Разработка контента обучающего курса по теме «Математические методы в «Интернет вещей»

Аннотация: Дано определение «Интернет Вещей», которое также представлено в виде формулы. Приведены основные «умные» приложения, реализованные во всевозможных сферах жизнедеятельности человека. Рассмотрены математические методы, используемые в «Интернет Вещей», которые применяются для обработки структурированных и неструктурированных данных. Предлагается структура и состав учебного контента обучающей системы Learning Space по данной теме.

Появление в последнее время большой номенклатуры устройств («умных» вещей), оснащенных не только микропроцессорами, но и целыми наборами датчиков (сенсоров), позволяющих определять, как параметры их собственного состояния, так и параметры окружающей среды и передавать эти данные по сети, породило создание нового направления – «Internet of Things» (Интернет Вещей) или сокращенно IoT.

Суть идеи Интернета Вещей состоит в том, что большинство предметов в нашем окружении (бытовые приборы, утварь, одежда, промышленное оборудование, автомобили и др.) являются «умными» вещами, и при организации связи с этими устройствами можно не только находить эти объекты, их параметры размещения в пространстве и времени, но и управлять ими, а также использовать получаемую от них информацию для построения «умных» услуг и приложений [1]. Таким образом, Интернет Вещей можно символически представить в виде:

IoT = {Сенсоры, Данные, Сети, Услуги}.

По прогнозам, к 2020 году таких подключенных к Интернету устройств будет примерно 50 млрд, при населении в 7,6 млрд человек. То есть примерно, 6,58 устройств на душу населения.

На основе Интернета Вещей, уже сейчас начинают реализовать различные «умные» приложения во всевозможных сферах жизнедеятельности человека:

• «Умная планета» – своевременное реагирование на экологические проблемы и рациональное распоряжение невозобновляемыми ресурсами;
• «Умный город» – городская инфраструктура и муниципальные услуги (образование, здравоохранение, ЖКХ, общественная безопасность) станут лучше взаимосвязаны и более эффективны [2];
• «Умный дом» – позволит распознавать различные ситуации, происходящие в доме, и реагировать на них соответствующим образом, что повысит безопасность и комфорт жильцов, а также будет способствовать сбережению ресурсов;
• «Умная энергетика» – обеспечение надежной и качественной передачи электричества от источника к потребителю в нужное время и в необходимом количестве;
• «Умный транспорт» – увеличение скорости перемещения пассажиров, повышение их безопасности;
• «Умная медицина» – возможность для врачей и пациентов получить удаленный доступ к дорогостоящему медицинскому оборудованию, к электронной истории болезни, реализация системы удаленного мониторинга здоровья, автоматизированная выдача препаратов больным и многое другое.

Источниками данных для этих приложений являются датчики, робототехника, люди. Поэтому при разработке таких приложений необходимо использовать:

• технологии хранения данных;
• технологии обработки данных;
• методы анализа данных;
• моделирование;
• визуализацию;
• методы принятия решений;
• технологии защиты данных.

Хранение структурированных данных, подготовка запросов и извлечение выборок осуществляется с помощью реляционных и NoSQL баз данных, а их обработка с помощью статистических методов:

• параметрические и непараметрические процедуры;
• дисперсионный анализ;
• регрессионный анализ;
• кластерный анализ;
• дискриминантный анализ;
• факторный анализ;
• многомерное шкалирование;
• анализ временных рядов.

Обработка неструктурированных, распределенных, непрерывно прирастающих данных больших объёмов производится с использованием таких методов как:

• краудсорсинг;
• смешение и интеграция данных;
• прогнозная аналитика;
• имитационное моделирование;
• пространственный анализ;
• распознавание образов;
• визуализация аналитических данных;
• технологии работы с данными в распределенных файловых системах.

Для интеллектуального анализа данных, обнаружения ранее неизвестных и практически полезных знаний, необходимых для принятия решений применяются:

• ассоциация;
• последовательность;
• классификация;
• кластеризация;
• прогнозирование;
• искусственные нейронные сети;
• генетические алгоритмы;
• деревья решений;
• эволюционное программирование;
• ассоциативная память;
• нечёткая логика.

На основании вышесказанного, контент обучающей системы должен содержать учебный материал по изучению перечисленных методов и лабораторные работы для получения практических навыков их использования.

Обучающий контент реализован в среде обучающей системы Learning Space. В целях обеспечения мобильности [3] сама обучающая система установлена на виртуальной машине.

Список литературы

1. Кучерявый А. Е. Интернет Вещей // Электросвязь. 2013. № 1. С. 21-24.
2. Самсонов М. Ю. Интернет вещей в умном городе // ИнформКурьер-Связь. 2013. № 10. С. 58-61.
3. Сотников С. В., Урахчинский И. Н. Применение технологий виртуализации для построения операционной и сетевой среды обучающих систем // Международный электронный журнал «Образовательные технологии и общество (Educational Technology & Society)». 2012. V. 15. № 4. [Электронный ресурс]. URL: http://ifets.ieee.org/russian/periodical/journal.html (дата обращения: 26.07.2017).

 

Материал поступил в редакцию 07.08.2017
© Якупов Р. Р., 2017