دانلود و نمایش مقالات مرتبط با Internet of Things::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - Internet of Things

تعداد مقالات یافته شده: 502
ردیف عنوان نوع
1 Internet of Things: A survey on machine learning-based intrusion detection approaches
اینترنت اشیاء: مرور روش های تشخیص نفوذ مبتنی بر یادگیری ماشین-2019
In the world scenario, concerns with security and privacy regarding computer networks are always in- creasing. Computer security has become a necessity due to the proliferation of information technologies in everyday life. The increase in the number of Internet accesses and the emergence of new technologies, such as the Internet of Things (IoT paradigm, are accompanied by new and modern attempts to invade computer systems and networks. Companies are increasingly investing in studies to optimize the detec- tion of these attacks. Institutions are selecting intelligent techniques to test and verify by comparing the best rates of accuracy. This research, therefore, focuses on rigorous state-of-the-art literature on Machine Learning Techniques applied in Internet-of-Things and Intrusion Detection for computer network security. The work aims, therefore, recent and in-depth research of relevant works that deal with several intelli- gent techniques and their applied intrusion detection architectures in computer networks with emphasis on the Internet of Things and machine learning. More than 95 works on the subject were surveyed, span- ning across different themes related to security issues in IoT environments.
Keywords: Security networks | Machine learning | Internet-of-Things | Survey | Intelligent techniques | Machine learning
مقاله انگلیسی
2 مروری بر تجمیع دستگاه های مدل سازی اطلاعات ساختمانی (BIM) و اینترنت اشیاء (IoT): وضعیت کنونی و روند آینده
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 56
تجمیع مدل سازی اطلاعات ساختمانی (BIM) با داده های زمان واقعی(بلادرنگ) دستگاه های اینترنت اشیاء (IoT)، نمونه قوی را برای بهبود ساخت وساز و بهره وری عملیاتی ارائه می دهد. اتصال جریان-های داده های زمان واقعی که بر گرفته از مجموعه هایی از شبکه های حسگرِ اینترنت اشیاء (که این جریان های داده ای، به سرعت در حال گسترش هستند) می باشند، با مدل های باکیفیت BIM، در کاربردهای متعددی قابل استفاده می باشد. با این حال، پژوهش در زمینه ی تجمیع BIM و IOT هنوز در مراحل اولیه ی خود قرار دارد و نیاز است تا وضعیت فعلی تجمیع دستگاه های BIM و IoT درک شود. این مقاله با هدف شناسایی زمینه های کاربردی نوظهور و شناسایی الگوهای طراحی رایج در رویکردی که مخالف با تجمیع دستگاه BIM-IoT می باشد، مرور جامعی در این زمینه انجام می دهد و به بررسی محدودیت های حاضر و پیش بینی مسیرهای تحقیقاتی آینده می پردازد. در این مقاله، در مجموع، 97 مقاله از 14 مجله مربوط به AEC و پایگاه داده های موجود در صنایع دیگر (در دهه گذشته)، مورد بررسی قرار گرفتند. چندین حوزه ی رایج در این زمینه تحت عناوین عملیات ساخت-وساز و نظارت، مدیریت ایمنی و بهداشت، لجستیک و مدیریت ساختمان، و مدیریت تسهیلات شناسایی شدند. نویسندگان، 5 روش تجمیع را همراه با ذکر توضیحات، نمونه ها و بحث های مربوط به آنها به طور خلاصه بیان کرده اند. این روش های تجمیع از ابزارهایی همچون واسط های برنامه نویسی BIM، پایگاه داده های رابطه ای، تبدیل داده های BIM به پایگاه داده های رابطه ای با استفاده از طرح داده های جدید، ایجاد زبان پرس وجوی جدید، فناوری های وب معنایی و رویکردهای ترکیبی، استفاده می کنند. براساس محدودیت های مشاهده شده، با تمرکز بر الگوهای معماری سرویس گرا (SOA) و راهبردهای مبتنی بر وب برای ادغام BIM و IoT، ایجاد استانداردهایی برای تجمیع و مدیریت اطلاعات، حل مسئله همکاری و محاسبات ابری، مسیرهای برجسته ای برای تحقیقات آینده پیشنهاد شده است.
