EDGE COMPUTING UNTUK INTERNET DARI HAL-HAL
KID Model-Driven Hal-Edge-Cloud Computing Paradigma Data Lalu Lintas sebagai Layan
Bowen Du, Runhe Huang, Zhipu Xie, Jianhua Ma, dan Weifeng Lv
SEBUAH bstrAct
Pengembangan sistem lalu lintas cerdas bisa mendapatkan
keuntungan dari besarnya kegunaan dari IOT nologies tech-. Dalam
beberapa tahun terakhir, semakin banyak perangkat yang
terhubung ke IOT, dan jenis baru dari sumber data yang heterogen
telah Gen-erated. Hal ini menyebabkan sistem lalu lintas yang ada
di dimensi diperpanjang ruang data. Meskipun komputasi awan
dapat menyediakan layanan penting yang mengurangi beban
komputasi pada IOT es devic-, ia memiliki keterbatasan: jaringan
yang tinggi konsumsi bandwidth, latency yang tinggi, dan risiko
privasi yang tinggi. Untuk mengatasi masalah ini, komputasi tepi
telah muncul untuk mengurangi beban komputasi untuk mencapai
TDaaS dalam cara yang dinamis. Howev- er, cara mengemudi kerja
semua tepi server dan memenuhi persyaratan layanan data masih
isu utama. Untuk mengatasi tantangan ini, artikel ini mengusulkan
sebuah novel tiga tingkat transparansi-of-lintas-data yang wakil
kerangka ser-, yaitu, TEC com- puting paradigma KID-driven.
Tujuannya adalah untuk memungkinkan server tepi untuk kooperatif
bekerja dengan server cloud. Sebuah studi kasus disajikan untuk
menunjukkan kelayakan dari paradigma komputasi yang diusulkan
baru dengan mekanisme terkait. Kinerja sistem yang diusulkan juga
dibandingkan dengan ods meth- lainnya.
saya P endahuluan
Dengan pertumbuhan eksponensial dalam jenis dan jumlah perangkat
IOT seperti sors nirkabel sen-, kendaraan cerdas, dan kamera
pengintai, sejumlah besar dan berbagai data dapat ed akan
mengumpulkan, yang merupakan manfaat besar dalam industri dan
kehidupan sehari-hari. Penggunaan data ini tidak hanya membantu
mengoptimalkan sistem transportasi, tetapi juga mendukung layanan
data lalu lintas dalam cara yang dinamis. Namun, untuk memahami
status real-time dari sistem lalu lintas, seperti pola bergerak, tidak
hanya data mentah, tetapi juga algoritma data mining yang
diperlukan.
Baru-baru ini, komputasi awan telah muncul sebagai
paradigma komputasi terkemuka. Ini mendukung akses mand
on-de- ke sejumlah besar data dan sumber daya komputasi yang
disediakan oleh perorangan- perorangan dan organisasi setiap
saat dan dari mana saja melalui Internet. Data lalu lintas-Kebaktian
(TDaaS) [1] bertujuan untuk menyediakan layanan data
menggunakan data terpadu dan pengetahuan menyatu dari
berbagai sumber untuk sistem lalu lintas cerdas. Hal ini didasarkan
pada konsep ing comput- transparan [2], yaitu, memungkinkan
pelayanan lalu lintas tanpa perlu mengetahui bagaimana data
terintegrasi atau bagaimana pengetahuan telah ditemukan oleh
pemohon data dan penyedia data [3].
Digital Object Identifier:
10,1109 / MNET.2018.1700169 Bowen Du, Zhipu Xie, dan Weifeng Lv adalah dengan Beihang University; Runhe Huang (penulis yang sesuai) dan Jianhua Ma adalah dengan Universitas Hosei
34 0890-8044 / 18 / $ 25.00 © 2018 IEEE
Namun, karena merupakan model proses terpusat, platform
cloud-hanya memiliki empat keterbatasan untuk TDaaS:
• Transmisi data dalam jumlah besar antara perangkat
IOT dan awan mengkonsumsi sejumlah besar
bandwidth jaringan.
• Menyediakan layanan data melalui internet mau tidak mau
menunda aplikasi real-time.
• Memproses volume besar data menempatkan beban
komputasi di atas awan itu.
• Peningkatan risiko pelanggaran privasi [4] terjadi ketika
data yang sensitif terkena di Internet.
Munculnya komputasi tepi mengilhami sebuah paradigma
baru untuk membangun hubungan antara perangkat IOT dan
platform awan [5]. Sev- eral paradigma tersebut, seperti
komputasi tepi mobile dan komputasi kabut, telah disajikan
dalam beberapa tahun terakhir. Mereka terutama
mengoptimalkan awan sistem puting com- dengan melakukan
pengolahan data di tepi jaringan data, dekat sumber data, yang
secara signifikan mengurangi volume arus data, bandwidth
jaringan pekerjaan, dan waktu respon dari layanan data, karena
IOT Devic - es dapat diakses ke server tepi tanpa melewati
data melalui Internet [6]. tran et al. [ 7] illus- studi kasus basisnya
kolaborasi antara server tepi. Namun, mereka kebanyakan
difokuskan pada pengaturan arsitektur yang menggabungkan
keunggulan komputasi dan komunikasi infrastruktur, bukan
pada penyediaan data.
Untuk tujuan ini, dalam artikel ini, kami mengusulkan
pengetahuan-informasi-data (KID) driven TDaaS tepi
komputasi (TEC) paradigma untuk TDaaS. Ide utama TEC
adalah bahwa dengan memanfaatkan komputasi edge dan
menyediakan lingkungan komputasi terdistribusi untuk aplikasi
dan layanan host-ing, beban komputasi dari server awan
bersama, sehingga menghilangkan transmisi utama dan
hambatan komputasi untuk platform cloud-satunya . Selain itu,
risiko kebocoran privasi berkurang. Paradigma yang diusulkan
mirip dengan tepi ponsel komputasi, sebuah karya net- konsep
arsitektur layanan data yang memungkinkan awan dan tepi
komputasi di tepi data pekerjaan net-. Namun, untuk
memungkinkan TEC bekerja automat- ically, mesin penemuan
pengetahuan dan fusi diperlukan untuk meningkatkan
kerjasama antara tepi dan komputasi awan. Model KID [8]
adalah mesin kognitif yang dapat digunakan untuk Lisan ing
data yang masuk, baik permintaan layanan dan data
penyediaan. Hal ini memungkinkan aliran data, informal
mation asimilasi, dan bahkan fusi pengetahuan. KID terdiri dari
tiga tingkat transparan untuk layanan tepi dan server cloud.
Ada dinamis
IEEE Jaringan • Januari / Februari 2018
langkah-langkah yang membuat pelaksanaan tiga lev-
Server Cloud
pendekatan transparan el layak, yaitu, transparansi data,
server tepi
transparansi untuk model, dan transparansi untuk layanan. TDaaS
E2
Artinya, TEC com- paradigma puting harus mampu mesin Global
layanan K-toko
mengenali data yang masuk, menemukan wawasan dari
data, dan sadar akan tugas dan situasi, yang dapat
disediakan oleh model KID.
server tepi
Internet
E3
Sisa dari artikel ini disusun sebagai berikut. Arsitektur
paradigma komputasi TEC dijelaskan, diikuti oleh sebuah
ilustrasi dari transparansi diaktifkan oleh model KID. Kemudian
Tepi Server E 1 Lokal ••• •••

