ТЕНДЕНЦИИ РАЗВИТИЯ ПРОГРАММНЫХ СИСТЕМ ДЛЯ ОБРАБОТКИ И АНАЛИЗА БОЛЬШИХ ДАННЫХ УСТРОЙСТВ ИНТЕРНЕТА ВЕЩЕЙ (IOT)

Касатиков Николай Николаевич; Фадеева Анна Дмитриевна; Умаров Ш.М.; Брехов Олег Михайлович

Науки о Земле / Earth Sciences Оригинальная статья / Original Article УДК 911.3:314.7

DOI: 10.31161/1995-0675-2022-16-2-41-49

Тенденции развития программных систем для обработки и анализа больших данных устройств интернета вещей (IoT)

1 Московский авиационный институт Москва, Россия, e-mail: nick925@yandex.ru, abluemoon@mail.ru, obrekhov@mail.ru

2 Научно-исследовательский институт точных приборов Москва, Россия, e-mail: shapi0890@mail.ru 3 Московский государственный университет геодезии и картографии

Москва, Россия, e-mail: shapi0890@mail.ru

РЕЗЮМЕ. Целью работы является создание и использование системы для обработки и анализа больших данных устройств интеренета вещей (IoT), которая упростит оценку развития населенных пунктов. Методы. В статье рассмотрены вопросы развития программных систем для обработки и анализа больших данных IoT устройств. Проведен анализ перспектив и проблем внедрения интеренета вещей (IoT) устройств умного города, а именно - безопасность и конфиденциальность, интеллектуальные датчики, сети и аналитика больших данных. Рассмотрены тенденции развития аналитики больших данных для Smart City IoT. Результаты. Предложена модель мультиагентной системы (МАС) для сбора и анализа данных устройств интернета вещей (IoT) и для оценки развития населенных пунктов. Выводы. Предлагаемая система обеспечит эффективное использование ресурсов сети, уменьшит время сбора и анализа данных устройств интернета вещей (IoT) для развития населенных пунктов. Мультиагентная система обеспечит выполнение сложных многократных запросов в специализированных ПрО, связанных с данными от датчиков интернета вещей (IoT) умного города, что также позволит упростить и обезопасить данные пользователей.

Ключевые слова: умный город, большие данные, IoT, мультиагентные системы, предметная область, анализ больших данных.

Формат цитирования: Касатиков Н. Н., Фадеева А. Д., Умаров Ш. М., Брехов О. М. Тенденции развития программных систем для обработки и анализа больших данных устройств интернета вещей (IoT) // Известия Дагестанского государственного педагогического университета. Естественные и точные науки. 2022. Т. 16. № 2. С. 41-49. DOI: 10.31161/1995-0675-2022-16-2-41-49_

Development Trends of Software Systems for Big Data Processing and Analyzing of Internet of Things (IoT) Devices

1 Moscow Aviation Institute

Moscow, Russia; e-mail: nick925@yandex.ru, abluemoon@mail.ru, obrekhov@mail.ru

2 Research Institute of Precision Instruments Moscow, Russia; e-mail: shapi0890@mail.ru 3 Moscow State University of Geodesy and Cartography Moscow, Russia; e-mail: shapi0890@mail.ru

••• Известия ДГПУ. Т. 16. № 2. 2022

••• DSPU JOURNAL. Vol. 16. No. 2. 2022

ABSTRACT. The aim of the paper is to create and use a system for processing and analyzing of big data of Internet of things (loT) devices, which will simplify the assessment of the settlements development. Methods. The article deals with the development of software systems for processing and analyzing of big data from loT devices. An analysis was made for the prospects and issues of implementing the Internet of Things (loT) of Smart City devices, namely security and privacy, smart sensors, networks and big data analytics. The development trends of big data analytics for Smart City loT are considered. Results. It is proposed a model of a multi-agent system (MAS) for data collecting and analyzing from Internet of things (loT) devices to assess the settlements development. Conclusions. The proposed system will ensure the efficient use of network resources; reduce the time for collecting and analyzing of data from Internet of Things (loT) devices for the settlements development. The multi-agent system will ensure the execution of complex multiple queries in specialized software related to data from sensors of the Internet of Things (loT) of the Smart City, which will also simplify and secure user data.

Keywords: Smart City, big data, loT, multi-agent systems, domain area (DA), big data analysis.