کلمه های کلیدی: مدل سازی اطلاعات ساختمانی (BIM) | دستگاه اینترنت اشیاء (IoT) | حسگرها | ساختمان هوشمند | شهر هوشمند | محیط ساخته شده هوشمند | تجمیع.
مقاله ترجمه شده
3 Classifying transportation mode and speed from trajectory data via deep multi-scale learning
طبقه بندی حالت حمل و نقل و سرعت داده های مسیر از طریق یادگیری عمیق چند مقیاسی-2019
With the rapid development of mobile Internet, the Internet of Things and other new technologies, mo- bile devices are generating massive amounts of spatio-temporal trajectory data. This paper aims to pro- pose a method that can automatically classify transportation mode and speed, help people understand the mobility of moving objects, thus making people’s life more convenient and traffic management easier. Although there have been some studies on trajectory classification, yet they either require manual feature selection or fail to fully consider the impact of time and space on classification results. None of them can extract features automatically and comprehensively. Hence, we propose Deep Multi-Scale Learning Model and design a deep neural network to learn features under multi-scale time and space granularities au- tomatically. The obtained features are fused to output final classification results. Our method is based on the latest image classification network structure DenseNet, and incorporates attention mechanism and residual learning. This model is able to fully capture spatial features so as to enhance feature propaga- tion and capture long-term dependence. Moreover, the number of network structure parameters is also reduced. We have evaluated our Deep Multi-Scale Learning Model on two real datasets. The results show that our model is superior to the current state-of-the-art models in top-1 accuracy, recall and f1-score. Furthermore, the classification results from our model can help to understand mobility accurately.
Keywords: Trajectory data | Mobility | Deep multi-scale learning
مقاله انگلیسی
4 EU GDPR or APEC CBPR? A comparative analysis of the approach of the EU and APEC to cross border data transfers and protection of personal data in the IoT era
GDPR EU یا APEC CBPR؟ تجزیه و تحلیل مقایسه ای از رویکرد اتحادیه اروپا و APEC برای انتقال اطلاعات مرزی و محافظت از داده های شخصی در دوره IoT-2019
This article examines the two major international data transfer schemes in existence today – the European Union (EU) model which at present is effectively the General Data Protection Regulation (GDPR), and the Asia-Pacific Economic Cooperation (APEC) Cross Border Privacy Rules system (CBPR), in the context of the Internet of Things (IoT). While IoT data ostensibly relates to things i.e. products and services, it impacts individ- uals and their data protection and privacy rights, and raises compliance issues for corpora- tions especially in relation to international data flows. The GDPR regulates the processing of personal data of individuals who are EU data subjects including cross border data trans- fers. As an EU Regulation, the GDPR applies directly as law to EU member nations. The GDPR also has extensive extraterritorial provisions that apply to processing of personal data outside the EU regardless of place of incorporation and geographical area of operation of the data controller/ processor. There are a number of ways that the GDPR enables lawful international transfer of personal data including schemes that are broadly similar to APEC CBPR. APEC CBPR is the other major regional framework regulating transfer of personal data between APEC member nations. It is essentially a voluntary accountability scheme that initially requires acceptance at country level, followed by independent certification by an accountability agent of the organization wishing to join the scheme. APEC CBPR is viewed by many in the United States of America (US) as preferable to the EU approach because CBPR is considered more conducive to business than its counterpart schemes under the GDPR, and therefore is regarded as the scheme most likely to prevail. While there are broad areas of similarity between the EU and APEC approaches to data protection in the context of cross border data transfer, there are also substantial differences. This paper considers the similarities and major differences, and the overall suitability of the two models for the era of the Internet of Things (IoT) in which large amounts of personal data are processed on an on-going basis from connected devices around the world. This is the first time the APEC and GDPR cross-border data schemes have been compared in this way. The paper concludes with the author expressing a view as to which scheme is likely to set the global standard