studi kasus deteksi peristiwa lalu lintas disajikan yang K-toko

K nowledge server tepi
<V 1, G 1, SEBUAH 1>
menunjukkan bagaimana kombinasi KID dan TEC bisa <V 4, G 4, SEBUAH 4> I-toko
En
saya NFORMASI
mendapatkan keuntungan TDaaS. Akhirnya, kesimpulan singkat <V 5, G 5, SEBUAH 5> D-toko
<V 2, G 2, SEBUAH 2>
diberikan. saya NFORMASI
<V 6, G 6, SEBUAH 6>
<V 3, G 3, SEBUAH 3>
VV
V

V
saya NFORMASI
VV

KID d terbelah
Sumber D ata mengumpulkan
tec c omputIng p ArAdIgm untuk td A A s Sumber data 2 Sumber
TDaaS [1] adalah sistem tujuan berorientasi yang transparan data 1 data 3

mengintegrasikan heterogen sumber data multi dan sekering fitur

ditambang dan dis pengetahuan yang dicakup untuk layanan lalu
lintas. Paradigma TEC memungkinkan bagian dari perhitungan dan
pengolahan data yang akan didistribusikan dari awan ke server tepi,
yang lebih dekat ke perangkat IOT. Namun, cara efektif dan secara
efisien mengarahkan pengolahan data dan menyeimbangkan
sumber daya komputasi masih merupakan tantangan dalam
paradigma TEC. Bagian ini secara singkat menjelaskan paradigma
komputasi TEC KID-didorong untuk TDaaS, seperti ditunjukkan
pada Gambar. 1.
Data Data
lokasi kamera
GAMBAR 1. KID-driven paradigma komputasi TEC.
disimpan secara lokal, bila data yang diperlukan dan dikirim ke
pusat data di awan, data yang inte- Gration dan pengolahan
dilakukan di sana. Pendekatan ini pasti memiliki masalah
platform cloud-satunya. Untuk mengatasi mereka, digm TEC
para, dijelaskan di bawah, digunakan.

e nAblIng t rAnspArent Hai n d emand s ervices

Dalam arsitektur TDaaS sebelumnya, semua sumber data
didistribusikan tetapi memiliki link di pusat data di awan.
Setelah menerima permintaan layanan, pusat data cloud
terintegrasi dan memproses data dengan pengetahuan sebelumnya
yang terkandung dalam lary Vocabu- tiga, Grafik, Algoritma. Di sini,
Kosakata memegang deskripsi yang diperlukan dari tipe data,
hubungan proper-, dan hubungan; Grafik memegang hubungan badan;
dan Algoritma memegang semua algoritma yang diperlukan untuk
pengolahan data dan pertambangan. Sistem ini mencapai transparansi
tiga tingkat untuk TDaaS:
1. Pengumpulan data transparan kepada pengguna data.
2. Integrasi data transparan untuk ers data yang provid-.
3. Data sebagai layanan transparan untuk pengguna data
dan penyedia.
Empat komponen utama dari TDaaS sistematis tem adalah
Client Transparan, eh Serv- Transparan, DaaS Agen, Sumber Data
Service Center, dan Pengolahan Data Service Center. Dalam modus
layanan on-demand [9], semua model pengolahan data dan layanan
di TDaaS dirancang untuk layanan ent bidang transparansi.
Umumnya, setiap jenis lalu lintas data memiliki karakteristik sendiri.
Misalnya, generasi kendaraan lintasan membutuhkan model yang
rumit yang mencakup menghubungkan lokasi GPS dengan time
series dan pencocokan mereka untuk jaringan jalan, sedangkan
untuk data video, model ekstraksi pengetahuan diperlukan untuk
menemukan profil kendaraan dan pola ing mov-. Artinya, tidak setiap
simpul dapat memproses jenis data yang sama, tetapi mereka
semua perlu memperhitungkan sumber daya rekening komputasi,
penyimpanan ity capac-, dan konektivitas.
Walaupun semua data dapat didistribusikan dan
e mbeddIng yang KID m odel Ke tec
Berbeda dengan platform cloud-satunya, TEC adalah
kerangka yang mendistribusikan penyimpanan dan cessing
pro set besar data lalu lintas ke server tepi lebih dekat ke
perangkat IOT. Setiap perangkat IOT terhubung ke server
tepi yang memiliki kemampuan untuk menyimpan dan data
preprocess serta pilih atau bahkan menyediakan layanan.
Untuk menyadari situasi layanan data (misalnya, data apa
yang diminta atau data apa sumber daya yang tersedia) dan
memungkinkan data yang penyediaan layanan (misalnya,
sumber daya apa yang dibutuhkan dan di mana untuk
mengirim data untuk diproses) paradigma komputasi TEC
membutuhkan cogni- sebuah Model tive dengan mekanisme
terkait. oleh karena itu, model KID tertanam ke dalam
kerangka TEC, dan mendorong pengakuan dinamis situasi
lalu lintas dan persyaratan layanan.
Model KID memiliki tiga tahap kognitif: interpretasi,
asimilasi, dan Instansiasi. Semua tiga tahap ini memerlukan
pengetahuan sebelumnya. Oleh karena itu, K-toko,
mendatang pengetahuan repositori struc-, adalah elemen inti
dan terdiri dari tiga
< Kosa kata, Grafik, Algoritma >. isi dan hubungan mereka diberikan
pada Gambar. 2.
Kosa kata adalah kumpulan dari tipe data tions defini-,
termasuk sifat potensi mereka, dan hubungan di antara mereka.
Dengan sifat ini dan hubungan, pengetahuan yang relevan
dapat dicocokkan seperti yang diminta. Beberapa kosakata
standar seperti Dbpedia, YAGO, dan schema.org [ 10] dapat
digunakan. Namun, ada beberapa kosakata cater-

