معماری بزرگ تجزیه و تحلیل داده ها برای اینترنت اشیای کوچک

شرکت SK Telecom کره جنوبی اخیرا مفهوم IoST را برای مدل تجارت خود معرفی کرد. این شرکت از IoST، که به طور مدام داده ها را از طریق پلت فرم بی سیم LoRa تولید می کند استفاده کرد. افزایش در نرخ داده های تولید شده توسط IoST به شکل نمایی افزایش می یابد. پس از تلاش برای آنالیز و ذخیره حجم زیادی از داده های IoST با استفاده از ابزار و فن آوری های موجود، شرکت SK Telecom کره جنوبی کمبود ها را سریعا شناسایی کرد. مقاله کنونی در مورد برخی از مسائل بحث میکند و یک معماری آنالیز داده های بزرگ را برای IoST خود ارائه می دهد. یک سیستم توسعه یافته با استفاده از معماری پیشنهادی قادر خواهد بود به طور موثری به آنالیز و ذخیره اطلاعات IoST را انجام دهد و همزمان تصمیم گیری بهتر را ممکن کند. معماری پیشنهادی از چهار لایه تشکیل شده است، یعنی لایه اشیا کوچک، لایه زیربنایی، لایه پلتفرم و لایه کاربردی. در نهایت، یک آنالیز دقیق از یک اجرای داده های بزرگ IoST استفاده شده ی برای پیگیری رطوبت و دما از طریق Hadoop، به عنوان اثبات مفهوم ارائه شده است.

انالیز داده ها و ارزیابی سیستم سیستم پیشنهادی با استفاده از Spark و GraphX با نصب یک Hadoop تک گره در UBUNTU 14.04 LTS coreTMi5 با پردازنده ۳٫ ۳ گیگاهرتز و ۴ گیگابایت حافظه اجرا می شود. برای ترافیک زمان واقعی بسته های Pcap از مجموعه داده ها را ، با استفاده از کتابخانه Wireshark تولید کردیم و آنها را به سیستم توسعه یافته فرستادیم. کتابخانه های ورودی Hadoop-pcap-lib، Hadoop-pcap-side و Hadoop Pcap برای پردازش بسته های شبکه و تولید فرمت های قابل خواندن Hadoop (فایل توالی) در مرحله جمع آوری و تجمع استفاده می شوند تا داده ها بتوانند توسط Hadoop و GraphX پردازش شوند. GraphX برای ساخت و پردازش گراف ها با هدف تصمیم گیری های حمل و نقل هوشمند استفاده می شود. ما میزان بسیار زیاد داده های [۱۴، ۱۵] در نظر گرفتیم. شدت ترافیک در زمان های مختلف در یک مسیر متفاوت است. آنالیز شدت زمان های مختلف روز به مدیران در مدیریت و ساخت یک برنامه ی مناسب برای ترافیک در آن زمان کمک می کند.