Keywords: IoT data | GDPR | CBPR | transborder data flows | data protection | privacy | global standard
مقاله انگلیسی
5 تأمین امنیت اینترنت اشیاء: چالشها، تهدیدات و راهکارها
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 30 - تعداد صفحات فایل doc فارسی: 63
چکيده: اينترنت اشيا (IOT) يک جهش تکنولوژيکي بعدي است که باعث بهبود قابل توجهي در جنبه هاي مختلف محيط انسان مانند بهداشت، تجارت و حمل و نقل خواهد شد. با اين حال، با وجود اين واقعيت که ممکن است باعث ايجاد تغييرات اقتصادي و اجتماعي شود، امنيت و حفاظت از حريم خصوصي اشيا و کاربران يک چالش حياتي باقي مي ماند که بايد مورد توجه قرار گيرد. به طور خاص، در حال حاضر، اقدامات امنيتي بايد اقدامات کاربران و اشيا را تحت نظارت و کنترل قرار دهند. با اين حال ماهيت به هم پيوسته و مستقل اشيا علاوه بر قابليت هاي محدود آنها در رابطه با منابع محاسباتي، قابليت کاربرد مکانيزم هاي امنيتي مرسوم را غير ممکن مي سازد. علاوه بر اين، عدم تجانس فن آوري هاي مختلف که اينترنت اشيا را ترکيب مي کند پيچيدگي فرآيندهاي امنيتي را افزايش مي دهد، چرا که هر تکنولوژي با آسيب پذيري هاي مختلف مشخص مي شود. علاوه بر اين، مقادير عظيمي از داده ها که توسط تعاملات چندگانه بين کاربران و اشيا و يا بين اشيا ايجاد مي شود، مديريت آنها و عملکرد سيستم هاي کنترل دسترسي را سخت تر مي کند. در اين زمينه، اين مقاله قصد دارد يک تحليل جامع امنيتي از IoT را با بررسي و ارزيابي تهديدات بالقوه و اقدامات متقابل ارايه دهد. پس از مطالعه و تعيين الزامات امنيتي در زمينه IoT، ما يک آناليز ريسک کمي و کيفي را اجرا کرديم که در حال بررسي تهديدات امنيتي در هر لايه مي باشد. متعاقبا، براساس اين فرآيند ما اقدامات متقابل مناسب و محدوديت هاي آنها را شناسايي کرديم و توجه ويژه اي به پروتکل هاي اينترنت نموديم. در نهايت، دستورالعمل هاي تحقيق براي کار آينده را ارايه مي دهيم.
مقاله ترجمه شده
6 Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches
حمله و تشخیص ناهنجاری در سنسورهای IoT در سایت های IoT با استفاده از روشهای یادگیری ماشین-2019
Attack and anomaly detection in the Internet of Things (IoT) infrastructure is a rising concern in the domain of IoT. With the increased use of IoT infrastructure in every do- main, threats and attacks in these infrastructures are also growing commensurately. De- nial of Service, Data Type Probing, Malicious Control, Malicious Operation, Scan, Spying and Wrong Setup are such attacks and anomalies which can cause an IoT system failure. In this paper, performances of several machine learning models have been compared to predict attacks and anomalies on the IoT systems accurately. The machine learning (ML) algorithms that have been used here are Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Artificial Neural Network (ANN). The evaluation metrics used in the comparison of performance are accuracy, precision, recall, f1 score, and area under the Receiver Operating Characteristic Curve. The system obtained 99.4% test accuracy for Decision Tree, Random Forest, and ANN. Though these techniques have the same accuracy, other metrics prove that Random Forest performs comparatively better.
Keywords: Internet of Things (IoT) | Machine Learning | Cybersecurity | Anomaly detection
مقاله انگلیسی
7 Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges
مدل های یادگیری عمیق برای پیش بینی جریان ترافیک در وسایل نقلیه خودمختار: بررسی ، راه حل ها و چالش ها-2019
In the last few years, there has been an exponential increase in the usage of the autonomous vehicles across the globe. It is due to an exponential increase in the popularity and usage of the artificial intelligence techniques in various applications. Traffic flow predication is important for autonomous vehicles using which they decide their itinerary and take adaptive decisions (for example, turn let or right, move straight, lane change, stop, or accelerate) with respect to their surrounding objects. From the existing literature, it has been observed that research on autonomous vehicles has shifted from the traditional statistical models to adaptive machine learning techniques. However, existing machine learning models may not be directly applicable in this environment due to non-linear complex relationship between spatial and temporal data collected from the surroundings during the aforementioned adaptive decisions taken by the vehicles. So, with focus on these issues, in this article, we explore various deep learning models for traffic flow prediction in autonomous vehicles and compared these models with respect to their applicability in modern smart transportation systems. Various parameters are chosen to have a relative comparison among different deep learning models. Moreover, challenges and future research directions are also discussed in the article.