IEEE Jaringan • Januari / Februari 2018 35

 Oleh karena itu, hanya diperlukan data, informasi, dan
misalnya ganda ganda pengetahuan dikirim ke awan bukannya semua data. Model
Garis bujur Lintang KID menggunakan tiga tahap kognitif atau proses:
interpretasi data ing incom-, asimilasi mation informal
GPSSensor
dilayani oleh
ditafsirkan, dan Instansiasi pengetahuan untuk penyediaan
embeddedOn
V ocabulary
layanan. Gambar 3 memberikan gambaran dari sistem
Server kendaraan
TDaaS KID-driven bawah paradigma komputasi TEC.

Al
ba

go
ru

r itm
da
la

a
Ko tpu

ak
sa t d
ou

na
os
ka ari

m
ak

en
ta

at
Seperti Gambar. 3 menunjukkan, model KID tertanam di

do
a
m lgo

ya

ro
en ri

ng
ng
server tepi. Triple pengetahuan < Vocabu- lary, Grafik, Algoritma >

A
en tm

de
fin
tu a

isi
di K-toko yang diambil untuk mendukung tiga proses kognitif,

ka
n
ka toh

in
yaitu, interpretasi, asimilasi, dan Instansiasi. Oleh karena itu

pu
sa con
ta

da t
data yang diubah menjadi informasi, dan selanjutnya menjadi
Ko ng

n
m ya
la fik

pengetahuan. Selama ini es proses-, beberapa data, informasi,

fik
d a gr a

ra

Entitas Grafik merupakan

G

dan pengetahuan disimpan dalam D-toko lokal, I-toko, dan

la am

n
ka
ke dal

masukan dari Algoritma

tu

K-toko, namun ada juga yang dikirim ke awan. Tepi server

s
s

en
ita

en
t
En

G raph SEBUAH lgorithm memiliki pekerja layanan yang memberikan layanan langsung
m
ta
ka

kembali ke perangkat IOT jika informasi dan pengetahuan dari

sa

Output dari Algoritma

Ko

memperkaya Grafik server tepi lainnya tidak diperlukan. Artinya, perangkat IOT
misalnya misalnya
masa depan adalah klien transparan yang dapat menjadi
Garis bujur URL: algoritma / vehicleSpeedEstimation / Masukan
pengumpul data dan penerima layanan dalam mode
GPSSensor # 001
139.0011
Demo: {nilai-nilai: [ pemrosesan lokal. Dalam mode ini, data yang cessing pro dan
Lintang
penyediaan jasa dilakukan com- pletely lokal tanpa melalui
embeddedOn
dilayani oleh
{Ing: 139.0011, lat: 39,0022, t: 08.081.322}]} Keluaran Internet ke awan.
39,0022 Demo:
Taxi # 002
EdgeServer # 003
{Nilai: [{t: 08081322, kecepatan: 36,5}]}

Untuk beberapa kasus, sumber data atau antar memediasi hasil

GAMBAR 2. struktur repositori pengetahuan dan contoh.
ing untuk lalu lintas data, dan ada kebutuhan untuk memperluas mereka
untuk aplikasi TDaaS.
Grafik merupakan representasi pengetahuan yang terdiri dari
simpul dan link [11]. Sebuah titik mewakili suatu entitas, dan link
memegang hubungan antara dua entitas. Seluruh Grafik adalah
satu set entitas dan hubungan mereka, yang didefinisikan dalam
Kosakata. Entitas dalam Grafik dapat menjadi masukan dari
Algoritma, dan output dari Algoritma memperkaya Grafik imbalan.
Algoritma adalah kolam yang memegang koleksi program dieksekusi.
Meskipun mereka ed tanpa memandang sebagai jenis pengetahuan yang
dapat mengekstrak membangun struktur kendala pada aspek, menemukan
pola bergerak, atau bahkan mendukung pengambilan keputusan, mereka
tidak dapat diwakili dalam Grafik. Mereka dikerahkan dalam lingkungan
runtime yang terpisah dan dapat diekspor ke tems sistematis lain sebagai
layanan.
Untuk pemahaman yang lebih baik, contoh Kosakata, Grafik,
dan Algoritma diberikan pada Gambar. 2. di Kosakata, GPSSensor atau pengguna manusia. penyedia Kebaktian dapat tepi atau
adalah tipe data defi- nisi, garis bujur adalah properti, dan embeddedOn
adalah relasi; di Grafik tersebut, GPSSensor # 001 dan
Taksi# 002 adalah entitas; dan di Algoritma, contoh disajikan disebut tion untuk ers layanan receiv-. Tiga tingkat (pengumpulan data,
vehicleSpeedEstima-, yang mengambil catatan posisi kendaraan
sebagai masukan dan keluaran kendaraan kecepatan sebagai time
series.
Hai khtisar dari KID-d terbelah td A A ss ystem
Ketika paradigma TEC tertanam dengan model KID, itu
ditingkatkan dengan kemampuan kognitif model KID untuk
cerdas:
• Data langsung ke awan atau tepi server untuk diproses
• Informasi langsung (yaitu, data yang diberkahi dengan
makna) ke K-toko global atau lokal untuk asimilasi
pengolahan lokal harus dikirim ke awan. Tentu saja, awan umumnya
memegang lebih banyak sumber daya komputasi dan penyimpanan;
menyeimbangkan sumber daya tersebut mempertimbangkan kondisi
lalu lintas bandwidth jaringan dan jaringan merupakan isu utama.
Model KID bertujuan untuk mengoptimalkan menentukan
keseimbangan antara alokasi sumber daya dan tion computa- dengan
pengetahuan yang berkembang karena menafsirkan data eksternal,
mirip dengan pengakuan manusia dari dunia luar.
Menentukan data apa untuk mengirim, di mana untuk
mengirimkannya, dan bagaimana mengirimkannya dilakukan dengan
model KID berdasarkan kesadaran yang baik sumber data dan situasi
layanan data sementara itu terus menafsirkan data yang masuk
menggunakan pengetahuan sebelumnya di K-Store. Pengetahuan
dalam K-Store lokal dapat diperbarui untuk global K-Store di awan,
dan setiap lokal K-Store dapat berbagi pengetahuan di global K-Store
dengan izin.
Dalam sistem TDaaS, penyedia data perangkat IOT dan
penerima pelayanan Internet of Things (IOT) perangkat / hal-hal
cloud server. Penyedia Data tidak perlu tahu bagaimana data
dikumpulkan dan diproses; ini es proses-transparan kepada
mereka. Demikian pula, bagaimana layanan terbentuk transparan
pengolahan dan integrasi, dan jasa) yang transparan untuk
penyedia data dan penerima layanan. Dalam tion sek-
berikutnya, kita menggambarkan bagaimana model KID
memungkinkan transparansi tiga tingkat.
td A A se xAmple
Ketika meminta TDaaS, seperti tion estima- dari apakah ada
aktivitas lalu lintas, pengguna pertama posting permintaan
ke URL pada server cloud. Server awan mem-parsing URL
dan peta untuk algoritma layanan trafficEvents ().

