view in publisher's site

EDCRA-IoT: Edge-based Data Conflict Resolution Approach for Internet of Things

In Internet of Things (IoT), data are collected from various sources (e.g., sensors and databases) to describe a phenomenon under-observation. Due to the lack of knowledge about the measurement environment and the limited accuracy of data sources, the IoT data inevitably appears uncertain, imperfect, and conflicting. This would lead to high data conflict among different data sources, and the final result of data fusion is degraded. This paper presents an edge-based data conflict resolution approach for IoT to tackle these issues while maintaining an accurate and reliable result. In the proposed approach, data conflict is significantly alleviated using two phases. The first is Faulty Data Detection and Correction (FDDC), which runs based on the confidence interval and estimated data. The second is Data Conflict Measure and Fusion (DCMF), which is developed to compute the degree of conflict among different data sources based on Fuzzy measures and calculate each data source’s credibility degree. Then, data fusion is carried out based on the Minimum Mean Square Error (MMSE) criterion accordingly. The simulation results reveal the remarkable effectiveness and efficiency of the proposed approach for solving IoT conflicting data.

EDCRA - IoT: رویکرد حل تعارض داده مبتنی بر لبه برای اینترنت اشیا

در اینترنت اشیا (IoT)، داده‌ها از منابع مختلف (به عنوان مثال، حسگرها و پایگاه‌های داده)برای توصیف یک پدیده تحت نظارت جمع‌آوری می‌شوند. به دلیل فقدان دانش در مورد محیط اندازه‌گیری و دقت محدود منابع داده، داده‌های IoT به طور اجتناب‌ناپذیری نامشخص، ناقص و متناقض به نظر می‌رسند. این امر منجر به تعارض بالای داده‌ها در میان منابع مختلف داده می‌شود و نتیجه نهایی ترکیب داده‌ها از بین می‌رود. این مقاله یک رویکرد حل تعارض داده مبتنی بر لبه را برای IoT ارائه می‌دهد تا به این مسائل بپردازد، در حالی که یک نتیجه دقیق و قابل‌اعتماد را حفظ می‌کند. در رویکرد پیشنهادی، تضاد داده‌ها به طور قابل‌توجهی با استفاده از دو مرحله کاهش می‌یابد. اولی تشخیص و تصحیح داده‌های نادرست (FDDC)است که براساس فاصله اطمینان و داده‌های تخمینی اجرا می‌شود. دومی اندازه‌گیری تعارض داده و انتشار (DCMF)است، که برای محاسبه درجه تعارض بین منابع داده مختلف براساس معیارهای فازی و محاسبه درجه اعتبار هر منبع داده توسعه‌یافته است. سپس ترکیب اطلاعات براساس معیار حداقل میانگین مربعات خطا (MMSE)انجام می‌شود. نتایج شبیه‌سازی اثربخشی و کارایی قابل‌توجه رویکرد پیشنهادی برای حل داده‌های متناقض IoT را نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Applied Mathematics
  • ترجمه مقاله Applied Mathematics
  • مقاله ریاضیات کاربردی
  • ترجمه مقاله ریاضیات کاربردی
  • مقاله Computer Science (miscellaneous)
  • ترجمه مقاله Computer Science (miscellaneous)
  • مقاله علوم کامپیوتر (متفرقه)
  • ترجمه مقاله علوم کامپیوتر (متفرقه)
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.