Порівняльний аналіз архітектур хмарних сховищ для високочастотних даних в системах ІІоТ: Amazon DynamoDB в порівнянні з Amazon Timestream
Анотація
Стаття присвячена вирішенню науково-практичної задачі оптимізації архітектур хмарного зберігання для систем промислового Інтернету речей (IIoT), що працюють із високочастотними сигналами, які контролюються п’єзокерамічними датчиками. Встановлено, що при масштабуванні IIoT-мереж традиційні нереляційні бази даних, такі як Amazon DynamoDB, демонструють значне зростання вартості та зменшення швидкодії системи. Авторами розроблено та обґрунтовано архітектурну модель гібридного зберігання, яка забезпечує баланс між швидкістю оперативної обробки телеметричних даних та економічною доцільністю тривалого зберігання. Модель базується на використанні високошвидкісного DynamoDB для моніторингу в режимі реальному часі та Amazon Timestream як аналітичного сховища для накопичених даних. Описано методику периферійної обробки на мікроконтролерах ESP32, що включає розрахунок середньоквадратичного значення (RMS) для стиснення інформації без втрати інформаційних даних. На основі імітаційного моделювання у середовищі AWS Academy Learning Lab проведено порівняльний аналіз швидкодії та сукупних витрат на утримання інфраструктури. Експериментально доведено, що запропонований підхід підвищує швидкість аналітичних запитів у 5,44 рази та знижує витрати на зберігання на 41% при накопиченні даних понад 30 діб. Наукова новизна полягає у математичному обґрунтуванні «порогу ефективності» архітектур при масштабуванні систем. Практичне значення результатів полягає у створенні рекомендацій для побудови відмовостійких систем прогнозної діагностики з мінімальними експлуатаційними витратами.
Посилання
Мусієнко М. П., Мусієнко О. Ю. Інтеграція п'єзокерамічних ІоТ-систем моніторингу з Amazon SageMaker для прогнозного аналізу. Комп'ютерно-інтегровані технології: освіта, наука, виробництво. 2025. № 61. С. 164–170. DOI: https://doi.org/10.36910/6775-2524-0560-2025-61-23
Raeiszadeh M., Ebrahimzadeh A., Glitho R. H. [et al.]. Real-Time Adaptive Anomaly Detection in Industrial IoT Environments. IEEE Transactions on Network and Service Management. 2024. URL: https://arxiv.org/abs/2601.03085 (дата звернення: 19.02.2026). DOI: https://doi.org/10.48550/arXiv.2601.03085
Kuraś P., Bolanowski M., Loza M. Optimization of machine learning models for effective anomaly detection in industrial IoT systems. Advances in Science and Technology Research Journal. 2026. Vol. 20(1). P. 203–221. DOI: https://doi.org/10.12913/22998624/210686.
Khan A. Q., Matskin M., Prodan R. [et al.]. Cloud storage cost: a taxonomy and survey. World Wide Web. 2024. Vol. 27, no. 36. DOI: https://doi.org/10.1007/s11280-024-01273-4
Nadimi R., Hashemi M., Tokimatsu K. Cost and Time Optimization of Cloud Services in Arduino-Based Internet of Things Systems for Energy Applications. Journal of Internet of Things. 2025. Vol. 7, no. 1. P. 49–69. DOI: https://doi.org/10.32604/jiot.2025.070822