• pengetahuan langsung ke awan untuk berbagi atau ke Selain itu, parameter algoritma untuk menentukan rentang waktu dan jalan
K-toko lokal untuk fusi. bagian untuk pengedaran yang dibutuhkan

36 IEEE Jaringan • Januari / Februari 2018

 perangkat IOT

klien
Lingkungan Hidup Data perilaku
Data Video
layanan data Kendaraan

pengaruh
Data sebagai layanan
acara
pekerja layanan
D
kondisi lalu Sejarah distribusi D-toko
lintas real arus lalu Streaming
parsing
time lintas file data
HDFS
mining

mesin layanan data besar

penjadwalan data
lokal Sub-tugas
Interpretasi saya
layanan pencocokan Data
parsing pengetahuan mining
Lokal K-toko
I-toko

Global K-toko kosakata Asimilasi

RDBMS

kosakata global algoritma

yang graphDB global graphDB K
global Server algoritma lokal lokal

Cloud Tepi Server

GAMBAR 3. Gambaran dari sistem TDaaS KID-driven.

Peristiwa fic juga diposting. Alih-alih keluaran hasil akhir,

server cloud hanya output rencana layanan. Ketika dijalankan, 1

hasil akhir yang dihasilkan. Rencana layanan terdiri dari

daftar: [ < memesan 1, edgeServer 1, algoritma 1 >, < memesan 2, eServer
[D 11 D 21 D 31 ••• D m1] saya 1 saya 2 saya •3•••
•• saya T
2 3
edg- 2, algoritma 2 >, ..., < memesan n, edgeServer n,
[D 12 D 22 D 32 ••• D n2] K2
K-toko K 1 TDaaS
algoritma n >]. Di sini, agar menunjukkan urutan eksekusi ••• ••• ••• ••• K3
layanan, edgeServer menentukan Server yang tepi
digunakan, dan algoritma menunjukkan yang algoritma pada [D 1t D 2t D 3t ••• D kt] •••

server tepi harus dipanggil. Rencana layanan kemudian

dieksekusi dalam rangka oleh server tepi ditentukan dan 1 Interpretasi asimilasi 2 Instansiasi 3

produc- es hasil akhir.

GAMBAR 4. Tiga proses kognitif dari data pengetahuan.
•••

KID m odel e nAbles t rAnspArency membenci informasi baru diproduksi, dan

Model KID [12] terinspirasi oleh cog- manusia proses definitif: K panah merupakan ujung Knowledge yang telah ditetapkan dalam
sinyal yang merangsang otak didefinisikan sebagai data dan K-Store. Hal ini menunjukkan bahwa ketika memproduksi informasi
dilambangkan sebagai D; sub- sequently, sistem saraf baru, lebih dari satu sumber data dapat digunakan.
mengubah data menjadi informasi, dinotasikan sebagai SAYA; Akhirnya,
otak memahami informasi dan mengubahnya menjadi Proses ini transparan sehubungan dengan data karena
pengetahuan, dinotasikan sebagai K, dan menyimpannya model data adalah standar dalam kosa kata, dan
dalam memori dengan mendirikan koneksi dengan masing-masing model data terikat dengan spesifik interpretasi(). Sistem
pengetahuan terkait lainnya. Gambar 4 menunjukkan contoh ini dapat Intellistudio lembut mengenali data yang masuk dan
proses ini mengubah data menjadi pengetahuan. Didorong masukan dalam spesifik interpretasi() yang menghasilkan
oleh KID, paradigma TEC comput- ing transparan pada tiga informasi yang diinginkan.
tingkatan, data, model, dan jasa, yang sesuai dengan tiga
fungsi abstrak: interpretasi(), asimilasi(),
SEBUAH ssImIlAtIon untuk m odel t rAnspArency
Informasi yang baru dihasilkan berasimilasi dengan
dan Instansiasi (), masing-masing. Ketiga cesses pro didefinisikan asimilasi() ke dalam tubuh dari K-toko oleh link-ing untuk ada
sebagai berikut. Untuk kejelasan, tions nota- dalam persamaan pengetahuan yang relevan. Ini berarti bahwa tidak hanya adalah
konsisten dengan pada Gambar. 4. entitas baru yang ditambahkan, tetapi juga hubungan baru
ditetapkan. Proses ini dapat dinyatakan sebagai

