.3216594.
  91. Manocha A., Singh R. A Novel Edge Analytics Assisted Motor Movement Recognition Framework Using Multi-Stage Convo-GRU Model // Mob. Networks Appl. 2022. vol. 27. no. 2. pp. 657–676. doi: 10.1007/s11036-019-01321-8.
  92. Bollen E. et al. A database system for querying of river networks: facilitating monitoring and prediction applications // Water Supply. 2022. vol. 22. no. 3. pp. 2832–2846. doi: 10.2166/ws.2021.433.
  93. Fournier A.M.V. et al. Structured Decision Making to Prioritize Regional Bird Monitoring Needs // INFORMS Journal on Applied Analytics. 2023. vol. 53(3). pp. 207–217. doi: 10.1287/inte.2022.1154.
  94. Fanelli S., Pratici L., Salvatore F.P., Donelli C.C., Zangrandi A. Big data analysis for decision-making processes: challenges and opportunities for the management of health-care organizations // Management Research Review. 2023. vol. 46. no. 3. pp. 369–389. doi: 10.1108/MRR-09-2021-0648.
  95. Overdal M., Haddara M., Langseth M. Exploring Public Cloud-ERP Systems’ Impact on Organizational Performance // Lect. Notes Networks Syst. 2023. vol. 561. pp. 121–137. doi: 10.1007/978-3-031-18344-7_8.
  96. Reyna A., Martín C., Chen J., Soler E., Díaz M. On blockchain and its integration with IoT. Challenges and opportunities // Futur. Gener. Comput. Syst. 2018. vol. 88. pp. 173–190. doi: 10.1016/j.future.2018.05.046.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».