For citation: Kasatikov N. N., Fadeeva A. D., Umarov Sh. M., Brekhov O. M. Development Trends of Software Systems for Big Data Processing and Analyzing of Internet of Things (loT). Dagestan State Pedagogical University. Journal. Natural and Exact Sciences. 2022. Vol. 16. No. 2. Pp. 41-49. DOI: 10.31161/19950675-2022-16-2-41-49 (In Russian)

Введение

В последние годы большой интерес вызывает технология интернета вещей (IoT) применительно к умным домам [1; 3]. Одним из основных компонентов умных городов является умный дом, поскольку он центральный элемент жизни жителей города [2; 6]. Умные дома предполагают использование сенсорных устройств, установленных по всему дому, которые предоставляют информацию о доме, а также о его жителях. Эти датчики могут включать в себя мониторы активности пользователей, такие как датчики окружающей среды, трекеры движения и энергопотребление [4; 7; 8]. Огромные массивы данных, полученные с использованием таких датчиков, требуют решения прикладных и научных задач, связанных с организацией процедур сборки и передачи данных, эффективным управлением процессом анализа собранных «Больших данных» (Big Data) [20].

Предполагается, что к 2025 году более 75 миллиардов устройств будут подключены к интернету [14], что приведет к еще большему развитию и разработке приложений для анализа и обработки данных умных городов. В контексте умного города Интернет вещей позволяет датчикам собирать и отправлять данные о состоянии города в центральное облако, которые затем извлекаются и обрабатываются для получения закономерностей и принятия решений.

Например, датчики качества воды могут быть развернуты для постоянного предоставления обновленной информа-

ции о качестве используемой воды в городе и обнаружения утечек [18].

Датчики IoT также могут использоваться для мониторинга условий окружающей среды в городе для определения уровней загрязнения [12] и перенаправления горожан к следующему бесплатному парко-вочному месту для экономии затрат на топливо [15].

Основная часть

Интернет вещей обещает оцифровку всех аспектов нашей жизни. Для умных городов этот процесс оцифровки влечет за собой распространение узлов зондирования во всех сферах функционирования городского механизма. При такой широкой сфере применения создание и последующее развертывание систем IoT в умных городах сопряжено с огромными проблемами, которые необходимо учитывать. В этой статье рассмотрим тенденции развития программных систем для обработки и анализа больших данных IoT устройств [9].

На рисунке 1 показаны различные проблемы, с которыми сталкивается развертывание системы Smart City IoT, а именно: безопасность и конфиденциальность, интеллектуальные датчики, сети и аналитика больших данных.

Безопасность наряду с конфиденциальностью - это главная забота умных городов. Умные города предполагают наличие основных городских инфраструктур в сети, любое отклонение в работе городских служб принесет неудобства его гражданам и подвергнет опасности человеческие жизни и имущество.

Естественные и точные науки ••• 43

Natural and Exact Sciences •••

Рис. 1. Перспективы и проблемы развития IoT умного города

Fig. 1. Prospects and issues for the development of IoT Smart City

Поэтому безопасность - это большая проблема в умных городах. Безопасность один из ключевых моментов для развития программных систем и для обработки и анализа больших данных устройств интернета вещей (IoT). В наше время, когда киберпреступность и война стали тактикой в мировой политике, умные города подвергаются все большему риску стать целью таких злонамеренных атак. В этом сценарии необходимо шифрование данных, передаваемых по сети. Чтобы проекты умных городов были успешными, они требуют доверия и участия граждан. Распространение датчиков в умных городах, которые непрерывно собирают данные об активности людей, может раскрыть повседневную деятельность граждан для нежелательных сторон. Более того, компании и корпорации в сети IoT могут использовать данные граждан без их согласия для таких вещей, как таргетированная реклама, и могут выполнять такие действия, как подслушивание и т. д. Для решения этой проблемы потребуются процессы, которые анонимизируют сбор данных при сохранении целостности контекста измеряемых данных. Безопасность и конфиденциальность подробно описаны в этом документе.

Умные датчики - это аппаратные компоненты, которые собирают данные в умных городах. Эти устройства производятся множеством различных поставщиков, которые придерживаются различных механизмов обнаружения, стандартов измерения, форматов данных и протоколов связи. Развертывание умного города потребует, чтобы все эти устройства обменивались данными, выполняли планиро-

вание задач между ними и могли агрегировать данные вместе для создания выводов. Решением этой проблемы является разработка и использование открытых протоколов и форматов данных, позволяющие производителям создавать оборудование, которое может обмениваться данными между собой, что еще больше ускорит развертывание системы IoT. Другим решением может быть разработка «стандартных» узлов точек доступа для систем IoT, которые могут связываться с устройствами, используя несколько различных протоколов связи, и могут декодировать полученную информацию. Некоторые производители фактически сделали свои продукты совместимыми с другими протоколами, как упомянуто в [10, c. 3]. Еще одна проблема для интеллектуальных датчиков - надежность и устойчивость. Надежность и устойчивость относятся к надежности и правильности системы IoT. Интернет вещей является основой будущих умных городов, и, будучи неотъемлемой частью их работы, система интернета вещей должна обеспечивать бесперебойную работу своих пользователей. Для этого необходимо, чтобы запросы на обслуживание от пользователей приложения получали точный и своевременный ответ. Качество обслуживания должно быть обеспечено каждому жителю умного города. Системы, обеспечивающие важные коммунальные услуги, такие как транспорт, электричество и т. д., должны быть децентрализованы. Распределенные точки подключения обеспечат надежность. Одним из таких примеров является самовосстановление в Smart Grids [13, c. 15].

