Появление концепции Интернета вещей (ИВ) и создание инфраструктур цифровых решений на основе данной концепции породило как новые возможности, так и новые вызовы для таких цифровых решений. В основе концепции и инфраструктуры Интернета вещей заложен принцип гетерогенной и распределенной инфраструктуры за счет встраивания различных вычислительных модулей в объекты окружающего мира и их взаимной интеграции, их интеграции с иными инфраструктурами. При таком принципе возникает ряд критических проблем при реализации распределенной вычислительной системы на основе объектов ИВ, прежде всего, связанных с оптимальным управлением несколькими потоками данных и команд, а также с распределением вычислительной нагрузки на узлы инфраструктуры Интернета вещей. При этом также необходимо учитывать, что состав, месторасположение узлов и состояние распределенной вычислительной системы Интернета вещей могут динамически изменяться вследствие внутренних и внешних процессов. Первоначальная идея концепции Интернета вещей заключалась в саморегулирующейся распределенной инфраструктуре, в которой каждый узел взаимодействует с остальными напрямую, без централизованного посредника. Однако на сегодняшний день в основном преобладают архитектуры построения инфраструктур Интернета вещей по централизованному типу вычислений, что делает актуальной проблему оптимальной балансировки нагрузки и самостоятельного интеллектуального взаимодействия узлов на распределенной вычислительной системе Интернета вещей. В данной статье предлагаются такие механизмы и метод решения данного вопроса на основе подхода машинного обучения с подкреплением, которые позволяют распределенной вычислительной системе Интернета вещей быстро реагировать на внутренние процессы и окружающую среду в режиме реального времени в неопределенных условиях.
The emergence of the concept of the Internet of Things and the creation of infrastructures for digital solutions based on this concept has generated both new opportunities and new challenges for such digital solutions. The concept and infrastructure of the Internet of Things is based on the principle of a heterogeneous and distributed infrastructure by embedding various computing modules into objects of the surrounding world and their mutual integration, and their integration with other infrastructures. With this principle, a number of critical problems arise in the implementation of a distributed computing system based on IoT objects, first of all, associated with the optimal control of several data and command streams, as well as with the distribution of the computational load on the nodes of the IoT infrastructure. It should also be borne in mind that the composition, location of nodes, and the state of the distributed computing system of the Internet of Things can dynamically change due to internal and external processes. The original idea behind the concept of the Internet of Things was a self-regulating distributed infrastructure in which each node interacts directly with the others, without a centralized intermediary. However, today the architecture of building IoT infrastructures based on the centralized type of computing is mainly dominated, which makes the issue of optimal load balancing and independent intelligent interaction of nodes on the distributed computing system of the IoT urgent. This article proposes such mechanisms and a method for solving this issue based on a reinforcement learning approach, which allows the distributed computing system of the Internet of Things to quickly respond to internal processes and the environment in real time under uncertain conditions.
1. Eleftherakis G., Pappas D., Lagkas T., Rousis K., Paunovski O. Architecting the IoT Paradigm: A Middleware for Autonomous Distributed Sensor Networks. Hindawi Publishing Corporation.International Journal of Distributed Sensor Networks. 2015. DOI: 10.1155/2015/139735.
2. Rozik A.S., Tolba A.S., El-Dosuky M.A. Design and Implementation of the Sense Egypt Platform for Real-Time Analysis of IoT Data Streams. Advances in Internet of Things. 2016. Vol. 6. No. 4.
3. Zaidan A.A., Zaidan B.B., Qahtan M.Y., Albahri O.S., Albahri A.S., Alaa M., Jumaah F.M., Talal M., Tan K.L., Shir W.L., Lim C.K. A survey on communication components for IoT-based technologies in smart homes. Telecommun Syst 69. 2018. P. 1–25. DOI: 10.1007/s11235-018-0430-8.
4. Tanganelli G., Vallati C., Mingozzi E. Ensuring Quality of Service in the Internet of Things. 2018. DOI: 10.1007/978-3-319-58190-3_9.
5. Bigi P., Tansu A., Jiong J., Marimuthu P. Distributed Real-Time IoT for Autonomous Vehicles. IEEE Transactions on Industrial Informatics. 2018. P. 1–1. DOI: 10.1109/TII.2018.2877217.
