کیفیت داده ها در اینترنت اشیاء: یک بررسی حالت از هنر

قیمت: 58,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

کیفیت داده ها در اینترنت اشیاء: یک بررسی حالت از هنر

عنوان لاتین

Data quality in internet of things: A state-of-the-art survey

در اینترنت اشیاء (IoT) ، داده های جمع آوری شده از مقیاس استقرار جهانی اشیای هوشمند، بر اساس تصمیم گیری های هوشمندانه و ارائه خدمات (سرویس ها) می باشند. اگر داده ها با کیفیت پایینی همراه باشند، تصمیم گیری ها احتمالا غیرممکن هستند. کیفیت داده ها (DQ) برای دستیابی به تعامل و پذیرش کاربر پارادایم و سرویس های IoT بسیار مهم است. هدف از این مقاله، افزایش کیفیت داده ها در IoT با ارائه یک بررسی جالت از هنر آن است. ویژگی های داده ها و چرخه عمر جدید آنها در IoT مورد بررسی قرار می گیرند. مفهوم DQ تعریف شده و مجموعه ای از ابعاد عمومی و دامنه خاص DQ با تناسب (برازش) استفاده آنها در ارزیابی کیفیت داده های IoT انتخاب شده است. عوامل مرتبط با IoT موثر بر DQ و تاثیر آنها بر ابعاد مختلف DQ و بر روی DQ کلی بطور دقیق مورد تجزیه و تحلیل قرار گرفته است. اظهارات مسائل DQ مورد بحث قرار گرفته و علائم آنها شناسایی شده است. نقاط پرت داده ها، به عنوان یک اظهارات DQ اصلی، دانش پایه و تاثیر آنها بر محتوای IoT و کاربرد آن مورد مطالعه قرار گرفته است. روش های بهبود DQ با تمرکز خاص بر روش های پاکسازی داده ها ارائه شده اند که با استفاده از یک طبقه بندی گسترده به بررسی و مقایسه ویژگی ها و تناسب آنها برای استفاده در IoT پرداخته می شود. در نهایت، چالش های گسترش و جهت گیری های تحقیقات آینده در این زمینه مورد بحث قرار گرفته است.

In the Internet of Things (IoT), data gathered from a global-scale deployment of smart-things, are the base for making intelligent decisions and providing services. If data are of poor quality, decisions are likely to be unsound. Data quality (DQ) is crucial to gain user engagement and acceptance of the IoT paradigm and services. This paper aims at enhancing DQ in IoT by providing an overview of its state-of-the-art. Data properties and their new lifecycle in IoT are surveyed. The concept of DQ is defined and a set of generic and domain-specific DQ dimensions, fit for use in assessing IoT's DQ, are selected. IoT-related factors endangering the DQ and their impact on various DQ dimensions and on the overall DQ are exhaustively analyzed. DQ problems manifestations are discussed and their symptoms identified. Data outliers, as a major DQ problem manifestation, their underlying knowledge and their impact in the context of IoT and its applications are studied. Techniques for enhancing DQ are presented with a special focus on data cleaning techniques which are reviewed and compared using an extended taxonomy to outline their characteristics and their fitness for use for IoT. Finally, open challenges and possible future research directions are discussed.