saya nterpretAtIon untuk d ata t rAnspArency

Setelah data dikumpulkan oleh perangkat IOT, mereka berada di
luar sistem informasi. Sini, interpretasi() berarti endowing data
dengan makna dengan mencari pengetahuan asosiatif, yang
disimpan di K-Store, untuk menafsirkannya. Proses ini dapat
dinyatakan sebagai
1
{ 21, ..., D m
interpretasi (): D 11, D } → K saya 1
dimana D 11, D 21, ..., D m 1 merepresentasikan data input, saya 1 reputasi-
asimilasi (): I 1, saya 2,{..., saya t }→KK1 (2)
dimana saya 1, saya 2, ..., saya t mewakili informasi diproduksi dalam
parse interpretasi dan K 1 adalah pengetahuan baru, yang
ditambahkan ke dalam K-Store, memperkaya itu.
Proses ini transparan sehubungan dengan Model karena
dipicu oleh mantan proses, secara otomatis menyerap
(1)
informasi sebagai pengetahuan, dan menempatkan
pengetahuan di tempat yang benar, di kedua tepi atau server
cloud.

IEEE Jaringan • Januari / Februari 2018 37

 diambil dari sisi awan, mereka secara lokal exe- cuted melalui
Server Cloud pendekatan streaming. Selain itu, KID juga modular.
Central K-toko grafik global
layanan Hanya sebagai model yang berbeda dari mobil yang diproduksi
S
TDaa
perilaku mengemudi arus lalu lintas peraturan konsumen oleh perakitan pada lini produksi otomotif modern yang sama
berikut desain yang berbeda, subgraph data yang terkait dan
mengemudi pola Acara dan keadaan darurat
algoritma diperlakukan sebagai blok karena sama tepi komputasi
node dapat memuat dataset yang berbeda atau algoritma sesuai
dengan pekerjaan didorong oleh awan. Ini berarti bahwa manfaat
MEC server A
Sub-grafik A dari komputasi transparan adalah bahwa kemampuan komputasi
MEC server B lokal dapat sepenuhnya uti- lized karena sumber daya komputasi
kemacetan
Sub-graph B yang glob- sekutu dioptimalkan dan dapat secara otomatis
jalan
dialirkan ke dan dijalankan pada node tepi.
kecepatan K
individu
Interpretasi

A4: kemacetan jalan estimasi

Interpretasi c ase s Studi kita dari e xpresswAy e lubang angin d etectIon
A5: kecepatan estimasi Di sini, sebuah studi kasus acara tol detec- tion disajikan untuk
kepadatan kecepatan
saya saya menggambarkan bagaimana TEC mendukung TDaaS. Kami juga
lalu lintas Video Travel
eksperimental mengevaluasi seberapa baik paradigma komputasi TEC
Lintasan saya KID-driven kami bekerja dengan data real.
Interpretasi

A1: kepadatan lalu lintas estimasi Interpretasi s Cenario d escrIptIon

A2: kecepatan perjalanan estimasi
A3: Bangunan lintasan Berbeda dengan jalan perkotaan, jalan raya adalah sebuah sistem
tertutup, yang berarti bahwa sekali pena kecelakaan terjadi apa atau
aliran K ada cuaca buruk seperti kabut tebal, kendaraan mudah terjebak
D
lokasi GPS D
dalam lalu lintas dan tidak dapat segera mengubah rute mereka
karena ada lebih sedikit keluar . Wisatawan berharap kejadian lalu
perangkat IOT
aktivitas
lintas identi- fied oleh TDaaS harus dilaporkan sesegera mungkin
lalu lintas sehingga mereka dapat memilih rute lain. departemen tasi Transpor-
Jalan ruas ruas ingin menggunakan TDaaS untuk eval- uate apakah tol harus
bagian A jalan B jalan C ditutup. Seperti ditunjukkan pada Gambar. 5, kami memilih bagian
dari jalan raya G6, yang dimulai dari Keempat - Ring - Jalan

GAMBAR 5. KID-driven TEC komputasi dalam deteksi acara tol.

dan berakhir di Badaling - Great - Wall, meliputi sekitar 70 km. Jalan

saya nstAntIAtIon untuk s ervice t rAnspArency
Pengetahuan harus dipakai oleh tion instantia- () Fungsi sebelum itu
diterapkan untuk memecahkan suatu masalah atau digunakan dalam
sebuah aplikasi. Hal ini memungkinkan penerapan pengetahuan untuk
masalah di dunia nyata. TDaaS adalah contoh yang baik dari tion
pengetahuan applica-. Proses ini dapat didefinisikan sebagai
Instansiasi (): K 1 → K 2 Layanan
dimana K 1 adalah pengetahuan yang layanan yang disediakan,
yaitu pengetahuan untuk menjawab permintaan khusus.
Misalnya, jika TDaaS untuk kondisi lalu lintas diperlukan,
pengetahuan disimpan dalam grafik yang benar
menggambarkan kondisi lalu lintas adalah jenis pengetahuan.
Contoh sebelumnya menunjukkan bahwa proses tion instantia-
transparan sehubungan dengan layanan karena menyembunyikan
rincian tentang bagaimana layanan ini disediakan dari layanan
konsumen.
d inamis d ata s ervice p rovIsIonIng di Anak
Di era IOT, data yang disimpan dalam D-toko yang multidimensi,
terus menerus, cepat pro teknya, dan perubahan dari waktu ke
waktu dan ruang. Artinya, sumber daya komputasi harus cocok
dalam situasi di mana kecepatan waktu respon layanan tinggi,
terutama ketika ada pertumbuhan yang signifikan dalam volume
data. Oleh karena itu, KID adalah transparan arsitektur berbasis
komputasi disesuaikan untuk TEC, yang berarti terdiri dari subset
ed pengetahuan-relat- data yang terorganisir yang telah
ditetapkan spesifik dan algoritma. Setelah layanan on-demand
yang
ini dikenakan lalu lintas harian berat, yaitu tidak hanya banyak
kendaraan angkutan, tetapi juga banyak kendaraan wisata bepergian
ke tembok besar. Setelah tol dipengaruhi oleh peristiwa lalu lintas
atau cuaca buruk, wisatawan menghabiskan dua kali lebih panjang
perjalanan sepanjang itu.
Pada segmen kunci dari tol di daerah pusat kota Bei- jing ini,
kamera video surveillance dikerahkan setiap kilometer.
Menggunakan ini, kita dapat memperkirakan volume arus lalu
(3) lintas. Catatan tion LOKASI yang taksi, bus, dan truk yang
dilengkapi dengan GPS dikumpulkan oleh departemen
transportasi yang berbeda atau perusahaan. Menggunakan ini,
kita dapat mempelajari pola bergerak dari cles vehi- untuk
mengidentifikasi lingkup spasial-temporal ence influ-. Selain itu,
masuk dan catatan keluar dari setiap kendaraan yang
menggunakan pengumpulan tol elektronik (ETC), yang mirip
dengan E-ZPass di Amerika Serikat, yang dikumpulkan oleh
departemen manajemen jalan raya.
Dalam hal ini, seperti yang ditunjukkan pada Gambar. Server 5, tepi A
milik departemen transportasi, yang dapat memperoleh kecepatan
perjalanan berdasarkan catatan GPS. Tepi server B digunakan untuk
mengekstraksi Volume arus lalu lintas dan pengetahuan kecepatan
perjalanan dari data video stream besar.
Metode yang ada transmisi semua data ke awan, termasuk
sejumlah besar video stream dan miliaran catatan lokasi
kendaraan, lambat dan menghambat layanan real-time.
Sebaliknya, di TEC KID-driven, tepi server bertindak sebagai
pekerja layanan dan bertanggung jawab untuk memproses data
yang dikumpulkan dari serv- tepi lokal mereka sendiri