Многие современные сетевые протоколы разработаны для сетевых устройств инфраструктуры, которые имеют доступ к непрерывному источнику питания, однако датчики в умных городах будут мобильными во многих сценариях и, следовательно, будут питаться от батарей. Более того, им потребуется измерять, передавать и в некоторых случаях сохранять собранные данные. Это требует разработки не только схем передачи данных с низким энергопотреблением и низкими накладными расходами, но также разработки новых технологий памяти и хранения, а также устройств с низким энергопотреблением, которые максимально продлевают срок службы батарей. Хранение такого большого количества данных потребует разработки алгоритмов сжатия, которые будут использоваться, и схем баз данных, которые необходимо будет разрабатывать

••• Известия ДГПУ. Т. 16. № 2. 2022

••• DSPU JOURNAL. Vol. 16. No. 2. 2022

в будущем по мере увеличения масштабов умных городов и интернета вещей. Решение проблем с питанием требует разработки новых аккумуляторных технологий и, возможно, включения механизмов сбора энергии в такие устройства, чтобы сделать возможным долгосрочное предоставление услуг, что показывает влияние ситуации с тенденции развития программных систем для обработки и анализа больших данных устройств интернета вещей (IoT) для оценки развития населенных пунктов.

Интернет вещей зависит от способности датчиков и других устройств отправлять и получать информацию друг другу и облаку. В связи с появлением новых приложений для умных городов предоставление сети для этих устройств, чтобы они оставались подключенными, становится большой проблемой. Современные сетевые методы не оптимизированы для предоставления сетевых услуг для компонентов умного города. Многие устройства в умных городах предъявляют требования к мобильности и пропускной способности данных, которые необходимо выполнить, чтобы обеспечить приемлемое качество обслуживания. Для решения этой проблемы были предложены различные подходы к определению точек доступа, локальных сетей и т. д. Другой аспект сети - это работа над эффективными и динамическими протоколами маршрутизации, которые могут удовлетворить требования IoT, способные работать как со стационарными, так и с движущимися устройствами, чего многие современные протоколы не предлагают в достаточной степени [19, c. 1].

Обзор публикаций по теме исследования. Устройства, подключенные к IoT, сгенерировали 13,6 зетта-байт данных в 2018 г., и ожидается, что к 2025 г. этот показатель вырастет до 79,4 зетта-байт [17, c. 1]. Чтобы использовать эти данные и постоянно улучшать услуги, предоставляемые в умных городах, необходимо разработать новые алгоритмы анализа данных. В связи с множеством различных параметров, которые измеряются в умных городах, эти алгоритмы должны быть применимы к данным различной природы (как структурированным, так и неструктурированным), необходимо разработать более совершенные методы слияния данных, чтобы объединить их значимым образом и уметь извлекать выводы и распознавать закономерности. Глубокое обучение представляет интерес в этой области, поскольку оно может использовать этот большой объем данных для обеспечения лучших резуль-

татов для различных приложений. Еще одно важное соображение - обеспечить масштабируемость разработанных алгоритмов, чтобы они имели достаточную универсальность и могли использоваться в предполагаемом приложении. Например, для целей распознавания активности авторы в [11, c. 21] обнаружили, что CNN, обученная распознаванию активности на одном наборе данных, не работает хорошо на других, или в [16, c. 23], где сеть глубокого обучения плохо работает, когда пигментированный цвет помидора отличается от оригинального. Дрейф концепций -еще одна проблема, вызывающая беспокойство, поскольку при непрерывном сборе данных свойства данных могут со временем меняться. В этом отношении могут быть полезны такие методы, как постепенное обучение. Объяснимость -еще один важный фактор, который делает аналитику умного города широко приемлемой, особенно в области умного здоровья. Для этого были предложены некоторые подходы, в [21, c. 122-123] продемонстрирован гибридный классификатор глубокого обучения и решение на основе семантических веб-технологий для применения мониторинга наводнений. В [15, c. 122] авторы представляют объяснимую систему здравоохранения, основанную на глубоком обучении, на Edge для лечения COVID-19, основанную на парадигме распределенного обучения, с многообещающими результатами. Тем не менее, необходимо выполнить дополнительную работу по включению методов объяснимо-сти, таких как дистилляция, визуализация и внутренние методы, в приложения умного города на основе машинного и глубокого обучения, чтобы увеличить распространение приложений умного города.

