本文为美国迈阿密大学（作者：Parul Maheshwari）的硕士论文，共49页。
物联网在我们的日常生活中变得无处不在，这意味着更多的技术将产生数据。物联网设备使用传感器来监测环境的各种属性，如温度、湿度、光线等。这些传感器周期性地产生数据，并将这些海量数据存储在数据库中，正成为数据存储基础设施中的一个巨大挑战。现有的研究已经提出压缩算法和签名技术来减少数据存储，但是没有具体说明如何定义数据模式。由于周围环境在每天中都显示相似的数据模式，这些数据都是从日常感知中产生的类似信息。因此，在本研究中，我们提出一个储存数据模型而非储存原始数据点的系统。我们不是一次存储每个数据点，而是开发和存储具有相应时间段的数据模型，通过这些时间段捕获传感器数据的行为，这有助于减少数据存储需求。开发的数据模型是符合样本数据集的数学多项式模型，此外，我们还提出了一种传感器数据库结构，解决了数据库中数据冗余和时间约束的问题。
The Internet of Things (IoTs) is becomingubiquitous in our everyday lives, implying that more technologies will generatedata. IoT devices use sensors to monitor various attributes of the environmentsuch as temperature, humidity, light, etc. These sensors produce data periodicallyand storing this massive data in a database is becoming a huge challenge in thedata storage infrastructure. Prior research has proposed compression algorithmsand signature techniques to reduce data storage but do not specify how the datapatterns are defined. Since similar patterns are exhibited everyday by theenvironment, this data generates the same information from everyday sensing.Therefore, in this study, we propose a system that stores data models ratherthan storing raw data points. Instead of storing each data point at a time, wedevelop and store data models with the corresponding time periods that capturesthe behavior of the sensor data. This helps in reducing data storagerequirements. The data models developed are mathematical polynomial models thatfit a sample data set. In addition, we propose a sensor database structure thataddresses the issues of data redundancy as well as temporal constraints in thedatabase.
- 引言
- 背景知识
- 相关工作
- 传感器数据模型
- 传感器数据库
- 实验结果
- 结论
更多精彩文章请关注公众号：
