ارتباط اینترنت اشیا با دیگر علوم

مدیر سایت 1403/10/04
The connection between the Internet of Things and other sciences

ارتباط علم اینترنت اشیا با دیگر علوم

در این مطلب آموزشی قصد داریم در کنار معرفی همزمان اینترنت اشیا، دیگر علوم مرتبط با این دانش میان رشته‌ای در بین دیگر گرایش‌های مشتق شده از رشته کامپیوتر را خدمت شما معرفی کنیم. در هر بخش ارتباط بین IoT و علم مربوطه توضیح داده می‌شود و در پایان این مقاله چالش‌های باز تحقیقاتی هر بخش، جهت مطالعات بیشتر خدمت شما معرفی می‌شود. مطالعه موضوعات از مقالاتی همچون تاریخچه اینترنت اشیا و اینترنت اشیا در صنعت و پروتکل های اینترنت اشیا را نیز به شما پیشنهاد می‌کنیم؛ در ادامه با ما همراه باشید. 

1. اینترنت اشیا(IoT) و هوش مصنوعی(AI)

از ترکیب دو علم اینترنت اشیا و هوش مصنوعی، فناوری جدیدی به نام AIoT شکل گرفت که از فناوری های زیر ساخت اینترنت اشیا(IoT) با بهره گیری از فناوری های داده ای هوش مصنوعی(AI) استفاده می کند. هدف این فناوری جدید توسعه و بهبود عملکرد اینترنت اشیا، برقراری ارتباط بهتر انسان با ماشین و بالا بردن قدرت تجزیه و تحلیل و مدیریت داده هاست.

اینترنت اشیا و هوش مصنوعی

کاربرد های AIoT

شهر هوشمند: 

فناوری‌هایی مانند بکارگیری حسگرها، چراغ‌های هوشمند، فاصله سنج‌ها و ترافیک هوشمند، کنترل کیفیت هوا، ایجاد معابر هوشمند و خدمات شهری جهت جمع‌‌‌آوری داده‌ها برای کمک به بهبود کارایی عملیاتی و شکوفایی اقتصادی که نتیجه آن کیفیت بهتر زندگی اجتماعی در شهر هاست.

خرده فروشی هوشمند: 

نمونه آن وجود دوربین‌های مدار بسته ابری با قابلیت تشخیص چهره در اماکن حساس و فروشگاه‌ هاست.

خانه و ساختمان هوشمند:

یادگیری ماشین‌ها از راه تعامل با انسان‌ها اتفاق می‌افتد. فناوری AIoT برای درک عادات کاربران، به منظور ارائه خدمات و پشتیبانی سفارشی، اطلاعات کاربران را ذخیره می‌کند تا یادگیری اتفاق افتد؛ به عنوان مثال، در ساختمان‌های اداری، شرکت‌ها با کمک شبکه‌های حسگر محیطی هوشمند که در دفاتر خود نصب می‌کنند، حضور افراد را تشخیص داده و نور و دما را تنظیم می‌کنند. در نتیجه در اتلاف انرژی صرفه جویی می‌شود. با بکار‌گیری فناوری تشخیص چهره با هوش مصنوعی و ارتباط با دوربین‌های هوشمند، تصاویر زنده را با تصاویر پایگاه داده بروز شده مقایسه می‌کند و به این صورت هم دسترسی کنترل شده اتفاق می‌افتد و هم سطح ایمنی و سلامت افراد حفظ می‌شود. 

صنعت هوشمند:

در صنعت هوشمند، تشخیص قطعات خراب، ناکارآمدی سیستم و یا اینکه نیاز به تعویض قطعه است یا خیر، نتیجه‌ای است که در زمانبندی پیشگویانه نگه‌داری از سیستم‌های صنعتی با پشتیبانی AIoT اتفاق خواهد افتاد. که بکارگیری آن هم به اقتصاد صنعتی و صرفه جویی در هزینه‌های مالی کمک خواهد کرد، و همچنین به طول عمر تجهییزات دوام بیشتری می دهد، از طرفی سلامت کارکنان آن صنعت حفظ شده و محیط زیست سالم‌تری را خواهیم داشت.

وسائل نقلیه خودران:

این وسائل با تکیه بر دوربین‌های ویدئویی که به شبکه حسگرهای بیسیم متصل اند به جمع‌آوری داده‌ها، در جستجوی عابران پیاده جهت حمل و نقل سریع و بهینه در سطح شهر می‌‌‌پردازند. این امر کاهش ترافیک و ازدهام شهری را به همراه خواهد داشت.