Предлагаемая модель

Проведенный анализ публикаций показывает, что для сбора и анализа данных IoT устройств эффективно использование МАС (многоагентные системы), в которых специализированные ПА взаимодействуют друг с другом для совместного решения поставленной пользователем цели.

Информационный поиск заключается во взаимодействии между пользователями и поставщиками информации, в процессе которой в ответ на информационный запрос пользователя поставщик информации направляет ему определенные сведения, релевантные этому запросу, которые затем будут обрабатываться в соответствии с моделью обработки.

Уровень Промежуточный

приложений уровень

Пользователь уГ X

информации 1 1 ? Ш Г 4 4 4 Л

Пользователь информации 2 н г* ^Шл Механизм обработки

hfl знаний

Пользователь V )

информации N Гв

ьл

Уровень сенсоров

Рис. 2. Модель непосредственного взаимодействия пользователей и поставщиков информации

Fig. 2. Model of direct interaction between users and information providers

Установление непосредственного взаимодействия всех потенциальных пользователей со всеми потенциальными поставщиками приводит к ряду проблем, связанных с многообразием способов подачи информационных запросов и ответов на них. В общем случае для m пользователей информации и n ее поставщиков нужно иметь m*n средств преобразования представления информации (рис. 2). Кроме того, с появлением нового поставщика надо возобновлять такие средства для всех.

Для эффективного обмена информацией между потребителями информации и ее поставщиками необходимы посредники, которые упрощают это взаимодействие. Рассмотрим модель сбора и анализа данных IoT устройств, представленную на рис. 2, которая имеет три уровня: 1) пользователей (тех, кто используют данные); 2) поставщиков (тех, кто предоставляет информацию) и 3) промежуточный, что обеспечивает связь между первым и вторым уровнями [1, c. 1].

Основное преимущество такой модели заключается в отсутствии прямых связей между пользователями и поставщиками информации

На каждом из этих уровней целесообразно использовать ИПА (Intelligent Personal Assistant):

- для уровня пользователей задача агентов заключается в том, чтобы точно определить, что именно ищет пользователь, чего он хочет, или у него какие-либо дополнительные требования к этой информации и тому подобное;

- для уровня поставщиков задачей агентов является упорядочение точного описания информации, которую предоставляет этот поставщик, и восстановление этих данных при изменениях контента;

- для посредников задачей агентов является эффективное взаимодействие между агентами первого и второго уровней, то есть между пользователями и поставщиками информации, а также обработка данных для последующего анализа.

Рассмотрим мультиагентную систему сбора и анализа данных 1оТ устройств (МАССАД). Она обеспечивает эффективное использование ресурсов сети, уменьшает время сбора и анализа данных 1оТ устройств.

МАССАД обеспечивает выполнение сложных многократных запросов в специализированных ПрО (предметная область), связанных с данными от датчиков 1оТ умного города. Запросы таких пользователей могут повторяться от сеанса к сеансу или меняться, но оставаться в рамках определенной ПрО.

МАССАД является посредником между пользователем и существующими средствами сбора данных от датчиков 1оТ (интернет вещей) умного города. Ее назначение - сделать обращение пользователя к данным от датчиков 1оТ умного города более эффективным, удобным и быстрым. Система содержит ПА (программный агент), которые соответствуют трем уровням поиска информации: агентов пользователей, агентов ИП (интернет-протокола) и агентов-посредников. Агенты МАССАД делятся на два типа: при-

••• Известия ДГПУ. Т. 16. № 2. 2022

••• DSPU JOURNAL Уо!. 16. N0. 2. 2022

кладные и служебные. Агенты ИП и агенты пользователей являются прикладными, а агенты промежуточного слоя - служебными. Количество служебных агентов определяется их функциями в МАССАД, а количество экземпляров прикладных агентов не ограничена и определяется количеством пользователей.

В состав МАССАД входят:

- сервер с БД (База данных) и соответствующим ПО (Программное обеспечение);

- апплеты, предоставляемых пользователям МАССАД для автономной работы;

- ПА для обеспечения функций, связанных с выполнением информационных запросов пользователей.

Сервер МАССАД обеспечивает следующие функции:

- регистрацию пользователей, сохранение созданных ими онтологий, постоянных информационных запросов и результатов выполнения этих запросов;

- регистрацию новых ИП (1оТ устройств умного города);

- выполнения постоянных информационных запросов пользователей и обработку результатов выполнения этих запросов;

- накопление сведений о выполнении постоянных запросов;

- сохранение персональных данных пользователей МАССАД.

