One of the central problems in massive Internet of Things (IoT) deployments is the monitoring of the status of a massive number of links. The problem is aggravated by the irregularity of the traffic transmitted over the link, as the traffic intermittency can be disguised as a link failure and vice versa. In this work we present a traffic model for IoT devices running quasi-periodic applications and we present both supervised and unsupervised machine learning methods for monitoring the network performance of IoT deployments with quasi-periodic reporting, such as smart-metering, environmental monitoring and agricultural monitoring. The unsupervised methods are based on the Lomb-Scargle periodogram, an approach developed by astronomers for estimating the spectral density of unevenly sampled time series.

Bản dịch tiếng Việt:

Một trong những vấn đề trọng tâm trong việc triển khai Internet of Things (IoT) quy mô lớn là việc giám sát trạng thái của một số lượng lớn các liên kết. Vấn đề trở nên trầm trọng hơn do tính bất thường của lưu lượng được truyền qua liên kết, vì sự gián đoạn lưu lượng có thể được ngụy trang dưới dạng lỗi liên kết và ngược lại. Trong công việc này, chúng tôi trình bày mô hình lưu lượng truy cập cho các thiết bị IoT chạy các ứng dụng gần như định kỳ và chúng tôi trình bày cả phương pháp học máy có giám sát và không giám sát để giám sát hiệu suất mạng khi triển khai IoT với báo cáo gần như định kỳ, chẳng hạn như đo lường thông minh, giám sát môi trường và giám sát nông nghiệp. Các phương pháp không giám sát dựa trên biểu đồ Lomb-Scargle, một phương pháp được các nhà thiên văn học phát triển để ước tính mật độ quang phổ của chuỗi thời gian được lấy mẫu không đồng đều.

Document Ready

Click below to load the full PDF document natively.