ربات‌های تحویل خودکار:

به عنوان مثال در سیستم انبار‌داری با دریافت داده‌های محیطی یک انبار توسط حسگرها و به کمک هوش مصنوعی، سریعا به پیمایش اطلاعات جهت جابجایی در کمترین زمان با پیدا کردن و طی کردن مسیر بهینه می‌پردازد. این امر در مراکز پستی بزرگ در کنار نظارت‌های انسانی در ایران در حال اجراست.

مراقبت‌‌های سلامت:

با کمک تجهیزات پوشیدنی پزشکی هوشمند، داده‌های سلامت بلادرنگ از قبیل فشار، ضربان قلب، دمای بدن و میزان انسولین و غیره در بیمار به صورت Real Time جهت کنترل و نظارت پزشک جمع آوری و ارسال می‌شود.

2. اینترنت اشیا(IoT) و یادگیری ماشین(ML)

همانطور که می‌دانید اینترنت اشیا از منابع، وسائل و تجهیزات مختلف متصل به هم تشکیل شده است که می‌توانند در یک مکان کوچک و یا بین قاره‌ای با هم در ارتباط باشند. این تجهییزات به هم پیوسته مانند حسگرها، دوربین‌ها، میکروفن‌ها، گوشی‌‌های هوشمند و سایر تجهیزات، ظرفیت یادگیری از طریق روش‌هایی مانند یادگیری ماشین را دارند.

یادگیری ماشین، بخشی از علم هوش‌مصنوعی است که از الگوریتم‌های پیچیده ی آن برای تعمیم داده‌ها از روش تجزیه و تحلیل اطلاعات جهت تولید خروجی منحصر بفرد استفاده می‌‌کند.

امروزه در دنیا از ترکیب یادگیری ماشین و اینترنت اشیا، در صنایع، مراقبت‌های پزشکی و آموزش استفاده می‌شود. هدف از ترکیب یادگیری ماشین در کنار اینترنت اشیا را می‌توان، موارد زیر نام برد.

اتوماسیون سازی ماشین

تجزیه و تحلیل داده ها

تعمییرات قابل پیش بینی

تشخیص ناهنجاری ها

حمل و نقل هوشمند

پایش محیط زیست

بهینه سازی منابع

آموزش

از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌هایی که حسگر‌ها در یک زمان مشخص از دستگاه‌ها ارسال کرده‌اند، به جهت تشخیص روندهای که احتمال خرابی برای دستگاه را اطلاع می‌دهند قابل استفاده است. منظور از تشخیص ناهنجاری، محدوده داده‌ای مشخص و تشخیص خارج شدن داده‌ها از این بازه تعریف می‌شود.

 کاربرد این موضوع در IoT برابر با تشخیص عملکرد و رفتار غلط دستگاه است. اینجاست که الگوریتم‌های ML برای یافتن ناهنجاری از داده‌های دریافت شده از حسگر، دستگاه را برای یادگیری خطاها به جهت فعالسازی هشدارها و عملیات پیشگیرانه آموزش می‌دهند. این کار قابلیت اطمینان و ایمنی را به همراه دارد.

 

mliot

الگوریتم یادگیری ماشین برای سفارشی‌سازی برنامه‌های کاربر هم استفاده می‌شود. به عنوان مثال تنظیم دما، نور و موسیقی بر اساس علاقه‌مندی و رفتار ساکنان خانه‌های هوشمند انجام می‌شود.

در محیط زیست، فاکتورهای مختلفی از جمله دما، رطوبت، میزان کیفیت و غیره وجود دارد. می‌توان با جمع آوری لحظه‌ای داده‌های دریافت شده از طریق حسگرهای اینترنت اشیا و ترکیب با الگوریتم‌‌های ML، شرایط محیطی را تخمین زد. مثلا در کارخانه‌ها، ساختمان‌ها و یا دیگر تاسیسات با پایش لحظه‌ای داده ها و مقایسه با داده‌های دریافت شده قبلی، به تنظیم، بهبود و اصلاح شرایط محیطی و کنترل و بهینه‌سازی شرایط محیطی کمک کرد.