На уровне пользователей в МАССАД действуют агенты, связанные с конкретными пользователями.

Основные функции этих ПА:

- переформулирование запроса пользователя, основанное на персонифицированной информации об этом пользователе, и которое учитывает предыдущий опыт его информационного поиска;

- передача запроса другим ПА;

- получение результатов запроса и представления их пользователю в удобной для него форме.

На промежуточном уровне в М МАС-САД АИПС действуют служебные ПА: агент-архивариус, агент-диспетчер, агент-интегратор и агент-фильтрации.

Основная функция этих агентов-посредников - установление эффективного взаимодействия между ПА пользователей и ИП в исполнении запросов.

Агент-архивариус получает запрос от агента пользователя, сравнивает его с записями в БД МАССАД, где накапливается информация о выполненных ранее запросах и их результаты.

Если в БД найден именно такой запрос, тогда агент-архивариус проверяет актуальность его результатов, и, если она является удовлетворительной, передает полученный результат агенту пользователя.

Если архивариус не находит в БД соответствующего запроса, он передает этот запрос агенту-диспетчеру для выполнения.

Если же в БД найден соответствующий запрос, но нет сообщения о результатах его обработки (то есть запрос еще выполняется), агент-архивариус передает агенту-диспетчеру сообщение с рекомендацией повысить статус запроса (если определенная информация нужна значительному количеству пользователей одновременно, быстрое выполнение такого запроса может повысить эффективность работы системы в целом). Агент-диспетчер выбирает соответствующих агентов ИП для выполнения предоставленного ему запроса. Он получает от агента-архивариуса запрос и, проанализировав его параметры и данные о ИП в БД МА МАССАД ИПС, передает этот запрос агентам избранных ИП.

Функцией агента-интегратора [2, c. 1] является объединение результатов обработки запросов, предоставленных различными агентами ИП. Этот результат передается агенту фильтрации.

Агент фильтрации анализирует этот результат на основе опыта выполнения предыдущих информационных запросов пользователя, сведения о которых содержатся в БД МАССАД [3, c. 1], и контекста, в котором выполнялся поиск.

Согласно трехуровневой модели поиска информации, служебные ПА могут взаимодействовать друг с другом и с прикладными ПА, однако прикладные ПА не могут взаимодействовать друг с другом напрямую.

Модель МАССАД состоит из моделей классов ПА, входящих в ее состав. Все эти ПА имеют сходную структуру, но отличаются по функциям, которые они выполняют [4, 16; 7].

Модель каждого класса агентов описывается тремя моделями, соответствуют убеждениям, целям и желаниям агентов.

Заключение

Можно сделать несколько предложений по перспективе использования интернета вещей для проектов умного города [8, с 1]. Основная область исследований - безопасность и конфиденциальность 1оТ в умных городах с точки зрения методов шифрования, протоколов аутентификации, методов анонимизации дан-

ных и других методов предотвращения несанкционированного доступа к сети IoT. Как упоминалось ранее, такие технологии, как блокчейн [9, с. 2], могут помочь внедрить отслеживание и контроль доступа, безопасное обнаружение устройств, предотвращение спуфинга, потерю данных, одновременно обеспечивая использование сквозного шифрования.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Из стандартов передачи данных, разработанных до сих пор для интернета вещей, большинство несовместимы друг с другом [5, с. 3]. В этом отношении необходимо провести работу, чтобы обеспечить возможность взаимодействия узлов датчиков с использованием различных протоколов при использовании низкого энергопотребления, что является обязательным для узлов датчиков в сети.

Еще одна область, над которой нужно работать, - это разработка эффективных методов хранения и оборудования с низким энергопотреблением, которые могут снизить эксплуатационные расходы, что поможет развитию населенных пунктов. С точки зрения развертывания децентрализованные системы были предложены как лучшее решение для повышения надежности приложения. Такие методы, как федеративное обучение, позволяют развертывать децентрализованные системы DL (Deep Learning).

В области ИИ (искусственного интеллекта) тоже есть большой простор для потенциальной работы в развитии населенных пунктов. Исследования включают в себя разработку методов слияния данных, которые могут упростить использование разнородных источников данных, интеллектуальных методов сокращения данных / выбора функций, чтобы гарантировать, что избыточные или «неинтересные» данные не являются частью конвейера разработки ИИ. Это поможет сократить время выполнения работ, а также повысит производительность развертываний. Необходимо использовать существующие методы, а также исследовать новые, чтобы сделать алгоритмы ML (Machine Learning) и DL более понятными и подходящими для различных приложений в умном городе.

