[论文解读] Big Data Meet Cyber-Physical Systems: A Panoramic Survey

Rachad Atat, Lingjia Liu+4 more|arXiv (Cornell University)|Oct 29, 2018

Big Data Technologies and Applications被引用 12

一句话总结

本文对网络物理系统（CPS）中的大数据进行了全景式综述，将数据采集、存储、处理与分析同安全性和可持续性挑战相结合。该文提出了一套统一框架，利用云计算/边缘计算、机器学习和实时分析技术，以管理高吞吐量、异构的CPS数据，从而在医疗保健、交通和环境监测等应用中实现更智能的解决方案，同时应对可扩展性、低延迟和安全风险问题。

ABSTRACT

The world is witnessing an unprecedented growth of cyber-physical systems (CPS), which are foreseen to revolutionize our world {via} creating new services and applications in a variety of sectors such as environmental monitoring, mobile-health systems, intelligent transportation systems and so on. The {information and communication technology }(ICT) sector is experiencing a significant growth in { data} traffic, driven by the widespread usage of smartphones, tablets and video streaming, along with the significant growth of sensors deployments that are anticipated in the near future. {It} is expected to outstandingly increase the growth rate of raw sensed data. In this paper, we present the CPS taxonomy {via} providing a broad overview of data collection, storage, access, processing and analysis. Compared with other survey papers, this is the first panoramic survey on big data for CPS, where our objective is to provide a panoramic summary of different CPS aspects. Furthermore, CPS {require} cybersecurity to protect {them} against malicious attacks and unauthorized intrusion, which {become} a challenge with the enormous amount of data that is continuously being generated in the network. {Thus, we also} provide an overview of the different security solutions proposed for CPS big data storage, access and analytics. We also discuss big data meeting green challenges in the contexts of CPS.

研究动机与目标

• 提供CPS中大数据生命周期的全面概述，包括数据采集、存储、访问、处理和分析。
• 识别在不同应用领域中处理高吞吐量、异构和实时CPS数据的关键挑战。
• 分析现有CPS大数据的安全解决方案，重点关注存储、访问和分析保护。
• 探讨大数据与绿色计算在CPS中的交叉点，以实现能效提升和可持续性。
• 突出实时处理、数据融合和跨系统协作方面的开放研究问题。

提出的方法

• 将CPS数据源分类为上下文感知型和社交计算型，包括物理、虚拟、逻辑、全球和远程传感器。
• 提出一种分层架构，集成云计算、边缘计算和雾计算，以实现分布式数据处理和低延迟分析。
• 回顾数据挖掘技术，如特征选择、降维、聚类和实时分析，用于模式发现。
• 引入感知层、传输层和应用层之间的跨层设计原则，以优化延迟、可靠性和资源使用。
• 评估针对CPS大数据工作负载量身定制的网络安全机制，包括访问控制、入侵检测和数据加密。
• 分析绿色计算策略，如能量感知路由、缓存和基于令牌的中继，以降低功耗。

实验结果

研究问题

• RQ1 如何有效实现来自异构CPS数据源的大数据的实时采集、存储和处理？
• RQ2 CPS大数据管道中的关键安全漏洞是什么？针对数据存储、访问和分析的保护解决方案有哪些？
• RQ3 在支持5G超可靠低延迟通信（URLLC）的环境中，如何优化CPS中的大数据分析以实现低延迟和高可靠性？
• RQ4 数据融合在提升来自多样化CPS设备的信息质量和一致性方面发挥什么作用？
• RQ5 如何通过绿色计算技术使CPS系统更具能效和可持续性？

主要发现

• 云计算与雾计算的集成可实现CPS实时数据的可扩展、低延迟处理，降低端到端延迟并提升系统响应能力。
• 感知层与传输层之间的跨层协议可减少高丢包率或动态网络环境下的重传次数，提升可靠性。
• 机器学习与数据挖掘技术显著增强了CPS中的模式检测与决策能力，尤其在移动医疗和智能交通等应用中表现突出。
• 访问控制和入侵检测等安全解决方案对保护CPS大数据至关重要，但受限于高数据吞吐量和资源约束，面临挑战。
• 绿色计算策略，如能量感知路由和基于令牌的中继，可降低功耗，延长大规模CPS部署中设备的使用寿命。
• 异构数据集成仍是主要开放挑战，因为非结构化和多源数据阻碍了高效分析和自动化决策。