با کمک گرفتن از اینترنت اشیا و یادگیری ماشین می توان به بهره وری درست و اصولی با حداکثر استفاده از پتانسیل منابعی چون برق، آب و غیره کمک کرد. در شبکه هوشمند آب و یا برق، با بکارگیری حسگرهای IoT و دریافت و تحلیل این داده‌ها توسط ML برای تخمین تقاضای انرژی، تنظیم تولید و توزیع انرژی، به حداکثر رساندن کارایی و به حداقل رساندن اتلاف انرژی تلاش کرد. که نتیجه آن کاهش هزینه‌ها و افزایش پایداری منابع خواهد بود.

از دیگر مزایای همکاری IoT و ML، کنترل جریان ترافیک در جاده ها و پیش‌بینی الگوی ترافیک اتفاق می افتد که نتیجه آن بهینه سازی سیستم حمل و نقل، پیش بینی زمان تعمیر و نگه داری خودرو ها با دریافت اطلاعات از حسگرهای خودرو، کاهش شلوغی جاده ها و نهایتا افزایش ایمنی، صرفه جویی در زمان و انرژی و کاهش آلودگی هوا خواهد بود.

و باز هم در بحث آموزش، موضوع جدیدی که امروزه مطرح است، ترکیب IoT و ML با کمک الگوریتم های خود میتوانند برای غربالگری دانش آموزان، ثبت نام، تخصیص سهمیه دوره ها، ارزیابی عملکرد معلمان و همچنین برای یادگیری بیشتر، پاسخ دهی بهینه بو بهتر به سوالات، بصورت عملی و شخصی سازی شده بر اساس پیش‌بینی رفتار دانش آموزان سیستم‌هایی پیاده‌سازی شده است. 

3. اینترنت اشیا (IoT) و کلان داده(Big Data)

بهتر است بدانید تا سال 2030 تقریبا 17 میلیارد دستگاه به اینترنت وصل خواهند شد. همچنین می‌دانید این دستگاه‌ها با هم در تعامل هستند. این یعنی تولید دو برابری داده‌های خام که نیاز به پردازش دارند. همچنین داده‌های بلادرنگ(RealTime) بطور فزاینده در لحظه جمع آوری می‌شوند.

بنابر‌این IoT به بزرگترین مجموعه اطلاعاتی طبقه‌بندی شده‌ای تبدیل شده است که به اینترنت متصل بوده و به عنوان عظیم‌ترین تولید‌کننده داده شناخته می‌شود؛ در اینجاست که ارتباط کلان داده و IoT شکل می‌گیرد.

The last major Big Data business driver is the rapid rise of the Internet of Things

تعریف کلان داده در سه عنصر خلاصه می شود؛ تنوع، سرعت و حجم

این داده‌ها می‌توانند از حسگرها، شبکه ‌های اجتماعی و ابزارهای هوشمند و غیره تولید شوند. با توجه به روند رو به رشد فناوری‌های مدرن ارتباطات، ذخیره‌سازی و تجزیه و تحلیل، این حجم اطلاعات و مجموعه داده‌های آن‌ها می‌تواند راه ‌حل‌های سازماندهی شده‌ای در جهت عملکرد شرکت و سازمان‌ها ارائه دهند و در شناخت روند بازار و آگاهی از بینش کاربران و مشتریان مفید باشند.

A map based on the relationship of co-occurrence with author keywords

تجزیه و تحلیل علم کلان داده، ما را به چهار بینش کلی از داده‌های تولید شده از علم اینترنت اشیا می‌رساند. که این بینش‌ها را می‌توان به نام‌های بینش توصیفی، تشخیصی، پیش بینی و تجویزی نام برد. برای نمونه در تجزیه و تحلیل توصیفی بینش‌هایی در مورد نحوه عملکرد یک دستگاه متصل به اینترنت در زمان واقعی ارائه می‌‌شود. این موضوع می تواند از بحث مکان‌یابی یک دستگاه گرفته تا نحوه استفاده از آن دستگاه و یا شناسایی ناهنجاری‌ها مورد استفاده و پردازش قرار بگیرد.

