Особливості застосування штучного інтелекту в системах інтернету речей
DOI:
https://doi.org/10.34121/1028-9763-2026-2-3-13Ключові слова:
інтернет речей, великі дані, штучний інтелект, машинне навчання, TinyMLАнотація
У статті проведено аналіз особливостей застосування штучного інтелекту (ШІ) для обробки BigData (BD) у системах IoT (BD-IoT). Досліджено побудову сучасних багаторівневих систем ІоТ, проведено порівняння обробки BD в традиційних хмарних сервісах та в граничній області ІоТ. Показано можливості використання новітніх мережевих стандартів стільникового зв’язку для побудови систем ІоТ. Досліджено сучасні методи для систем виявлення вторгнень у мережу (NIDS), що дозволяють оптимізувати аналіз трафіку та підвищити рівень безпеки в системах IoT на основі обробки BD. Також було розглянуто підхід до TinyML для розподілення систем обробки між пристроями задля дослідження доцільності використання у системах BD-IoT. У результаті проведеного аналізу встановлено, що перехід від традиційної хмарної архітектури до розподілених архітектур з використанням ШІ сприяє горизонтальній масштабованості мереж BD-IoT та мінімізує навантаження на хмару в умовах обмежених обчислювальних та мережевих ресурсів. Обґрунтовано, що використання стандартів 5G та 6G є необхідною вимогою для масштабування систем BD-IoT великою кількістю сенсорів і забезпечення стабільної роботи в умовах географічного поширення на основі збільшення пропускної здатності мереж із використанням ШІ. Визначено доцільність розподілу функцій NIDS між різними рівнями BD-IoT-системи відповідно до обсягу даних та необхідної швидкості реакції при застосуванні ШІ. Використання вибору ознак на рівні граничних обчислень забезпечує високу швидкість обробки критичних даних та інтерпретацію результатів, тоді як вилучення ознак у хмарному середовищі дозволяє ідентифікувати складні приховані атаки на великих масивах даних. Показано, що використання підходів TinyML є перспективним напрямом розподілу обчислювального навантаження у BD-IoT-системах. Впровадження моделей машинного навчання безпосередньо на рівні кінцевих пристроїв дозволяє суттєво мінімізувати обсяги переданих даних до хмарної інфраструктури, підвищуючи при цьому енергоефективність системи та забезпечуючи можливість прийняття критичних рішень у режимі реального часу. Табл.: 2. Іл.: 2. Бібліогр.: 19 назв.
Посилання
1. Hassebo A., Tealab M. Global Models of Smart Cities and Potential IoT Applications: A Review. IoT. 2023. Vol. 4, N 3. P. 366–411. DOI: https://doi.org/10.3390/iot4030017.
2. Коваленко О.Є. Ситуаційні моделі обробки інформації в системах інтернету речей. Математичні машини і системи. 2025. № 2. С. 15–23. DOI: https://doi.org/10.34121/1028-9763-2025-2-15-23.
3. ITU-T Rec. Y.2060 (06/2012). Overview of the Internet of things. DOI: https://www.itu.int/rec/T-REC Y.2060-201206-I.
4. Lee K. The Internet of Things (IoT): Applications, investments, and challenges for enterprises. Business Horizons. 2015. Vol. 58, Issue 4. P. 431–440. DOI: https://doi.org/ 10.1016/j.bushor.2015.03.008.
5. ITU-R M.[IMT-2020.TECH PERF REQ] — Minimum Requirements Related to Technical Performance for IMT–2020 Radio Interface(s), document ITU-R M.2410-0. International Telecommunication Union — Recommendations. 2017. Nov. [Online]. URL: https://www.itu.int/pub/R-REP-M.2410-2017.
6. Ren R., Wang J., Yu J., Zhu X., Wan X., Lu H. Joint Resource Allocation for Multiplexing eMBB, URLLC and mMTC Traffics Based on DRL. IEEE 99th Vehicular Technology Conference (VTC2024-Spring). Singapore, Singapore, 2024. P. 1–5. DOI: https://doi.org/10.1109/VTC2024-Spring62846.2024.10683585.
7. Robin Ch., Nankya M., Akl R. 6G Networks and the AI Revolution — Exploring Technologies, Applications, and Emerging Challenges. Sensors. 2024. N 6. P. 1888. DOI: https://doi.org/ 10.3390/s24061888.
8. ITU-R. Requirements related to technical performance for IMT-Advanced radio interface(s). Report ITU-R M.2134. 2008. URL: https://www.itu.int/pub/R-REP-M.2134-2008.
9. ITU-R. IMT Vision — Framework and overall objectives of the future development of IMT for 2020 and beyond. Recommendation ITU-R M.2083-0. 2015. URL: https://www.itu.int/rec/R-REC-M.2083/en.
10. 3GPP. Service requirements for the 5G system. 3rd Generation Partnership Project (3GPP), TS 22.261 V15.0.0. 2018. URL: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=2933.
11. El Morr C., Ali-Hassan H. Descriptive, Predictive, and Prescriptive Analytics. Analytics in Healthcare. SpringerBriefs in Health Care Management and Economics. Springer, Cham. 2019. https://doi.org/10.1007/978-3-030-04506-7_3.
12. Коваленко О.Є. Інтелектуалізація граничних обчислень інтернету речей. Математичні машини і системи. 2024. № 3–4. С. 50–68. DOI: https://doi.org/10.34121/1028-9763-2024-3-4-50-68.
13. Ficili I., Giacobbe M., Tricomi G., Puliafito A. From Sensors to Data Intelligence: Leveraging IoT, Cloud, and Edge Computing with AI. Sensors. 2025. Vol. 25 (6). P. 1763. https://doi.org/10.3390/s25061763.
14. Marjani M., Nasaruddin F., Gani A. et al. Big IoT Data Analytics: Architecture, Opportunities, and Open Research Challenges. IEEE Access. 2017. Vol. 5. P. 5247–5261. DOI: https://doi.org/10.1109/ACCESS.2017.2689040.
15. Nguyen D.C., Ding M., Pathirana P.N. et al. 6G Internet of Things: A Comprehensive Survey. IEEE Internet of Things Journal. 2022. Vol. 9, N 1. P. 359–383. DOI: https://doi.org/10.1109/JIOT.2021.3103320.
16. Yahyati C., Lamaakal I., Maleh Y. et al. A Systematic Review of State-of-the-Art TinyML Applications in Healthcare, Education, and Transportation. IEEE Access. 2025. Vol. 13. P. 204513204562. DOI: https://doi.org/10.1109/ACCESS.2025.3633575.
17. DFRobot. Top 8 TinyML Frameworks and Compatible Hardware Platforms. 2024. Jul 12. URL: https://www.dfrobot.com/blog-13921.html.
18. Li, J., Othman M.S., Chen H. et al. Optimizing IoT intrusion detection system: feature selection versus feature extraction in machine learning. Journal of Big Data. 2024. Vol. 11. P. 36. DOI: https://doi.org/10.1186/s40537-024-00892-y.
19. Mishra P., Varadharajan V., Tupakula U., Pilli E. A detailed investigation and analysis of using machine learning techniques for intrusion detection. IEEE Communications Surveys & Tutorials. 2019. Vol. 21, N 1. P. 686–728. DOI: https://doi.org/10.1109/COMST.2018.2847722.
82
34Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
