چکیده فارسی :

رایانش ابری به عنوان یک راه حل امیدبخش برای مدیریت و پردازش داده بزرگ توسط فراهم کردن یک مرکز داده و الگوریتم های موثر برای مدیریت و سازمان دهی داده، اثبات شده است. یکی از منابع داده سیستم های ابری، شبکه های حسگر بیسیم است. WSN ها یک روش جدید منابع رشته-داده را ارائه می کنند که در آن داده به صورت دوره ای از سنسورهای دیگر دریافت می شود و منجر به یک حجم بسیار زیادی از داده جمع آوری شده در یک دوره کوتاه می شود. WSN ها دارای منابع محدودی هستند به نحوی که رشته داده با ریز جزئیات منجر به مصرف انرژی بسیار زیاد می شود. در این مقاله، ما یک مدل پیش بینی داده را پیشنهاد کرده این که در داخل گره های سنسور ساخته شده و توسط سیستم ابری جهت تولید استفاده می شود. هدف از مدل پیشنهاد شده، معاف کردن گره های سنسور از ارسال حجم عظیمی از داده است که در نتیجه موجب صرفه جویی انرژی در باتری سنسور می شود. ما در این مقاله قصد در جهت فرموله کردن مدل پیش بینی به صورت یک معادله خطی از طریق دو بردار n بعدی در فضای n-بعدی داریم. نتایج اولیه نشان می دهد که مدل پیشنهاد شده قادر به دستیابی به نرخ خطا بهتر در مقایسه با روش های پیش بینی داده سنتی می باشد.

چکیده انگلیسی:

Cloud computing has been proved to be a promising solution for managing and processing big data by providing a data center centric and efficient algorithms for managing and organizing the data. One of the cloud system’s data sources is Wireless Sensor Networks (WSNs). WSNs present a new way of data-stream sources in which data is received periodically from different sensors; resulting in a large amount of data accumulated over a short period. WSNs have limited resources in which a finedetailed data streams lead to exhaustive energy consumption. In this paper, we propose a data prediction model that is built within the sensor nodes and used by the cloud system to generate the data. The purpose of the proposed model is to exempt the sensor nodes from sending a large amount of data and thus reduces the energy consumption of the sensor’s battery. We manage to formulate the prediction model as a line equation through two n-dimensional vectors in n-space. Initial results showed that the proposed model will be capable to achieve a better error rate as compared to traditional data prediction techniques.