همچنین امروزه استفاده کاربردی از کلان داده و تجزیه و تحلیل بینشی داده‌های آن از طریق علم یادگیری ماشین در اینترنت اشیا و با کمک تجزیه و تحلیل داده‌ها قبلی و تولید احتمالات برای پیش‌بینی روش عملکرد خرابی دستگاه و نیازمندی‌های آن در آینده، پیش از توفق کار، مورد استفاده است. خوشبختانه امروز این حجم عظیم داده‌ها با کمک ابزارهای هوش مصنوعی(AI) و یادگیری ماشین(ML) به راحتی تجزیه و تحلیل شده و ما را به بینش علمی می‌رسانند.‌

-این داده‌ها چه هستند؟

داده‌‌‌های بدون ساختار مانند نقشه ها، فایل های صوتی و دست نویس

داده‌‌‌های ساختار یافته مانند عکس
،فیلم و متن

داده‌‌های نیمه ساختار یافته مانند داده XML

بر طبق گزارش مجله علمی DataAge2025، در سال 2024 منابع تولید داده را اینترنت اشیا، شرکت‌‌های مخابراتی، بیمارستان‌ها، ایستگاه‌های هواشناسی، ادارات دولتی، بانک‌‌‌‌‌ها، بازار سهام، بورس و ارزهای دیجیتال و در نهایت وب سایت‌‌ها و شبکه‌های اجتماعی معرفی کرده است.

4. اینترنت اشیا(IoT) و مسیریابی در شبکه(Routing )

مسیریابی در IoT، معمولا به معنی امکان تبادل بسته‌های داده بین دستگاه‌های اینترنت اشیا با مصرف انرژی کم گفته می‌شود، برای این منظور پروتکل و استانداردهای مختلفی وجود که شاخص‌ترین آنها  به نام پروتکل و استاندارد RPL(Routing Protocol for Low power) شناخته می‌شود.‌

Routing-1

با توجه به اینکه در محیط لایه های پردازشی و محاسبات ابری اینترنت اشیا دستگاه‌های ناهمگن و هوشمند زیادی از جمله دوربین‌ها ، حسگر‌ها و غیره در کنار هم فعال هستند، این پروتکل معمولا برای مسیریابی در شبکه‌های کم مصرف از نظر انرژی که دارای اتلاف پهنای باند پایین هستند قابل اجرا است. از نظر ساختاری و کلاس IP منطبق بر ساختار گرافی و کلاس IPv6 است که با مزیت پشتیبانی از ارتباطات کم مصرف، این پروتکل را مناسب برای IoT معرفی می کنند.

 ارائه راه حل‌هایی برای چالش‌های مسیریابی در شبکه‌های IoT صورت گرفته است؛ که برای حل مسائلی مهمی همچون  توابع هدف(Objective Function)، مصرف بهینه انرژی و پشتیبانی از کیفیت ارائه خدمات(Energy  efficiency and QoS support)، ترافیک مختلف و پشتیبانی MOP، گره‌های متحرک(Mobile Node)، پشتیبانی از چند پخشی(Multicast) و پشتیبانی از P2P معمولا از استراتژی‌ها و یا الگوریتم‌های متفاوتی استفاده می‌شود. در ادامه برخی از این الگوریتم‌ها در حل این مشکلات و چالش‌ها در مسیریابی را نام می‌بریم.

routing3RPL
 Article: Routing Protocols for Low Power and Lossy Networks in Internet of Things Applications - Link: https://www.mdpi.com/1424-8220/19/9/2144

می توان به این نکته اشاره کرد که پیاده سازی RPL در پروژه های IoT بر روی سیستم عامل‌های سازگاری همچون Lite‌ OS، RIOT، Eye OS، Contiki OS، T kernel و Tiny OS قابل اجرا است.

همانطور که اشاره شد یکی از مزایای اینترنت اشیا، نحوه هماهنگی و سازماندهی دستگاه‌های کم مصرف، بخصوص حسگرها و به اشتراک گذاری اطلاعات بین آنهاست. زیرا عملکرد ذخیره‌سازی و پردازش برخی حسگرها در زمان برقراری ارتباط با اتلاف پهنای باند همراه است. از این رو نیاز است راه حل‌های مسیر‌یابی بیسیم برای آنها طراحی شود.‌

5. اینترنت اشیا(IoT) و محاسبات ابری(Cloud Computing)

همانطور که در مقاله مدل چهار لایه ای از زیر ساخت اینترنت اشیاء اشاره شد، مراکز داده می‍‌‌توانند نقش مهمی را در جمع آوری، تجمیع داده‌ها، تجزیه و تحلیل داده ها، مدیریت، ذخیره سازی و نمایش اطلاعات بر عهده بگیرند. و به علت ازدحام داده ها و توان های متفاوت پردازشی از ناهمگنی دستگاه ها به محیط محاسبات ابری تعریف شده است.

