The rapid growth of IoT devices has led to an enormous amount of sensor data that requires transmission to cloud servers for processing, resulting in excessive network congestion, increased latency and high energy consumption. This is particularly problematic in resource-constrained and remote environments where bandwidth is limited, and battery-dependent devices further emphasize the problem. Moreover, in domains such as agriculture, consecutive sensor readings often have minimal variation, making continuous data transmission inefficient and unnecessarily resource intensive. To overcome these challenges, we propose an analytical prediction algorithm designed for edge computing environments and validated through simulation. The proposed solution utilizes a predictive filter at the network edge that forecasts the next sensor data point and triggers data transmission only when the deviation from the predicted value exceeds a predefined tolerance. A complementary cloud-based model ensures data integrity and overall system consistency. This dual-model strategy effectively reduces communication overhead and demonstrates potential for improving energy efficiency by minimizing redundant transmissions. In addition to reducing communication load, our approach leverages both in situ and satellite observations from the same locations to enhance model robustness. It also supports cross-site generalization, enabling models trained in one region to be effectively deployed elsewhere without retraining. This makes our solution highly scalable, energy-aware, and well-suited for optimizing sensor data transmission in remote and bandwidth-constrained IoT environments.

Bản dịch tiếng Việt:

Sự phát triển nhanh chóng của các thiết bị IoT đã dẫn đến một lượng dữ liệu cảm biến khổng lồ cần được truyền đến máy chủ đám mây để xử lý, dẫn đến tắc nghẽn mạng quá mức, tăng độ trễ và tiêu thụ năng lượng cao. Điều này đặc biệt có vấn đề trong các môi trường ở xa và hạn chế về tài nguyên, nơi băng thông bị hạn chế và các thiết bị phụ thuộc vào pin càng nhấn mạnh thêm vấn đề. Hơn nữa, trong các lĩnh vực như nông nghiệp, các kết quả đọc cảm biến liên tiếp thường có độ biến thiên tối thiểu, khiến việc truyền dữ liệu liên tục không hiệu quả và tốn nhiều tài nguyên một cách không cần thiết. Để vượt qua những thách thức này, chúng tôi đề xuất một thuật toán dự đoán phân tích được thiết kế cho môi trường điện toán ranh giới và được xác thực thông qua mô phỏng. Giải pháp được đề xuất sử dụng bộ lọc dự đoán ở biên mạng để dự báo điểm dữ liệu cảm biến tiếp theo và chỉ kích hoạt truyền dữ liệu khi độ lệch so với giá trị dự đoán vượt quá dung sai được xác định trước. Mô hình dựa trên đám mây bổ sung đảm bảo tính toàn vẹn dữ liệu và tính nhất quán của toàn bộ hệ thống. Chiến lược mô hình kép này giảm chi phí liên lạc một cách hiệu quả và chứng tỏ tiềm năng cải thiện hiệu quả sử dụng năng lượng bằng cách giảm thiểu việc truyền tải dư thừa. Ngoài việc giảm tải liên lạc, phương pháp tiếp cận của chúng tôi tận dụng cả quan sát tại chỗ và quan sát vệ tinh từ cùng một vị trí để nâng cao độ bền của mô hình. Nó cũng hỗ trợ khái quát hóa giữa các địa điểm, cho phép các mô hình được đào tạo ở một khu vực có thể được triển khai hiệu quả ở nơi khác mà không cần đào tạo lại. Điều này làm cho giải pháp của chúng tôi có khả năng mở rộng cao, tiết kiệm năng lượng và rất phù hợp để tối ưu hóa việc truyền dữ liệu cảm biến trong môi trường IoT từ xa và bị hạn chế về băng thông.

Document Ready

Click below to load the full PDF document natively.