Агентная парадигма привносит ряд принципиально новых свойств и возможностей в информационные технологии и представляет собой качественно новый уровень ее развития, обеспечивается распределенными вычислениями в гетерогенной информационной среде интернет.

Внедрение агентных технологий должно повысить эффективность интеллектуальной деятельности человека, избавив ее от рутинных операций. Одним из факторов интереса к МАС стало развитие сети интернета, в которой функциониально распределены автономные программные системы, обрабатывающие гетерогенные информационные ресурсы, что значительно поможет упростить данные для развития населенных пунктов.

Выбор агентных технологий как базовых при проектировании распределенных ИС (интеллектуальных систем) обеспечивает сочетание интеллектуальных средств работы с различными типами БД, БЗ (база знаний) и хранилищ данных со стандартизированными протоколами обмена знаниями. В такие системы еще на этапе проектирования закладываются гибкость, горизонтальная и вертикальная масштабируемость, открытость архитектуры и мобильность.

Делегирование сложных задач муль-тиагентным системам позволяет представлять и решать проблемы, которые трудно формализуются.

Предлагаемая система обеспечит эффективное использование ресурсов сети, уменьшит время сбора и анализа данных IoT устройств.

МАССАД обеспечит выполнение сложных многократных запросов в специализированных ПрО, связанных с данными от датчиков IoT умного города.

В дальнейшем предлагается разработка программной системы для обработки и анализа больших данных IoT устройств и для оценки развития населенных пунктов, которая позволит прогнозировать процессы развития населенных пунктов.

В перспективе использование данной программной системы позволит снизить затраты энергоносителей. Также исследование методов и алгоритмов машинного обучения поможет упростить использование разнородных источников данных, даст гарантию, что избыточные или «неинтересные» данные не будут включаться в конвейер анализа интеллектуальных данных. Это поможет сократить время выполнения работ, а также повысит производительность развертываний. Необходимо использовать существующие методы, а также исследовать новые, чтобы сделать алгоритмы машинного обучения более понятными и подходящими для различных приложений умного города.

48 ••• Известия ДГПУ. Т. 16. № 2. 2022

••• DSPU JOURNAL. Vol. 16. No. 2. 2022

Литература

1. Аксенов М. А., Казарновский В. А. Система "умный дом" для коттеджного дома // Аллея науки. 2019. Т. 2. № 2 (29). С. 191-194.

2. Герасимова Ю. С., Шайтура С. В. Москва - умный город // Славянский форум. 2018. № 1 (19). С. 197-202.

3. Гордюшина О. С., Кувшинова О. А. Концепция умного дома // Форум молодых ученых. 2019. № 2 (30). С. 540-545.

4. Данилова М. А., Долгачева Е. О. Интеллектуальное управление домом. "Умный дом" // Фотинские чтения. 2018. № 1 (9). С. 209-212.

5. Касатиков Н. Н., Фадеева А. Д., Брехов О. М., Цибин А. В., Белоногова Е. А. Практическое создание системы для составления данных устройств Интернет-вещей // Авиация и космонавтика: тезисы XX Международной конференции (Москва, 22-26 ноября 2021 г.). М.: Перо, 2021. С. 220-221.

6. Макаров А. Д., Хисматулина З. С., Хованская Ю. С., Якимов Р. А., Денисов Е. С. Облачная система обработки данных для системы мониторинга энергопотребления // Информационные технологии в электротехнике и электроэнергетике: материалы XII Всероссийской научно-технической конференции (Чебоксары, 05 июня 2020 г.). Чебоксары, 2020. С. 323-325.

7. Панфилов И. А. Актуальность использования системы "умный дом" в России // Вестник науки. 2019. Т. 1. № 7 (15). С. 133-137.

8. Шайтура С. В., Замятин П. А., Белю Л. П., Султаева Н. Л. Совокупная стоимость владения решениями на базе технологии "интернет вещей" // Вестник Курской государственной сельскохозяйственной академии. 2021. № 2. С. 124-133.

9. Шацкий В. А., Бабайцев А. В., Никонорова Л. И. Интеллектуальная система "умный дом"// Наука и Образование. 2020. Т. 3. № 4. С. 73.

