Bücher von Punit Gupta

Im Internet der Dinge (IoT) sammeln Geräte Informationen und tauschen sie direkt untereinander und mit der Cloud aus, wodurch neue Datenströme schneller und genauer erfasst, aufgezeichnet und analysiert werden können. Die rasche Entwicklung der IoT-Technologie (Internet of Things) ermöglicht es, verschiedene intelligente Objekte über das Internet miteinander zu verbinden und mehr Methoden der Dateninteroperabilität für Anwendungszwecke bereitzustellen. Jüngste Forschungen zeigen, dass das IoT in informationsintensiven Industriesektoren, wie z. B. bei kommerziellen Dienstleistungen, ein größeres Anwendungspotenzial hat. In diesem Projekt stellen wir ein IoT-basiertes System für ein intelligentes und effizientes Point-of-Sale-System vor, um zu zeigen, wie IoT-Daten flexibel gesammelt, integriert und interoperiert werden können, um neue Bereiche für kommerzielle Dienstleistungen zu erschließen.

Dans l'internet des objets (IdO), les appareils recueillent et partagent des informations directement entre eux et avec le nuage, ce qui permet de collecter, d'enregistrer et d'analyser de nouveaux flux de données plus rapidement et avec plus de précision. Le développement rapide de la technologie de l'internet des objets (IdO) permet de connecter divers objets intelligents via l'internet et de fournir davantage de méthodes d'interopérabilité des données à des fins d'application. Des recherches récentes montrent qu'il existe davantage d'applications potentielles de l'IdO dans les secteurs industriels à forte intensité d'information, tels que les services commerciaux. Dans ce projet, nous présentons un système basé sur l'IdO pour un système de point de vente intelligent et efficace afin de démontrer comment collecter, intégrer et interopérer les données de l'IdO de manière flexible afin d'offrir de nouveaux domaines aux services commerciaux.

Nell'Internet delle cose (IoT), i dispositivi raccolgono e condividono informazioni direttamente tra loro e con il cloud, rendendo possibile la raccolta, la registrazione e l'analisi di nuovi flussi di dati in modo più rapido e accurato. Il rapido sviluppo della tecnologia dell'Internet delle cose (IoT) consente di collegare tra loro vari oggetti intelligenti attraverso Internet e di fornire più metodi di interoperabilità dei dati a scopo applicativo. Recenti ricerche mostrano un maggior numero di potenziali applicazioni dell'IoT in settori industriali ad alta intensità di informazioni, come i servizi commerciali. In questo progetto, presentiamo un sistema basato sull'IoT per un sistema di punti vendita intelligente ed efficiente, per dimostrare come raccogliere, integrare e interoperare i dati IoT in modo flessibile, al fine di fornire nuovi ambiti ai servizi commerciali.

En la Internet de las cosas (IoT), los dispositivos recopilan y comparten información directamente entre sí y con la nube, lo que permite recoger, registrar y analizar nuevos flujos de datos con mayor rapidez y precisión. El rápido desarrollo de la tecnología del Internet de las cosas (IoT) hace posible conectar varios objetos inteligentes entre sí a través de Internet y proporcionar más métodos de interoperabilidad de datos con fines de aplicación. Investigaciones recientes muestran más aplicaciones potenciales de IoT en sectores industriales intensivos en información, como los servicios comerciales. En este proyecto, presentamos un sistema basado en IoT para un sistema de punto de venta inteligente y eficiente para demostrar cómo recopilar, integrar e interoperar datos IoT de forma flexible con el fin de proporcionar nuevos ámbitos a los servicios comerciales.

V Internete weschej (IoT) ustrojstwa sobiraüt i obmeniwaütsq informaciej neposredstwenno drug s drugom i s oblakom, chto pozwolqet bystree i tochnee sobirat', zapisywat' i analizirowat' nowye potoki dannyh. Bystroe razwitie tehnologii Interneta weschej (IoT) pozwolqet soedinqt' razlichnye intellektual'nye ob#ekty wmeste cherez Internet i predostawlqt' bol'she metodow wzaimodejstwiq dannyh dlq prikladnyh celej. Poslednie issledowaniq pokazywaüt bol'shij potencial primeneniq IoT w informacionno-emkih promyshlennyh sektorah, takih kak kommercheskie uslugi. V ätom proekte my predstawlqem sistemu na osnowe IoT dlq umnoj i äffektiwnoj sistemy torgowoj tochki, chtoby prodemonstrirowat', kak gibko sobirat', integrirowat' i wzaimodejstwowat' s dannymi IoT, chtoby obespechit' nowye wozmozhnosti dlq kommercheskih uslug.

This book proposes a learning-based cost efficient algorithm for cloud Infrastructure. The proposed algorithm uses a genetic algorithm for cost-efficient task allocation to minimize cost and high utilization to provide better QoS (Quality of Service) to the client. Proposed strategy has proven to have better performance in term of execution cost, execution time, scheduling time as compared to previously proposed task allocation algorithms.

ANT Colony Optimization is a task scheduling algorithm in which we schedule tasks by allocating them to resources. In this project, resources are designated as virtual machines and tasks are designated as cloudlets. Earlier many task scheduling algorithms are proposed to improve the performance but have not cost efficient at the same time. PSO and Round Robin are efficient solutions but not cost effective. So to overcome the issues We have proposed learning based cost efficient algorithm for cloud infrastructure.

