Αποδοτικές τεχνικές διαχείρισης δεδομένων μεγάλου όγκου στο πλαίσιο συστημάτων IoT μεγάλης κλίμακας

Περίληψη

Στον κόσμο του Διαδικτύου των Πραγμάτων (IoT), τα διασυνδεδεμένα συστήματα, οι αισθητήρες και οι συσκευές παράγουν συνεχώς δεδομένα, δημιουργώντας προκλήσεις στην αποδοτική συλλογή, επεξεργασία και ασφαλή αποθήκευση αυτών των πληροφοριών. Αυτή η διατριβή εστιάζει στην ανάπτυξη καινοτόμων λύσεων που ανταποκρίνονται στις μοναδικές απαιτήσεις των μεγάλων δεδομένων στο πλαίσιο των συστημάτων (IoT), ενισχύοντας την απόδοση, την ασφάλεια και την κλιμακωσιμότητα. Σε αυτή διατριβή, αναπτύχθηκαν αλγόριθμοι για τη βελτιστοποίηση ερωτημάτων σε συστήματα μεγάλων δεδομένων, βελτιώνοντας σημαντικά την αποδοτικότητα των διαδικασιών ανάκτησης δεδομένων μέσω της μείωσης του χρόνου επεξεργασίας και της κατανάλωσης πόρων. Οι στρατηγικές προσωρινής αποθήκευσης που παρουσιάζονται βασίζονται σε βαθιά ενισχυτική μάθηση (DRL) και σε Μαρκοβιανή αλυσίδα Μόντε Κάρλο (MCMC), εξασφαλίζοντας τη φρεσκάδα των δεδομένων ενώ βελτιστοποιούν την κατανάλωση ενέργειας, κάτι που είναι ζωτικής σημασίας για τη δυναμική φύση τ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In the world of the Internet of Things (IoT), interconnected systems, sensors, and devices continuously generate data, creating challenges in the efficient collection, processing, and secure storage of this information. This dissertation focuses on developing innovative solutions that meet the unique demands of big data in IoT systems, enhancing performance, security, and scalability. In this dissertation, algorithms were developed for query optimization in big data systems, significantly improving the efficiency of data retrieval processes by reducing processing time and resource consumption. The caching strategies presented are based on deep reinforcement learning (DRL) and Markov Chain Monte Carlo (MCMC), ensuring data freshness while optimizing energy consumption, which is vital for the dynamic nature of IoT data. The feasibility of federated learning on resource-constrained IoT devices was also demonstrated, maintaining data privacy while enabling distributed learning across multi ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/57631
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/57631
ND
57631
Εναλλακτικός τίτλος
Efficient big data management techniques in the context of large-scale IoT systems
Συγγραφέας
Καρράς, Αριστείδης (Πατρώνυμο: Νικόλαος)
Ημερομηνία
2024
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Πολυτεχνική. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Εξεταστική επιτροπή
Σιούτας Σπυρίδων
Μακρής Χρήστος
Τσώλης Δημήτριος
Οικονόμου Κωνσταντίνος
Αντωνοπούλου Σωτηρία
Καρύδης Ιωάννης
Γιωτόπουλος Κωνσταντίνος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Υπολογιστές, Υλικό (hardware) και Αρχιτεκτονική
Λέξεις-κλειδιά
Διαδίκτυο των πραγμάτων; Δεδομένα μεγάλου όγκου; Τεχνικές διαχείρισης δεδομένων; Τεχνητή νοημοσύνη άκρου; Προηγμένες τεχνικές μηχανικής μάθησης; Ομοσπονδιακή μάθηση
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.