The Internet of Things (IoT) rapidly evolves, presenting challenges and opportunities. This study emphasises the critical role of
software in advancing IoT technologies, focusing on machine learning (ML), fog computing, and process optimisation for security
and resiliency. ML is pivotal in IoT for predicting equipment failures, evaluating process efficiency, and enabling informed decisionmaking through real-time data analysis. By integrating ML models directly into IoT devices (edge computing), latency is reduced,
and data transmission needs are minimised. Fog computing and cloud computing address latency issues by moving computational
resources closer to IoT devices, enhancing scalability and optimising network resource usage. Security remains a paramount concern
due to the increasing number of connected devices and their vulnerabilities. IoT software must balance efficiency, security, and
performance, employing deep learning for anomaly detection, blockchain for data transparency, and optimised encryption protocols.
The trend towards distributed architectures like Edge Computing enhances system resilience by reducing latency and increasing fault
tolerance. The proposed IoT system architecture is a three-tier structure consisting of Edge, Fog, and Cloud levels. At the Edge level,
initial data processing occurs directly on IoT devices, reducing latency and network load. The Fog level processes data within the
local network, utilising more powerful computational resources for complex tasks and ensuring security through advanced machine
learning and encryption. The Cloud level serves as a central repository for long-term storage and global data analysis, leveraging
containerisation and orchestration technologies for scalability and reliability. This multi-layered architecture ensures efficient data
processing, high security, and adaptability, making it suitable for real-time applications. The study highlights the importance of
software in optimising data processing across these levels, ensuring the IoT system’s resilience, scalability, and long-term
sustainability.
Інтернет речей (IoT) стрімко розвивається, створюючи як виклики, так і можливості. Це дослідження підкреслює
важливу роль програмного забезпечення у розвитку технологій Інтернету речей, зосереджуючись на машинному навчанні
(ML), туманних обчисленнях та оптимізації процесів для забезпечення безпеки та відмовостійкості. Машинне навчання має
ключове значення в IoT для прогнозування збоїв обладнання, оцінки ефективності процесів і прийняття обґрунтованих
рішень за допомогою аналізу даних в режимі реального часу. Інтеграція моделей ML безпосередньо в пристрої IoT
(периферійні обчислення) зменшує затримки та мінімізує потреби в передачі даних. Туманні обчислення і хмарні
обчислення розв'язують проблеми затримок, переміщуючи обчислювальні ресурси ближче до пристроїв IoT, підвищуючи
масштабованість і оптимізуючи використання мережевих ресурсів. Безпека залишається першочерговим завданням через
збільшення кількості підключених пристроїв та їх вразливостей. Програмне забезпечення Інтернету речей має поєднувати
ефективність, безпеку та продуктивність, використовуючи глибоке навчання для виявлення аномалій, блокчейн для
прозорості даних та оптимізовані протоколи шифрування. Тенденція до розподілених архітектур, таких як периферійні
обчислення, підвищує стійкість системи шляхом зменшення затримок і підвищення відмовостійкості. Запропонована
архітектура системи IoT – це трирівнева структура, що складається з периферійного, туманного і хмарного рівнів. На
периферійному рівні первинна обробка даних відбувається безпосередньо на пристроях IoT, що зменшує затримку та
навантаження на мережу. Туманний рівень обробляє дані в локальній мережі, використовуючи більш потужні
обчислювальні ресурси для складних завдань і забезпечуючи безпеку за допомогою передового машинного навчання і
шифрування. Хмарний рівень слугує центральним репозиторієм для довгострокового зберігання та глобального аналізу
даних, використовуючи технології контейнеризації та оркестрування для масштабованості та надійності. Така багаторівнева
архітектура забезпечує ефективну обробку даних, високу безпеку та адаптивність, що робить її придатною для застосування
у режимі реального часу. Дослідження підкреслює важливість програмного забезпечення для оптимізації обробки даних на
всіх цих рівнях, забезпечуючи відмовостійкість, масштабованість і довгострокову стійкість системи IoT.
