[論文レビュー] Big Data Analytics in Future Internet of Things

Guoru Ding, Long Wang+1 more|arXiv (Cornell University)|Nov 17, 2013

IoT and Edge/Fog Computing参考文献 14被引用数 11

ひとこと要約

本論文は、将来のインターネット・オブ・Things (IoT) におけるビッグデータ分析について、4つの主要なデータ処理クラスである異種性、非線形性、高次元性、分散／並列処理に焦点を当てた体系的なチュートリアルを提案する。スマートIoTアプリケーションにおける知能的でスケーラブルかつ効率的なデータ分析を可能にするために、同型度理論、カーネル法、頑健な主成分分析、ADMMに基づく分散最適化といった高度な数学的フレームワークを導入する。

ABSTRACT

Current research on Internet of Things (IoT) mainly focuses on how to enable general objects to see, hear, and smell the physical world for themselves, and make them connected to share the observations. In this paper, we argue that only connected is not enough, beyond that, general objects should have the capability to learn, think, and understand both the physical world by themselves. On the other hand, the future IoT will be highly populated by large numbers of heterogeneous networked embedded devices, which are generating massive or big data in an explosive fashion. Although there is a consensus among almost everyone on the great importance of big data analytics in IoT, to date, limited results, especially the mathematical foundations, are obtained. These practical needs impels us to propose a systematic tutorial on the development of effective algorithms for big data analytics in future IoT, which are grouped into four classes: 1) heterogeneous data processing, 2) nonlinear data processing, 3) high-dimensional data processing, and 4) distributed and parallel data processing. We envision that the presented research is offered as a mere baby step in a potentially fruitful research direction. We hope that this article, with interdisciplinary perspectives, will stimulate more interests in research and development of practical and effective algorithms for specific IoT applications, to enable smart resource allocation, automatic network operation, and intelligent service provisioning.

研究の動機と目的

• 接続されたデバイスが物理的状態を単にセンシングするのではなく、学習し、思考し、理解できるようにする、将来のIoTにおける知能的データ分析の重要なニーズに対応する。
• スケーラブルでない現在の集中型データ処理の限界を克服し、大規模なIoTネットワークにおける分散型、分散型、並列型データ分析を可能にする。
• データの異種性、非線形性、高次元性、スケーラビリティといった、ビッグデータにおけるIoTの特異的課題に対処する数学的に根拠のある実用的アルゴリズムを開発する。
• スマートリソース割り当て、自動ネットワーク運用、知能的サービス提供を支援する、実世界のIoTアプリケーションにおける効果的アルゴリズムに関する、学際的研究を促進する。

提案手法

• 非同一の周辺分布を持つ異種センサデータをモデル化・統合するために同型度理論を用い、従来の積モデルやガウスモデルよりも精度の高い同時確率推定を実現する。
• 再生成ヒルバート空間（RKHS）を用いてIoTデータ内の非線形関係をモデル化し、カーネルに基づく学習フレームワークを通じて非線形データ処理を可能にする。
• 凸最適化を介した頑健な主成分分析（RPCA）を用いて、高次元データを低ランク成分とスパース成分に分解し、意味のある信号とノイズや外れ値を効果的に分離する。
• 交互方向乗数法（ADMM）を用いて、相互接続されたIoTデバイスに集中型最適化問題を分散させ、収束保証付きのスケーラブルで分散型のデータ処理を可能にする。
• グローバル最適化問題を、局所変数と共有グローバル変数を有する協調問題に再定式化し、ノード間で反復的更新と協調ステップを伴う並列計算を可能にする。
• 中継ノードの統合を局所的近隣平均化に置き換えることで、マルチホップIoTネットワークにADMMアルゴリズムを適応させ、分散環境におけるスケーラビリティと耐障害性を確保する。

実験結果

リサーチクエスチョン

• RQ1 確率分布が異なる異種センサデータを、IoTシステムで効果的に統合・分析する方法は何か？
• RQ2 線形モデルが失敗するIoTアプリケーションにおいて、非線形データ処理を可能にする数学的フレームワークは何か？
• RQ3 高次元IoTデータを、ノイズ低減と特徴抽出のために意味のある低ランク成分とスパース成分に効率的に分解する方法は何か？
• RQ4 分散型IoTネットワークにおけるスケーラブルで耐障害性があり、並列処理可能な分散型最適化フレームワークは何か？
• RQ5 ADMMに基づく分散アルゴリズムは、通信負荷を低減し、単一障害点を回避しながら、集中型ソリューションに近い性能を維持できるか？

主な発見

• 同型度ベースのモデリングは、周辺分布が異なる場合に特に顕著に、従来の積モデルやガウスモデルよりも、異種データの同時確率推定精度を著しく向上させる。
• RKHSにおけるカーネルベースの手法は、非線形パターンが線形分離可能になる高次元特徴空間へのデータ変換を可能にし、効果的な非線形データ処理を実現する。
• RPCAに基づく分解は、高次元IoTデータにおいて低ランク成分とスパース成分を効果的に分離することができ、最適化問題（10）が凸であり、効率的なアルゴリズムで解ける。
• ADMMに基づく分散処理は、分散型IoTネットワークにおいてグローバル最適解に収束する。このアルゴリズムは、マルチホップでピアツーピアの形で実装可能である。
• 分散型ADMMフレームワークは、集中型統合を局所的近隣平均化に置き換えることで、スケーラブルで頑健なデータ分析を実現し、耐障害性を高めるとともに通信負荷を低減する。
• 提案されたフレームワークは、将来のIoTデータ分析の数学的根拠を提供し、スマートリソース割り当てとサービス提供を支援する知能的で適応的かつ自律的なIoTシステムの実現に道を拓く。