10. Al-Turjman F., Malekloo A. Smart parking in IoT-enabled cities: A survey. Sustainable Cities and Society. 2019, 49.

1. Aksenov M. A., Kazarnovskiy V. A. The smart house system for a cottage house. Alleya nauki [Alley of Science]. 2019. Vol. 2. No. 2 (29). Pp. 191-194. (In Russian)

2. Gerasimova Yu. S., Shaytura S. V. Moscow is a smart city. Slavyanskiy forum [Slavic Forum]. 2018. No. 1 (19). Pp. 197-202. (In Russian)

3. Gordyushina O. S., Kuvshinova O. A. The concept of a smart home. Forum molodykh uchenykh [Forum of Young Scientists]. 2019. No. 2 (30). Pp. 540-545. (In Russian)

4. Danilova M. A., Dolgacheva E. O. Intelligent home control. Fotinskie chteniya [Fotin Readings]. 2018. No. 1 (9). Pp. 209-212. (In Russian)

11. Casilari E., Lora-rivera R., García-lagos F. A study on the application of convolutional neural networks to fall detection evaluated with multiple public datasets. Sensors 2020. 20(5):1466.

12. Dutta J., Chowdhury C., Roy S., Middya A. I., Gazi, F. Towards smart city: Sensing air quality in city based on opportunistic crowd-sensing. Proceedings of the 18th International Conference on Distributed Computing and Networking. 2017. No. 42. Pp. 1-6.

13. Haverkort B. R., Zimmermann A. Smart Industry: How ICT Will Change the Game! IEEE Internet Comput. 2017. 21(1). Pp. 8-10.

14. Lele A. Internet of things (IoT). Smart Innovation, Systems and Technologies. 2019. 132: 187-195.

15. Rahman A., Hossain M. S., Alrajeh N. A., Guizani N. B5G and explainable deep learning assisted healthcare vertical at the edge: COVID-19 Perspective. IEEE Network PP (99). Pp. 1-8.

16. Rahnemoonfar M., Sheppard C. Deep count: Fruit counting based on deep simulated learning. Sensors 2017. 17(4).

17. Risteska S. B., Trivodaliev K. A review of Internet of Things for smart home: Challenges and solutions. Journal of Cleaner Production. 2017. 140. Pp. 1454-1464.

18. Rojek I., Studzinski J. Detection and localization of water leaks in water nets supported by an ICT system with artificial intelligence methods as a way forward for smart cities. Sustainability.

2019. 11(2):518.

19. Saini A., Malik A. Routing in internet of things: A survey. Commun. Comput. Syst. 2017. I. 855-860.

20. Shaitura S. V., Feoktistova F. M., Minitaeva A. M., Olenev L. A., Chulkov V. O., Kozhaev Y. P. Spatial geomarketing powered by big data. Revista Turismo Estudos & Práticas. 2020. No. S5. P. 13.

21. Thakker D., Mishra B., Abdullatif A., Ma-zumdar S. Explainable artificial intelligence for developing smart cities solutions. Smart Cities.

2020. 3(4). Pp. 1353-1382.

5. Kasatikov N. N., Fadeeva A. D., Brekhov O. M., Tsibin A. V., Belonogova E. A. Practical creation of a system for compiling these devices of the Internet of Things. Aviatsiya i kosmonavtika: Te-zisy XX Mezhdunarodnoy konferentsii (Moskva, 22-26 noyabrya 2021 g.) [Aviation and Cosmonautics: Abstracts of the 20th International Conference (Moscow, November 22-26, 2021)]. Moscow, Pero Publ., 2021. Pp. 220-221. (In Russian)

6. Makarov A. D., Khismatulina Z. S., Khovan-skaya Yu. S., Yakimov R. A., Denisov E. S. Cloud data processing system for the energy consumption monitoring system. Informatsionnye tekhnologii v elektrotekhnike i elektroenergetike: materialy XII Vserossiyskoy nauchno-tekhnicheskoy

References

konferentsii (Cheboksary, 05 iyunya 2020 g.) [Information Technologies in Electrical Engineering and Electric Power Industry: Proceedings of the 12th All-Russian Scientific and Technical Conference (Cheboksary, June 05, 2020)]. Cheboksary, 2020. Pp. 323-325. (In Russian)

7. Panfilov I. A. The relevance of smart house system using in Russia. Vestnik nauki [Bulletin of Science]. 2019. Vol. 1. No. 7 (15). Pp. 133-137. (In Russian)

8. Shaytura S. V., Zamyatin P. A., Belyu L. P., Sultaeva N. L. The total cost of solutions ownership based on the Internet of things technology. Vestnik Kurskoy gosudarstvennoy sel'skokho-zyaystvennoy akademii [Jounal of Kursk State Agricultural Academy]. 2021. No. 2. Pp. 124-133. (In Russian)

9. Shatskiy V. A., Babaytsev A. V., Nikonorova L. I. Intelligent smart house system. Nauka i Obra-zovanie [Science and Educatio]. 2020. Vol. 3. No. 4. P. 73. (In Russian)

10. Al-Turjman F., Malekloo A. Smart parking in IoT-enabled cities: A survey. Sustainable Cities and Society. 2019, 49.

11. Casilari E., Lora-rivera R., García-lagos F. A study on the application of convolutional neural networks to fall detection evaluated with multiple public datasets. Sensors 2020. 20(5):1466.