38 IEEE Jaringan • Januari / Februari 2018

 700
1200
TC1 TC2 TEC KID-TEC
TC1 TC2 TEC KID-TEC
600

1000

500

800

400

600
300

200 400
100 200

Jumlah data yang dikirimkan

Latency (s)

di Internet (Mb)
0
130.1 247,4 385,1 515,9 639,2 763,5 930,1 0
130.1 247,4 385,1 515,9 639,2 763,5 930,1
Ukuran Data (Mb)
Ukuran Data (Mb)
(Sebuah)
(B)
120
TC1 TC2 TEC KID-TEC
2
TEC KID-TEC
1,8
100
1,6

1.4

80
1.2

60 0.8

0,6

0,4
40
20
Penggunaan CPU (%)

0,2
Retrieval latency (s)

0
10.000 20.000 30.000 40.000 50.000 60.000 70.000
0
130.1 247,4 385,1 515,9 639,2 763,5 930,1 Entitas dalam grafik pengetahuan lokal

Ukuran Data (Mb) (D)

(C)

GAMBAR 6. Perbandingan kinerja awan-satunya TEC dan KID-TEC.

ers. Data diubah menjadi pengetahuan sebelum transmisi ke rithm diimplementasikan dalam Python dan terkandung dalam
awan. Proses ini mengurangi beban komputasi awan. sandbox Python oleh Anaconda sehingga dependensi dapat
ditransmisikan bersama dengan kode. sandbox menggunakan 54
Mb.
d ata d escrIptIon
Ada lima jenis data yang dikumpulkan dalam tem sistematis: e xperIments
lokasi GPS, catatan jalan raya lulus, vid- eos, peristiwa, dan Tiga Server 2012 sistem Windows 64-bit (12 CPU, 128 GB
data cuaca. lokasi GPS dan data video adalah data yang memori utama) yang digunakan untuk sim- Ulating server tepi.
kompleks, dan untuk menangani mereka, kapasitas tinggi dan Sebuah Tecent Cloud (https: // cloud.qq.com/) Server
kinerja tinggi sistem yang diperlukan untuk memenuhi digunakan sebagai awan. Metode yang diusulkan
persyaratan real-time. Untuk lokasi GPS, model yang kompleks dibandingkan dengan model komputasi awan tanpa server
diperlukan untuk menghubungkan dan mencocokkan mereka di tepi. Untuk sim- ulate kamera video surveillance dengan
jalan. Sekitar 1000 kendaraan melewati ruas jalan; karenanya, kemampuan tational Compu-, smartphone dengan sistem
jutaan catatan harus diproses karena ada ribuan ruas jalan. operasi Android dimanfaatkan. Lebar jaringan band- dalam
Sebuah kamera pengintai dengan 720 P (1280 × 720) jaringan area lokal adalah 128 Mb / s. algoritma terkait
memproduksi sekitar 42 GB video per hari, yang dikirim ke dilaksanakan dengan Java menggunakan OpenCV untuk
server tepi sebagai data streaming. Untuk memperkirakan pemrosesan video.
kinerja TEC KID-driven yang diusulkan, percobaan simulasi
mengambil file video mulai dari sekitar 100 MB sampai 1 GB Dalam TEC, kamera pengintai hanya bertanggung jawab
dalam ukuran. Pengetahuan diekstrak dari video ini tidak untuk mengumpulkan dan trans- mitting data mentah. Tepi
terstruktur. server diterima dan diproses aliran video dan kemudian
menemukan pola yang bergerak berbeda yang disebabkan
oleh kecelakaan lalu lintas. Berikutnya, server tepi ditransfer
Untuk algoritma, algoritma pemrosesan video kami hasil ke awan sebagai pengetahuan.
menghitung jumlah kendaraan di setiap frame. Menggunakan
kerangka OpenCV, tion func- ini pertama mengakui latar belakang Percobaan dianggap narios berikut sce- (Gambar 6.):
dan kemudian mengambil keluar daerah bergerak, yang harus cles
vehi-. algoritma morfologi juga diterapkan untuk menghilangkan • perangkat IOT mengumpulkan data yang kemudian trans- mitted
gangguan yang disebabkan oleh kebisingan. algo- The ke awan, yang berkaitan dengan data untuk pengambilan
keputusan (TC1).

