JOURNAL REVIEW #3 Improving communication precision of IoT through behavior-based learning in smartcity environment

KEYWORD: IoT for SMARTCITY

Oleh Daming Li, Lianbing Deng , Wenjian Liu, Qinglang Su 

Internet of Things (IoT) adalah platform komunikasi heterogen yang menyediakan akses di mana-mana ke sumber daya dan memenuhi permintaan pengguna. Mengembangkan paradigma kota pintar menggunakan platform komunikasi ini untuk memberikan layanan kepada pengguna dan memberikan pembagian sumber daya yang terdistribusi. 

    Pertumbuhan populasi akibat urbanisasi membutuhkan pasokan sumber daya yang memadai dan komunikasi yang dimodelkan melalui platform digital. Hal ini meningkatkan kebutuhan untuk mengembangkan paradigma kota pintar. Lingkungan kota pintar memberikan kemajuan teknologi dalam komunikasi perumahan, komersial, pemerintahan, dan industri dengan memberikan kemudahan akses dan berbagi sumber daya

Gambar Model OSS di lingkungan kota pintar akses data publik dan pribadi.

Sistem keamanan berbasis observasi (OSS) dirancang untuk meningkatkan komunikasi dan pengalaman layanan aplikasi pengguna. Sifat perangkat bervariasi dengan mobilitas dan atribut komunikasinya. Karena sistem keamanan kolektif tidak dapat dikelola dalam jaringan terdesentralisasi ini, perangkat dan model interaksi cloud dieksploitasi untuk menganalisis keamanan persyaratan pengguna

    Pemodelan perilaku dilakukan untuk mengurangi efek merugikan dari perilaku perangkat melalui akses dan berbagi sumber daya. Proses berbagi sumber daya dan akses sesuai dengan kendala yang dialami dalam klasifikasi atribut dipertimbangkan dalam pemodelan perilaku.

Kesimpulan

Skema keamanan berbasis observasi untuk menyeimbangkan pemanfaatan sumber daya dan keandalan pengguna IoT kota pintar. Skema keamanan difokuskan untuk memilih perangkat terkenal untuk permintaan dan penanganan respon untuk mengelola keamanan dan untuk meningkatkan tingkat pemanfaatan sumber daya.

    Masukan perangkat dan penyedia layanan dianalisis secara independen dan bersama-sama menggunakan pembelajaran saraf berulang untuk mengidentifikasi dan membatasi kesalahan dalam akses sumber daya. Skema yang diusulkan terbukti efektif dengan menambah pemilihan perangkat berbasis reputasi dan dengan demikian meningkatkan tingkat pemanfaatan sumber daya dan mengurangi penundaan dan kehilangan respons. Skenario ini paling sesuai untuk aplikasi kota pintar yang terkait dengan keselamatan dan di masa mendatang, skalabilitas aplikasi ini akan ditingkatkan menggunakan sistem komputasi terdistribusi.