12. Dutta J., Chowdhury C., Roy S., Middya A. I., Gazi, F. Towards smart city: Sensing air quality in city based on opportunistic crowd-sensing. Proceedings of the 18th International Conference on Distributed Computing and Networking. 2017. No. 42. Pp. 1-6.

СВЕДЕНИЯ ОБ АВТОРАХ Принадлежность к организации

Касатиков Николай Николаевич, аспирант, кафедра 304 "Информатика и вычислительная техника", Московский авиационный институт, Москва, Россия, e-mail: nick925@yandex.ru

Фадеева Анна Дмитриевна, студентка, кафедра "Технология испытаний и эксплуатация", Московский авиационный институт, Москва, Россия; e-mail: abluemoon@mail.ru

Умаров Шапи Магомед-Тагирович, главный специалист, Научно-исследовательский институт точных приборов, Москва, Россия; преподаватель кафедры фотограмметрии, Московский государственный университет геодезии и картографии, Москва, Россия; email: shapi0890@mail.ru

Брехов Олег Михайлович, доктор технических наук, профессор, заведующий кафедрой 304 "Информатика и вычислительная техника", Московский авиационный институт, Москва, Россия; e-mail: obrekhov@mail.ru

13. Haverkort B. R., Zimmermann A. Smart Industry: How ICT Will Change the Game! IEEE Internet Comput. 2017. 21(1). Pp. 8-10.

14. Lele A. Internet of things (loT). Smart Innovation, Systems and Technologies. 2019. 132: 187-195.

15. Rahman A., Hossain M. S., Alrajeh N. A., Guizani N. B5G and explainable deep learning assisted healthcare vertical at the edge: COVID-19 Perspective. IEEE Network PP (99). Pp. 1-8.

16. Rahnemoonfar M., Sheppard C. Deep count: Fruit counting based on deep simulated learning. Sensors 2017. 17(4).

17. Risteska S. B., Trivodaliev K. A review of Internet of Things for smart home: Challenges and solutions. Journal of Cleaner Production. 2017. 140. Pp. 1454-1464.

18. Rojek I., Studzinski J. Detection and localization of water leaks in water nets supported by an ICT system with artificial intelligence methods as a way forward for smart cities. Sustainability.

2019. 11(2):518.

19. Saini A., Malik A. Routing in internet of things: A survey. Commun. Comput. Syst. 2017. I. 855-860.

20. Shaitura S. V., Feoktistova F. M., Minitaeva A. M., Olenev L. A., Chulkov V. O., Kozhaev Y. P. Spatial geomarketing powered by big data. Revista Turismo Estudos & Praticas. 2020. No. S5. P. 13.

21. Thakker D., Mishra B., Abdullatif A., Ma-zumdar S. Explainable artificial intelligence for developing smart cities solutions. Smart Cities.

2020. 3(4). Pp. 1353-1382.

INFORMATION ABOUT AUTHORS Affiliations

Nikolay N. Kasatikov, Ph.D. student, Moscow Aviation Institute, Department 304 "Computer Science and Computer Engineering", Moscow, Russia; e-mail: nick925@yandex.ru

Anna D. Fadeeva, student, Department of Testing Technology and Operation, Moscow Aviation Institute, Moscow, Russia; e-mail: abluemoon@mail.ru

Shapi M. Umarov, Chief Specialist, Research Institute of Precision Instruments, Moscow, Russia; Lecturer, Department of Photogramme-try, Moscow State University of Geodesy and Cartography, Moscow, Russia; e-mail: shapi0890@mail.ru

Oleg M. Brekhov, Doctor of Science (Engineering), Professor, Head of the Department 304 "Informatics and Computer Engineering", Moscow Aviation Institute, Moscow, Russia; email: obrekhov@mail.ru

Принята в печать 15.04.2022 г.

Received 15.04.2022.

DEVELOPMENT TRENDS OF SOFTWARE SYSTEMS FOR BIG DATA PROCESSING AND ANALYZING OF INTERNET OF THINGS (IOT) DEVICES

Текст научной работы на тему «ТЕНДЕНЦИИ РАЗВИТИЯ ПРОГРАММНЫХ СИСТЕМ ДЛЯ ОБРАБОТКИ И АНАЛИЗА БОЛЬШИХ ДАННЫХ УСТРОЙСТВ ИНТЕРНЕТА ВЕЩЕЙ (IOT)»