IEEE Jaringan • Januari / Februari 2018 39


Awan di masa depan hanya dapat mengambil peran seorang manajer yang mengontrol mendaftar,
berinteraksi dengan, dan koordinasi pelayanan tepi, dan setiap tepi server baru dengan layanan baru dapat terhubung dan
terputus, yang memungkinkan arsitektur menjadi extensible.
• perangkat IOT mengumpulkan data dan mengolah data menjadi
pengetahuan. Semua pengetahuan ini kemudian dikirim ke awan
(TC2).
• perangkat IOT mengumpulkan data dan mengirimkan mereka
ke server tepi. server tepi mengolah data dan kemudian
mendorong hasil ke awan (TEC).
• Lokal K-Store dioperasikan dalam mode yang dinamis,
yang berarti bahwa sebelum proses-es data, beban
Kosakata, Grafik, dan Algoritma dari awan dinamis, dan
flushes pengetahuan sementara setiap waktu proses
dilakukan (KID-TEC). Kinerja masing-masing skenario
melibatkan waktu latency, jumlah data yang dikirimkan
melalui Internet, dan beban komputasi dari server cloud
(ditandai dengan penggunaan CPU per- centage), seperti
yang ditunjukkan pada Gambar. 6a-6c, masing-masing.
Perbandingan tertentu antara kinerja TEC dan KID-TEC
juga disajikan pada Gambar. 6d.
Seperti ditunjukkan pada Gambar. 6a, TC1 dan TC2 lebih
lambat dari TEC dan KID-TEC. Hal ini karena meskipun waktu
komputasi sedikit bervariasi antara paradigma komputasi ini, TC1
dan TC2 menghabiskan lebih banyak waktu transmisi data melalui
Internet. Hal ini menunjukkan bahwa kedua TEC dan KID-TEC
lebih cocok untuk menawarkan layanan low-latency. Demikian
pula, Gambar. 6b menunjukkan bahwa, di TEC dan KID- TEC
skenario, jumlah yang lebih kecil dari data trans- mitted melalui
Internet dan bandwidth jaringan kurang dikonsumsi. Gambar 6c
menggambarkan bahwa karena beban kerja server cloud
berkurang di TEC dan KID-TEC, penggunaan CPU tetap pada
tingkat yang lebih rendah. Gambar 6d menunjukkan anoth-
percobaan er yang menunjukkan es advantag- dari KID-TEC lebih
TEC tanpa KID. KID-TEC mengadopsi dinamis K-Store dan beban
pengetahuan dari awan dengan cara on-demand, pembilasan
pengetahuan sementara ketika satu pekerjaan yang dilakukan.
Oleh karena itu, sebagai pengetahuan tentang awan
Mulates-tuduhannya, pengetahuan di tepi disimpan pada tingkat
yang konstan. Hal ini bermanfaat untuk segera merespon
informasi yang diambil dari basis pengetahuan.
Selain itu, keuntungan dari TEC atau KID- TEC untuk
melindungi privasi juga ditunjukkan. Karena baku video
stream awalnya mencakup informasi Vacy pri seperti plat
nomor kendaraan dan posisi mobil (sesuai dengan posisi
kamera video), di TC1 dan TC2, informasi ini ditularkan
melalui Internet, dan risiko eksposur yang lebih tinggi.
Namun, dalam TEC dan KID- TEC, hanya hasil dari
pemrosesan video yang dikirim, terpisah dari privasi
INFORMATION, sehingga mereka lebih aman.
c onclusIon Dan p erspectIves
diusulkan paradigma komputasi TEC dengan model KID tertanam
berdua bisa mendukung ketidak- rendah-la- respon lokal dan
berbagi kesadaran global. Selain itu, mengoptimalkan aliran data,
arus informasi, dan pengetahuan penemuan / generasi. Pada
artikel ini, kami menggambarkan model KID dan menjelaskan
bagaimana memainkan peran penting dalam menafsirkan
40
data yang masuk, asimilasi informasi ke dalam tubuh
pengetahuan, dan instantiating pengetahuan untuk
penggunaan data lalu lintas sebagai layanan. Kami mencatat
bahwa paradigma komputasi TEC KID-driven memiliki
karakteristik data-driven pengetahuan covery dis-, generasi
pengetahuan, dan evolusi pengetahuan, proses yang terdiri
dari tiga es stag- siklik dari data pengetahuan, dan interaksi
dengan dunia luar saat menerima data dari perangkat IOT
dan jasa menyediakan. Its kelayakan dan keuntungan yang
ditunjukkan dalam studi kasus melalui rincian pelaksanaan
aplikasi TDaaS.
Sebagai paradigma komputasi baru, komputasi tepi KID-driven
bisa menjadi topik penelitian yang penting. Setelah platform
komputasi seperti awan dan tepi server telah dibangun, upaya dapat
fokus pada pengayaan berbagai layanan - tidak hanya TDaaS,
seperti dalam artikel ini, tetapi juga data sebagai layanan (DaaS)
dalam bidang apapun, yang disebut xDaaS. Dimungkinkan untuk
membuat sebuah mekanisme pelayanan mendaftar untuk layanan
TEC dan mendorong lebih banyak orang untuk berkontribusi pada
TEC komputasi digm para- pada platform bersama umum ini.
Perhatikan bahwa awan di masa depan hanya dapat mengambil
peran seorang manajer yang mengontrol mendaftar, berinteraksi
dengan, dan koordinasi pelayanan tepi, dan server tepi baru dengan
layanan baru dapat terhubung dan terputus, yang memungkinkan
mendatang architec- menjadi extensible . Selain itu, through break
baru-baru ini dalam belajar yang mendalam [13], bersama-sama
dengan model KID, yang merupakan proses kognitif, meningkatkan
TDaaS oleh berkembang dan membuat TEC ing comput- paradigma
cerdas. Namun, tantangan yang untuk menemukan mekanisme yang
