Proxying internet services and machine learning for the internet of things
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
Son on yıllar, Nesnelerin İnterneti'nin (IoT) hızla artan sayıda bağlı cihazı olduğunu göstermiştir. Buna göre, cihazları çalıştırmak için internet hizmetine daha önemli erişim gereklidir. Ancak, mevcut kaynakların sınırlı olması nedeniyle hizmetlere erişim IoT cihazlarında kapsamlı hale geldi. Bu sınırlama, hafif protokollerin önerilmesini motive etti (örneğin, kısıtlı Uygulama Protokolü (CoAP) ve MQ Telemetri Taşımacılığı (MQTT). Bu araştırma, bu hafif protokolleri kullanır ve protokollerini ve IoT gereksinimlerini kullanarak internet hizmetlerini proxy yapabilen yeni bir sistem önerir.) IoT cihazlarında yapılan deneyler, ağ bant genişliği, zaman, bellek ve enerji açısından kaynak tüketiminde önemli bir azalma olduğunu göstermektedir. Sonuç olarak, cihazların verimliliği önemli ölçüde iyileştirilmiştir. Ayrıca, aynı (ileri) görevler gerçekleştirilebilir daha az (aynı) kaynak cihazlarını kullanma
Author
Mohammed Yousıf Taha Al-rawe
Institution

Altınbaş University
Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
How to Cite
Mohammed Yousıf Taha Al-rawe (Doktora Tezi). Proxying internet services and machine learning for the internet of things, 2022, Altınbaş University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Altınbaş University
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)