اینترنت اشیا و محاسبات ابری

در شرایطی که در هر ثانیه حجم زیادی از داده‌ها یا همان درخواست‌های کاربران از طریق برنامه‌های کاربری و یا داده‌های که از دستگاه‌ها IoT همانند حسگرها تولید می‌شوند، سرورهای محلی با منابع محاسباتی و پردازشی محدود پاسخگو نیستند. از این رو استفاده از خدمات زیر ساخت ابری، به نام سرویس محاسبات ابری که هسته سیستم اینترنت اشیاء است بر بستر اینترنت جهانی شکل می گیرد. به کمک این فضای ابری و در کنار علم رایانش ابری و مجازی سازی، خدمات و منابع محاسباتی مختلفی برای استفاده شما فراهم می شود.

 علاوه بر ارائه شبکه از جمله این خدمات می توان به ارائه انواع پایگاه داده‌ها، پردازنده‌ها، حافظه ها، هاست ابری(Cloud Host)، سرورهای ویژه، ماشین‌های مجازی(Virtual Machines) و انواع نرم افزارها اشاره کرد. باید به این نکته اشاره داشت که علاوه بر شرکت‌های فناوری که از رایانش ابری بهره می برند از جمله Google، Amazon، IBM و Microsoft در ایران هم شرکت هایی همچون ابر آروان یا آروان کلود و آسیاتک و ابرآمد هم در این زمینه پیشتاز هستند.

برخی از داده‌ها در IoT و محیط ابری نیاز به پردازش سریع تری دارند که نتیجه آن در زمان واقعی(RealTime) کارآمد و مهم است. مانند گزارش اندازه گیری شرایط محیطی مکان‌های حساس و یا داده‌های حیاتی یک بیمار که روند پردازش این داده‌ها و دریافت این اطلاعات باید از سرعت بالایی برخوردار باشد. به بیان دیگر، سرعت اجرا و زمانبندی ارائه این داده‌ها جهت تخصیص به منابع محاسباتی در محیط محاسبات ابری بر اساس سیاست و استراتژی(الگوریتم) مشخصی باید به گونه ای صورت گیرد که منابع پردازشی ابری به فوریت، در هر مکان و هر زمان جهت پردازش سریع، در دسترس این داده های مهم و حیاتی قرار بگیرند.‌

CLOUDIOT

برخی از مسائل مهم تحقیقاتی در هر بخش از ارتباط IoT با دیگر علوم

در این بخش قصد داریم به معرفی برخی از چالش‌های باز که بررسی، تحقیق و پژوهش در هر یک از این زمینه‌ها می تواند از اهمیت ویژه‌ برخوردار باشد به شما معرفی می‌کنیم. به عنوان مثال؛ در بررسی که در حوزه ارتباط IoT با هوش مصنوعی وجود دارد، می توان به سازگاری(Compatibility)، پیچیدگی(Coplexity)، چالش های اخلاقی و قانونی(Ethical and Legal Issues)، حریم خصوصی، امنیت، اطمینان (Privacy، Security and Safety)، اثبات پذیری(Provability)، آمادگی برای پردازش‌های سریع(Calculation Predisposition)، کمبود اطلاعات(Information Shortage) اشاره کرد.‌

challenges in IoT

برخی منابع

Article: Trends and Challenges in AIoT/IIoT/IoT Implementation
Authors: by Kun Mean Hou,Xunxing Diao,Hongling Shi,Hao Ding,Haiying Zhou andChristophe de Vaulx

Link: https://www.mdpi.com/1424-8220/23/11/5074

 

M. S. Mekala and P. Viswanathan, “A Survey: Smart agriculture IoT with cloud computing,” 2017 International conference on Microelectronic Devices, Circuits and Systems (ICMDCS), Vellore, India, 2017, pp. 1-7, doi: 10.1109/ICMDCS.2017.8211551.
keywords: {Monitoring;Temperature sensors;Temperature measurement;Irrigation;Cloud computing;Robot sensing systems;Internet of Things (IoT);Cloud Computing;Li-Fi;Gprs;Agriculture Monitoring;Irrigation;Routing Protocol},

 

 Article: Routing Protocols for Low Power and Lossy Networks in Internet of Things Applications

Authors: by José V. V. Sobral,Joel J. P. C. Rodrigues,Ricardo A. L. Rabêlo,Jalal Al-Muhtadi andValery Korotaev
Link: https://www.mdpi.com/1424-8220/19/9/2144

بدون دیدگاه
اشتراک گذاری
اشتراک‌گذاری
با استفاده از روش‌های زیر می‌توانید این صفحه را با دوستان خود به اشتراک بگذارید.
کپی لینک