tepat untuk charac- terizing input dan output dari algoritma
pembelajaran yang mendalam [14].
SEBUAH cKnowledgment
Karya ini sebagian didukung oleh Ety Jepang ologists untuk
Promosi Sains Hibah-in-Aid untuk Riset Ilmiah (No.
25.330.270 dan No.
26330350) dan oleh National Science Foundation Alam Cina
(No. 51.408.018).
r eferences
[1] D. Bowen et al., “Aktif CTDaaS: Sebuah Kerangka Service Data
Berdasarkan IOD Transparan di Kota Lalu Lintas,” IEEE Trans. puters com-, 65,12,
2016, hlm. 3524-36.
[2] R. Ju et al., “Melayani di Edge: IOT Arsitektur Scalable
Berdasarkan Computing Transparan,” IEEE Network, 2017.
[3] X. Zhipu et al., “Sebuah data evolvable dan Transparan sebagai
Layanan Kerangka multisource Integrasi Data dan Fusion,” Peer-to-Peer
Jaringan dan Aplikasi, 2017, pp. 1-14. [4] Z. Yaoxue et al., “Sebuah Survei
Emerging Computing para-
digms untuk Big Data,” Cina J. Electronics, 26,1 2017.
[5] M. Pavel dan Z. Becvar, “Mobile Ujung Computing: Sebuah Survei
pada Arsitektur dan Komputasi Offloading,” IEEE Communication mun. Survei
& Tutorial, 2017.
[6] S. Yuan-Yao et al., “Mengaktifkan Aplikasi Low-Latency di
Kabut-Radio Access Networks,” IEEE Network, vol. 31, tidak ada. 1, Jan./Feb.
2017, hlm. 52-58. [7] XT Truyen et al., “Kolaborasi Ponsel Ujung Computing di
5G Jaringan: Paradigma Baru, Skenario, dan Tantangan,”
IEEE Commun. Mag., vol. 55, tidak ada. 4, April 2017, hlm. 54-61. [8] S. Atsushi dan
R. Huang, “Dari Data ke Pengetahuan: Sebuah Cog-
definitif Pendekatan Retail Business Intelligence,” Proc. 2015 IEEE Int'l.
Conf. Ilmu data dan Data Systems Intensif,
2015.
[9] Y. Zhang et al., “Computing Transparan: A Menjanjikan Net-
bekerja Computing Paradigma,” J. Komputasi dalam Sains dan Teknik, vol.
19, tidak ada. 1, 2017, hlm. 7-20. [10] VG Ramanathan, D. Brickley, dan S.
Macbeth, “Skema.
org: Evolution Data Terstruktur di Web,” Commun. ACM, 59,2, 2016, hlm.
44-51.
IEEE Jaringan • Januari / Februari 2018
[11] S. Amit, “Memperkenalkan Grafik Pengetahuan: Hal, Tidak
String,”google blog resmi 2012.
[12] S. Atsushi dan R. Huang. “A KID Generik Diformulasikan
Model Pengolahan Pragmatis Data, Informasi, dan
Pengetahuan,”UIC-ATC-ScalCom, 2015. [13] F. Zubair et al., “Negara-of-the-Art
Jauh Learning: Berkembang
Mesin Intelijen Menuju Cerdas Net- kerja Besok Traffic Control Systems,”
IEEE Commun. Survei & Tutorial, 2017.
[14] K. Nei et al., “The Deep Learning Vision untuk heterogen
Jaringan Traffic Control: Proposal, Tantangan, dan Perspektif Masa Depan,” IEEE
Wireless Commun., vo. 24, tidak ada. 3 Juni
2017, pp. 146-53. b IogrAphIes
B owen D u menerima gelar BS dari Shijiazhuang Tiedao University, China, dan
gelar Ph.D. gelar dalam ilmu komputer dan teknik dari Beihang University,
Beijing, Cina, pada tahun 2005 dan 2013, masing-masing. Saat ini, ia adalah
seorang fessor pro asisten dengan Kunci Laboratorium Negara Software
Development Environment, Beihang University. Minat penelitiannya termasuk
teknologi smart city, lalu lintas data mining, dan layanan data.
R unhe h Uang [ SM'17] adalah seorang profesor penuh di Fakultas Communication
puter dan Ilmu Informasi di Hosei University, Jepang. Dia menerima beasiswa
Sino-Inggris Persahabatan untuk gelar Ph.D. belajar di Inggris dan menerima
gelar Ph.D. dalam ilmu er comput- dan matematika dari Universitas West of
IEEE Jaringan • Januari / Februari 2018
Inggris pada tahun 1993. bidang penelitiannya meliputi komputasi kognitif,
pemodelan otak, komputasi kecerdasan komputasi, data besar, dan mesin
belajar.
Z hipu X yaitu menerima gelar BS dalam informasi dan ilmu komputer dari Universitas
Tengah Selatan, Changsha, China, pada 2013. Dia sekarang Ph.D. Gelar calon
dalam ilmu komputer dan ing engineering di Beihang University. Minat penelitiannya
termasuk teknologi pintar kota, transportasi cerdas, dan kota pertambangan data
besar.
J ianhua M Sebuah adalah seorang profesor penuh di Fakultas Ilmu Komputer dan
Informasi di Hosei University, Jepang. Ia menerima nya
BS dan MS derajat dari National University of Defense Tech- nology, Cina, pada
tahun 1982 dan 1985, masing-masing, dan gelar Ph.D. gelar dari Universitas
Xidian, Cina, pada tahun 1990. Minat penelitiannya meliputi multimedia, jaringan,
komputasi di mana-mana, komputasi sosial, dan cyber kecerdasan. Dia adalah
Ketua pendiri Komite IEEE CIS Cerdas Dunia Teknis (didirikan pada tahun 2016)
dan Komite IEEE SMC Cybermatics Teknis (didirikan pada tahun 2016).
w eifeng L v menerima gelar BS dalam ilmu komputer dan teknik dari Universitas
Shandong, Jinan, China, dan gelar Ph.D. gelar dalam ilmu komputer dan teknik dari
Bei- menguasainya Universitas pada tahun 1992 dan 1998, masing-masing. Saat
ini, ia adalah seorang profesor dengan Kunci Laboratorium Negara Bagian Software
opment ngunan Lingkungan, Beihang University. Minat penelitiannya termasuk
teknologi kota cerdas dan pengolahan data massal.
41