Key points are not available for this paper at this time.
L'adoption des dispositifs de détection de l'Internet des objets (IoT) croît rapidement en raison de leur capacité à fournir des services en temps réel. Cependant, elle est contrainte par un stockage de données et une puissance de traitement limités. Elle déleste son énorme flux de données vers des dispositifs edge et le cloud pour un stockage et un traitement adéquats. Cela entraîne des défis tels que des valeurs aberrantes, des redondances de données et l'équilibrage de la charge des ressources cloud qui affecteraient l'exécution et le résultat des flux de données. Cet article présente un examen des algorithmes d'analyse existants déployés sur une infrastructure edge cloud habilitée par l'IoT qui résolvent les problèmes de valeurs aberrantes, de redondances de données et d'équilibrage de la charge des ressources cloud. L'examen met en évidence les problèmes résolus, les résultats, les faiblesses des algorithmes existants, ainsi que les serveurs de stockage cloud physiques et virtuels pour l'équilibrage des charges des ressources. En outre, il discute de l'adoption de protocoles réseau qui régissent l'interaction entre l'architecture à trois couches des dispositifs de détection IoT et ses défis prépondérants. Un total de 72 algorithmes couvrant les catégories de classification, régression, regroupement, apprentissage approfondi et optimisation ont été examinés. L'approche de classification a été largement adoptée pour résoudre le problème des données redondantes, tandis que les approches de regroupement et d'optimisation sont plus utilisées pour la détection des valeurs aberrantes et l'allocation des ressources cloud.
Edje et al. (Fri,) ont étudié cette question.