6. Vermesan O., Bahr R., Ottella M., Serrano M., Karlsen T., Wahlstrom T.,Erik Sand H., Ashwathnarayan M., Micaela Troglia M. Internet of Robotic Things Intelligent Connectivity and Platforms. 2020. DOI: 10.3389/frobt.2020.00104.
7. Celic L., Magjarevic R. Seamless connectivity architecture and methods for IoT and wearable devices. Automatika. 2020. Vol. 61. P. 21–34. DOI: 10.1080/00051144.2019.1660036.
8. Mocnej J., Seah W.K.G., Pekar A., Zolotova I. Decentralised IoT Architecture for Efficient Resources Utilisation. IFAC-PapersOnLine. 2018. Vol. 51. P. 168–173. DOI: 10.1016/j.ifacol.2018.07.148.
9. Parikh S., Dave D., Patel R., Doshi N. Security and Privacy Issues in Cloud, Fog and Edge Computing. Procedia Computer Science. 2019. Vol. 160. P. 734–739. DOI: 10.1016/j.procs.2019.11.018.
10. Mostafavi S., Dawlatnazar M., Paydar F. Edge Computing for IoT: Challenges and Solutions. Journal of Communications Technology, Electronics and Computer Science. 2019.
11. Tschofenig H., ARM Ltd., Arkko J., Thaler D., McPherson D. Architectural Considerations in Smart Object Networking. [Electronic resource]. URL: https://tools.ietf.org/html/rfc7452 (date of access: 03.08.2021).
12. Field and cloud edge gateways. [Electronic resource]. URL: https://docs.microsoft.com/en-us/azure/architecture/example-scenario/iot/field-cloud-edge-gateways (date of access: 03.08.2021).
13. Securing IoT applications. [Electronic resource]. URL: https://developer.ibm.com/articles/iot-trs-secure-iot-solutions3/ (date of access: 03.08.2021).
14. Ren M., Liu P., Wang Z., Jing Y. A Self-Adaptive Fuzzy c-Means Algorithm for Determining the Optimal Number of Clusters. Computational Intelligence and Neuroscience. 2016. Vol. 2016. DOI: 10.1155/2016/2647389.
15. Hammah R.E., Curran J.H. Fuzzy cluster algorithm for the automatic identification of joint sets. International Journal of Rock Mechanics and Mining Sciences. 1998. Vol. 35. P. 889–905.
16. Zhou K., Yang S., Fuzzifier Selection in Fuzzy C-Means from Cluster Size Distribution Perspective. Informatica 2019. Vol. 30. No. 3. P. 613–628. DOI: 10.15388/Informatica.2019.221.
17. Uskenbayeva R.K., Kuandykov A.A., Cho Y.r., Kozhamzharova D.K., Baimuratov O.A.S. Main Principles of Task Distribution in Multi-Agent Systems and Defining Basic Parameters. 14th International Conference on Control, Automation and Systems (ICCAS 2014). 2014. P. 1471–1474. DOI: 10.1109/ICCAS.2014.6987793.
18. Степанова М.В., Еремин О.Ю. Назначение заданий узлам распределенной системы платформы Интернета вещей на основе машинного обучения с подкреплением // Автоматизация процессов управления. 2021. № 1 (63). С. 27–33. DOI: 10.35752/1991-2927-2021-1-63-27-33.
19. Еремин О.Ю., Степанова М.В. Распределение заданий по узлам вычислительной системы на платформе Интернета вещей на основе машинного обучения // Динамика сложных систем. 2020. T. 14. № 2. С. 84−92.
20. Verma C., Illés Z., Stoffová V. Towards Real-Time Homogeneity and Heterogeneity in Student’s Beliefs. International Conference on Decision Aid Sciences and Application (DASA). 2020. P. 99–103. DOI: 10.1109/DASA51403.2020.9317040.
21. Caelen O., Bontempi G. Improving the exploration strategy in bandit algorithms. In: Learning and Intelligent Optimization. Number 5313 in LNCS, Springer. 2008. P. 56–68.