Data Management for Enhanced Resource Utilization in Internet of Things Systems
Notice bibliographique
Résumé
Internet of Things (IoT) systems are driven by numerous Wireless Sensor Networks (WSNs) at the sensing layer supporting various applications.Due to the high volume, complexity, and velocity of IoT data and the limited resource of IoT devices, it is crucial to develop efficient data management to fulfill the required Quality-of-Service (QoS).However, managing IoT traffic based on QoS metrics is insufficient, especially when the required QoS is not attainable even after optimally utilizing all available resources.In this thesis, data analytics is used to develop metrics and methodologies for identifying the quality of IoT data in terms of predictability and contained information.The Quality-of-Information (QoI) of the collected data must be optimized while being subjected to the limited resources to ensure that IoT applications run successfully.Therefore, the QoI is exploited in data management, reduction, and forwarding.Firstly, advanced algorithms are developed for performing Dual-Prediction (DP) to reduce data based on its predictability.The proposed algorithms are based on Deep Neural Networks, which are able to outperform existing techniques in terms of reduction ratio while maintaining the same error levels in recovery.Secondly, information-oriented data reduction and forwarding are developed to maximize the Information-Content (IC) of collected data.The proposed IC metric measures data redundancy and recoverability.The developed schemes aim to improve data delivery by ensuring that all delivered data is important for running applications successfully.Throughout the writing of this dissertation, I have received a great deal of support and assistance.First and foremost, I would like to thank my supervisor, Professor Mohamed Ibnkahla, whose expertise was invaluable in formulating the research questions and methodology.Your insightful feedback and advice pushed me to sharpen my thinking and brought my work to a higher level.Thank you for all resources and time spent in developing the quality
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».