Keywords: Cognitive Internet of Things | Traffic flow prediction | Machine learning | Deep learning | Autonomous vehicles
مقاله انگلیسی
8 Weaving seams with data: Conceptualizing City APIs as elements of infrastructures
بافتن با داده ها: اندیشه سازی رابط های برنامه های کاربردی (API) شهری به عنوان عناصر زیرساخت-2019
This article addresses the role of application programming interfaces (APIs) for integrating data sources in the context of smart cities and communities. On top of the built infrastructures in cities, application programming interfaces allow to weave new kinds of seams from static and dynamic data sources into the urban fabric. Contributing to debates about ‘‘urban informatics’’ and the governance of urban information infrastructures, this article provides a technically informed and critically grounded approach to evaluating APIs as crucial but often overlooked elements within these infrastructures. The conceptualization of what we term City APIs is informed by three perspectives: In the first part, we review established criticisms of proprietary social media APIs and their crucial function in current web architectures. In the second part, we discuss how the design process of APIs defines conventions of data exchanges that also reflect negotiations between API producers and API consumers about affordances and mental models of the underlying computer systems involved. In the third part, we present recent urban data innovation initiatives, especially CitySDK and OrganiCity, to underline the centrality of API design and governance for new kinds of civic and commercial services developed within and for cities. By bridging the fields of criticism, design, and implementation, we argue that City APIs as elements of infrastructures reveal how urban renewal processes become crucial sites of socio-political contestation between data science, technological development, urban management, and civic participation.
Keywords: Application Programming Interface (API) | infrastructure | Internet of Things (IoT) | interface design | social urban data | smart city
مقاله انگلیسی
9 Machine learning in the Internet of Things: Designed techniques for smart cities
یادگیری ماشین در اینترنت اشیاء: تکنیک های طراحی شده برای شهرهای هوشمند-2019
Machine learning is one of the emerging technologies that has grabbed the attention of academicians and industrialists, and is expected to evolve in the near future. Machine learning techniques are anticipated to provide pervasive connections for wireless nodes. In fact, machine learning paves the way for the Internet of Things (IoT)—a network that supports communications among various devices without human interactions. Machine learning techniques are being utilized in several fields such as healthcare, smart grids, vehicular communications, and so on. In this paper, we study different IoTbased machine learning mechanisms that are used in the mentioned fields among others. In addition, the lessons learned are reported and the assessments are explored viewing the basic aim machine learning techniques are expected to play in IoT networks.
Keywords: Internet of Things | Machine learning | Medical | Smart grid | VANET
مقاله انگلیسی
10 استخراج خودکار اطلاعات کارشناس برای پایگاه دانش اینترنت اشیا
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 14
با توسعه سریع تکنولوژی IOT، نیاز به بازدهی موثر و دقیق دامنه دانش در حال افزایش است. استخراج خودکار اطلاعات کارشناس از صفحات عظیم وب و مدل نمایشی پویا و یکپارچه برای پایگاه دانش مهم است. با این حال، تفاوت های آشکار در ساختار و معناشناسی محتوا از صفحات وب بین هر دو وبسایت نشان می دهد که خزنده وب سنتی، معنای صفحه وب را درک نمی کند و اطلاعات بحرانی کارشناس را استخراج می کند. بنابراین، یک مدل نمایه حرفه ای شش بعدی معرفی شد و سپس یک روش برچسب گذاری توالی با مدل LSTM-CRF برای استخراج اتوماتیک اطلاعات غنی معنادار مبتنی بر ساختار سازمانی، معنی کلمات و ویژگی های متخصصان ارائه شد. نتایج آزمایش بر روی مجموعه داده های آزمایشی نشان داد که نرخ دقیق و فراخوان در مورد تجربه کار و زمینه تحقیق کارشناسان به ترتیب 67.8٪، 66.6٪ و 82.4٪ و 79.6٪ است. علاوه بر این، میانگین F در مورد برخی از ویژگی های مشخص متخصص مانند نام، عنوان، ایمیل، دستاورد و غیره، به 82.5٪ می رسد که بهتر از نتایج الگوریتم های MEMM و LSTM است.
کلمات کلیدی: اینترنت اشیا | مدل مشخصات کارشناس | یادگیری عمیق | برچسب زدن تکراری
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی