ДОСЛІДЖЕННЯ ПРОБЛЕМ ФУНКЦІОНУВАННЯ ІНТЕЛЕКТУАЛЬНИХ МЕРЕЖ З ЗАСТОСУВАННЯМ ІНТЕРНЕТУ РЕЧЕЙ
DOI: 10.31673/2786-8362.2025.019950
Анотація
Стаття присвячена
розгляду технології Інтернет речей, де потрібно насамперед оцінити базові принципи, ключові
завдання, а також найсучасніші підходи та рішення.
В статті доведено, що Інтернет речей пов'язаний з фізичною дією або подією. Він формує
реакцію на фактор реального світу. При цьому один-єдиний датчик може згенерувати величезний
обсяг даних, наприклад, акустичний датчик для профілактичного огляду обладнання. В інших
випадках одного біта даних достатньо, щоб передати важливі відомості про стан системи. Системи
датчиків еволюціонували і, відповідно до закону Мура, зменшилися до субнанометрових розмірів і
стали істотно дешевше. Саме це прогнозує, що до Інтернету речей будуть підключені безліч
пристроїв, і саме тому ці прогнози виправдаються.
Тому, розглядаючи Інтернет речей, необхідно розглядати мікроелектромеханічні системи,
датчики і інші типи недорогих граничних пристроїв і їх електрофізичні властивості. Це стосується
і енергетичних систем, необхідних для живлення граничних пристроїв.
Ключові слова: датчики, диференційована конфіденційність, Інтернет речей, інформаційна
система, захист конфіденційності
Список використаної літератури
1. В. Б. Толубко, Л. Н. Беркман, Л. П. Крючкова, А. Ю. Ткачов. Підвищення показників
якості системи управління послугами мережами майбутнього / В // Наукові записки
Українського науково-дослідного інституту зв'язку. - 2018. - № 3. - С. 5-11.
2. Ambient Backscatter Communications: A Contemporary Survey / N. Van Huynh et al. IEEE
Communications Surveys & Tutorials. 2018. Vol. 20, no. 4. P. 2889–2922. URL:
https://doi.org/10.1109/comst.2018.2841964.
3. Mao Q., Hu F., Hao Q. Deep Learning for Intelligent Wireless Networks: A Comprehensive
Survey. IEEE Communications Surveys & Tutorials. 2018. Vol. 20, no. 4. P. 2595–2621. URL:
https://doi.org/10.1109/comst.2018.2846401.
4. G. Vougioukas and A. Bletsas, “Switching frequency techniques for universal ambient
backscatter networking,” IEEE J. Select. Areas Commun., vol. 37, no. 2, pp. 464-477, Feb. 2019.
5. Zhang C., Patras P., Haddadi H. Deep Learning in Mobile and Wireless Networking: A
Survey. IEEE Communications Surveys & Tutorials. 2019. Vol. 21, no. 3. P. 2224–2287. URL:
https://doi.org/10.1109/comst.2019.2904897.
6. Modulation in the Air: Backscatter Communication Over Ambient OFDM Carrier / G. Yang
et al. IEEE Transactions on Communications. 2018. Vol. 66, no. 3. P. 1219–1233. URL:
https://doi.org/10.1109/tcomm.2017.2772261.
7. Yang G., Zhang Q., Liang Y.-C. Cooperative Ambient Backscatter Communications for
Green Internet-of-Things. IEEE Internet of Things Journal. 2018. Vol. 5, no. 2. P. 1116–1130. URL:
https://doi.org/10.1109/jiot.2018.2799848.
8. Hua S., Wang Q., Xu X. Application of machine learning in wireless communication.
Theoretical and Natural Science. 2023. Vol. 12, no. 1. P. 130–135. URL:
https://doi.org/10.54254/2753-8818/12/20230452.
9. X. Zhou, M. Sun, G. Y. Li, and B.-H. F. Juang, “Intelligent wireless communications enabled
by cognitive radio and machine learning,” China Commun., vol. 15, no. 12, pp. 16-48, Dec. 2018.