In the Internet of Things (IoT), devices gather and share information directly with each other and the cloud, making it possible to collect, record and analyse new data streams faster and more accurately. The rapid development of Internet of things (IoT) technology makes it possible for connecting various smart objects together through the Internet and providing more data interoperability methods for application purpose. Recent research shows more potential applications of IoT in information intensive industrial sectors such as commercial services. In this project, we present an IoT-based system for smart and efficient point of sale system to demonstrate how to collect, integrate, and interoperate IoT data flexibly in order to provide new realms to commercial services.

The model which we have presented is a Linear Regression Model. In the results above we see that predictions can be done on the basis of the data available and is approximately accurate. An accurate forecast is very important for the demand planning team. The data used in this project and building the model is using the sales-in data for different stores. The important factor to be considered is the stability of the model and removing the game-playing. A community version of a platform is used to build the model. Linear Regression model is developed in pyspark. After the results are generated, dataframe of results is validated and generated and is sent backto the Azure SQL database to be used in Power BI.In the future work, different techniques will be considered and researched. Time-Series and Machine Learning to be built in one platform and check how the minimization of mse produces the forecast. The predictions can be hyper parameterized to give more accurately tuned results. Also, in the PowerBI report more measures and visualizations can be made on basis of individual¿s thought process.

ANT Colony Optimization è un algoritmo di schedulazione dei task che prevede la loro allocazione alle risorse. In questo progetto, le risorse sono designate come macchine virtuali e i task sono designati come cloudlet. In precedenza sono stati proposti molti algoritmi di schedulazione dei task per migliorare le prestazioni, ma allo stesso tempo non sono efficienti dal punto di vista dei costi. PSO e Round Robin sono soluzioni efficienti, ma non efficaci dal punto di vista dei costi. Per superare questi problemi abbiamo proposto un algoritmo di apprendimento basato sull'efficienza dei costi per l'infrastruttura cloud.

La optimización de colonias de hormigas es un algoritmo de programación de tareas en el que se programan tareas asignándolas a recursos. En este proyecto, los recursos se designan como máquinas virtuales y las tareas se designan como cloudlets. Anteriormente se propusieron muchos algoritmos de programación de tareas para mejorar el rendimiento, pero al mismo tiempo no son eficientes en cuanto a costes. PSO y Round Robin son soluciones eficientes pero no rentables. Por lo tanto, para superar estos problemas, hemos propuesto un algoritmo basado en el aprendizaje y rentable para la infraestructura de la nube.

ANT Colony Optimization ist ein Algorithmus zur Aufgabenplanung, bei dem wir Aufgaben planen, indem wir sie den Ressourcen zuweisen. In diesem Projekt werden die Ressourcen als virtuelle Maschinen und die Aufgaben als Cloudlets bezeichnet. Früher wurden viele Algorithmen für die Aufgabenplanung vorgeschlagen, um die Leistung zu verbessern, aber sie waren nicht gleichzeitig kosteneffizient. PSO und Round Robin sind effiziente Lösungen, aber nicht kosteneffizient. Um diese Probleme zu überwinden, haben wir einen lernbasierten, kosteneffizienten Algorithmus für die Cloud-Infrastruktur vorgeschlagen.

ANT Colony Optimization - äto algoritm planirowaniq zadach, w kotorom my planiruem zadachi, raspredelqq ih po resursam. V dannom proekte resursy oboznachaütsq kak wirtual'nye mashiny, a zadachi - kak oblaka. Ranee bylo predlozheno mnogo algoritmow planirowaniq zadach dlq uluchsheniq proizwoditel'nosti, no w to zhe wremq oni ne byli äkonomicheski äffektiwnymi. PSO i Round Robin qwlqütsq äffektiwnymi resheniqmi, no ne äkonomichnymi. Chtoby reshit' ätu problemu, my predlozhili äkonomicheski äffektiwnyj algoritm dlq oblachnoj infrastruktury, osnowannyj na obuchenii.

A ANT Colony Optimization é um algoritmo de agendamento de tarefas no qual agendamos tarefas alocando-as aos recursos. Neste projecto, os recursos são designados como máquinas virtuais e as tarefas são designadas como nebulosas. Anteriormente, muitos algoritmos de agendamento de tarefas são propostos para melhorar o desempenho, mas não têm sido eficientes em termos de custos ao mesmo tempo. PSO e Round Robin são soluções eficientes mas não rentáveis. Assim, para ultrapassar as questões Propusemos um algoritmo de aprendizagem baseado em custo-eficiente para infra-estruturas de nuvens.

L'optimisation des colonies de fourmis est un algorithme de planification des tâches dans lequel nous planifions les tâches en les allouant aux ressources. Dans ce projet, les ressources sont désignées comme des machines virtuelles et les tâches sont désignées comme des cloudlets. Auparavant, de nombreux algorithmes de planification des tâches ont été proposés pour améliorer les performances, mais ils ne sont pas rentables en même temps. PSO et Round Robin sont des solutions efficaces mais pas rentables. Pour surmonter ces problèmes, nous avons proposé un algorithme rentable basé sur l'apprentissage pour l'infrastructure des nuages.