АРХІТЕКТУРНІ ПІДХОДИ ДО ВИБОРУ СТЕКУ ТЕХНОЛОГІЙ ДЛЯ ЗБЕРІГАННЯ IOT-ДАНИХ В ЗАДАЧАХ УПРАВЛІННЯ ЛОГІСТИКОЮ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.3.22Ключові слова:
Інтернет речей, IoT, бази даних часових рядів, Time-Series Database, логістика, InfluxDB, TimescaleDB, Redis, PostgreSQL, високонавантажені системиАнотація
Стрімкий розвиток концепції Логістика 4.0 (Logistics 4.0) та впровадження технологій Інтернету речей (IoT) у ланцюги постачання призвели до експоненційного зростання обсягів телеметричних даних. Сучасні інформаційні системи управління логістикою вимагають обробки потоків даних від GPS-трекерів, датчиків температури та сенсорів рівня пального в режимі реального часу. Специфіка цих даних, що відносяться до категорії часових рядів (Time-Series Data), створює суттєве навантаження на підсистеми зберігання, з яким традиційні реляційні системи управління базами даних (РСУБД) часто не справляються ефективно. У даній статті проведено комплексне дослідження архітектурних підходів до побудови підсистеми зберігання та обробки IoT-даних. Метою роботи є визначення оптимального технологічного стеку, здатного забезпечити як високу швидкість запису даних (ingestion rate), так і низьку затримку при виконанні аналітичних запитів, що є критичним для подальшого застосування методів машинного навчання та технології блокчейн. Для досягнення мети розроблено експериментальний стенд на базі контейнеризації Docker, що імітує навантаження від автопарку (до 1000 вантажівок) із генерацією даних у режимі реального часу. Проведено порівняльний аналіз продуктивності чотирьох класів СУБД: реляційної (PostgreSQL), гібридної (TimescaleDB), спеціалізованої NoSQL (InfluxDB) та In-Memory (Redis). Встановлено, що InfluxDB демонструє найвищу швидкість запису (~121 800 повідомлень/сек), випереджаючи PostgreSQL майже втричі. Водночас, для задач оперативного моніторингу лідером визначено Redis із часом відгуку менше 1 мс. Виявлено, що TimescaleDB, маючи нижчу швидкість запису (~14 500 повідомлень/сек) через витрати на партиціонування, забезпечує компроміс між продуктивністю та SQL-аналітикою. На основі отриманих даних запропоновано гібридну архітектуру: Redis як "гарячий" шар для диспетчеризації та TimescaleDB/InfluxDB як "холодний" шар для ML-моделювання та аудиту.
Посилання
Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems. 2013. Vol. 29, No. 7. P. 1645–1660. URL: https://doi.org/10.1016/j.future.2013.01.010
Ramaswamy L., Lawson B., Gogineni S. V. Towards a quality-centric big data architecture for federated sensor services. Proceedings of the 2013 IEEE International Congress on Big Data (BigData Congress). IEEE, 2013. P. 86–93. URL: https://doi.org/10.1109/BigData.Congress.2013.21
Zaslavsky A., Perera C., Georgakopoulos D. Sensing as a service and big data. arXiv preprint, arXiv:1301.0159, 2013. URL: https://doi.org/10.48550/arXiv.1301.0159
Vongsingthong S., Smanchat S. A review of data management in Internet of Things. KKU Research Journal. 2015. Vol. 23. P. 215–240. URL: https://doi.nrct.go.th/ListDoi/listDetail?Resolve_DOI=10.14456/kkurj.2015.18
Ma M., Wang P., Chu C.-H. Data management for Internet of Things: Challenges and opportunities. Proceedings of the 2013 IEEE International Conference on Green Computing and Communications and IEEE Internet of Things. IEEE, 2013. P. 1144–1151. URL: https://doi.org/10.1109/GreenCom-iThings-CPSCom.2013.199
Zhu S. Creating a NoSQL database for the Internet of Things: Key-value store on the Sensei-Uring platform : Doctoral dissertation. Mid Sweden University, 2015. URL: https://www.diva-portal.org/smash/get/diva2:841604/FULLTEXT01.pdf
Bader A., Kopp O., Falkenthal M. Survey and comparison of open-source time series databases. Datenbanksysteme für Business, Technologie und Web (BTW 2017) – Workshopband. Bonn : Gesellschaft für Informatik, 2017. P. 249–268. URL: https://www.researchgate.net/publication/315838456_Survey_and_Comparison_of_Open_Source_Time_Series_Databases
Kiefer R. TimescaleDB vs. PostgreSQL for time-series: 20x higher inserts, 2000x faster deletes, 1.2x–14,000x faster queries. Timescale Blog, 2020. URL: https://blog.timescale.com
Fadhel M., Sekerinski E., Yao S. A comparison of time series databases for storing water quality data. Auer M. E., Tsiatsos T. (eds.) Mobile Technologies and Applications for the Internet of Things (IMCL 2018). Cham : Springer, 2019. P. 302–313. URL: https://doi.org/10.1007/978-3-030-11434-3_33
Grzesik P., Mrozek D. Comparative analysis of time series databases in the context of edge computing for low power sensor networks. Computational Science – ICCS 2020. Lecture Notes in Computer Science, Vol. 12141. Cham : Springer, 2020. P. 311–324. URL: https://doi.org/10.1007/978-3-030-50426-7_28
Dias L. B., Holanda M., Huacarpuma R. C., de Sousa Jr. R. T. NoSQL database performance tuning for IoT data: Cassandra case study. Proceedings of the 3rd International Conference on Internet of Things, Big Data and Security (IoTBDS 2018). 2018. P. 277–284. URL: https://www.scitepress.org/papers/2018/67827/67827.pdf
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
