Thesis (Ph.D)-Cairo University, 2024.

Bibliography: pages 141-152.

Nowadays, the proliferation of the Internet of Things (IoT) has revolutionized various
industries by enabling the seamless integration of physical devices with digital systems.
Data analytics is a key enabler for unlocking the full potential of IoT and driving digital
transformation across industries. IoT smart systems offer unparalleled opportunities for
data-driven decision-making and automation. However, the effective implementation
of IoT smart systems presents significant challenges related to data quality and
scalability. This thesis proposes a framework for data-analytics IoT in smart systems
and delves into the critical issues of missing data, imbalanced data, and large-scale data
for analysis, enabling real-time monitoring, predictive analytics, and smart decisionmaking. The proposed framework titled (IoT-SMILE Framework) expresses Internet
of Things Smart systems, Solving Missing and Imbalanced data, Large-scale data, and
Evaluation.
One of the primary problems in IoT smart systems is the occurrence of missing data
due to various reasons, including sensor failures, network issues, or data corruption
during transmission. This thesis handles missing data using K-Nearest Neighbor
optimization via Artificial Hummingbird Algorithm (AHA) which is applied to a case
study of intelligent waste management that solves the problem of missing, improves the
lifetime of devices, and chooses the best path for the garbage car.
The second problem facing data analytics in IoT smart systems is an imbalance of data.
This thesis discusses the solution of imbalanced data through the optimization of
synthetic minority over-sampling technique (SMOTE) via artificial hummingbird
algorithm (AHA) with an accuracy of 97.84% compared with other algorithms and
implements the solution on poultry management. During the analysis of poultry data
found an imbalance in the characteristics of poultry data and prediction of poultry
behavior and disease to help human life by producing healthy poultry.
The third and last problem discussed in the proposed framework during this thesis is
the problem of large-scale data volume that greatly affects the analysis of the data
extracted from IoT smart systems. The proposed framework solves large-scale data
through an enhanced map-reduce method using proposed method is fuzzy c-means
clustering (FCM-AHA) implemented before the map function executes and reduce optimization by AHA to generate optimal centroid points.

في الوقت الحاضر، أحدث انتشار إنترنت الأشياء (IoT) ثورةً في مختلف الصناعات، من خلال تمكين التكامل السلس للأجهزة المادية مع الأنظمة الرقمية.
يُعد تحليل البيانات عاملاً رئيسياً لإطلاق العنان لكامل إمكانات إنترنت الأشياء ودفع عجلة التحول الرقمي في مختلف الصناعات. توفر أنظمة إنترنت الأشياء الذكية فرصاً لا مثيل لها لاتخاذ القرارات والأتمتة القائمة على البيانات. ومع ذلك، فإن التنفيذ الفعال لأنظمة إنترنت الأشياء الذكية يطرح تحديات كبيرة تتعلق بجودة البيانات وقابلية التوسع. تقترح هذه الأطروحة إطار عمل لتحليل بيانات إنترنت الأشياء في الأنظمة الذكية، وتتعمق في القضايا الحرجة المتعلقة بالبيانات المفقودة، والبيانات غير المتوازنة، والبيانات واسعة النطاق للتحليل، مما يتيح المراقبة في الوقت الفعلي، والتحليلات التنبؤية، واتخاذ القرارات الذكية. يعبر الإطار المقترح، المعنون (إطار عمل IoT-SMILE)، عن أنظمة إنترنت الأشياء الذكية، وحل البيانات المفقودة وغير المتوازنة، والبيانات واسعة النطاق، والتقييم. من المشكلات الرئيسية في أنظمة إنترنت الأشياء الذكية فقدان البيانات لأسباب متعددة، بما في ذلك أعطال أجهزة الاستشعار، أو مشاكل الشبكة، أو تلف البيانات أثناء النقل. تتناول هذه الأطروحة البيانات المفقودة باستخدام تحسين "ك-أقرب جار" عبر خوارزمية الطائر الطنان الاصطناعي (AHA)، والتي تُطبق على دراسة حالة لإدارة النفايات الذكية، والتي تحل مشكلة فقدان البيانات، وتُحسّن عمر الأجهزة، وتختار المسار الأمثل لعربة القمامة.
المشكلة الثانية التي تواجه تحليلات البيانات في أنظمة إنترنت الأشياء الذكية هي اختلال توازن البيانات.
تناقش هذه الأطروحة حل مشكلة اختلال توازن البيانات من خلال تحسين تقنية أخذ العينات المفرطة للأقلية الاصطناعية (SMOTE) عبر خوارزمية الطائر الطنان الاصطناعي (AHA) بدقة 97.84% مقارنةً بالخوارزميات الأخرى، وتُطبق الحل على إدارة الدواجن. أثناء تحليل بيانات الدواجن، وُجد خلل في خصائص بيانات الدواجن والتنبؤ بسلوكها وأمراضها، مما يُسهم في تحسين حياة الإنسان من خلال إنتاج دواجن سليمة.

المشكلة الثالثة والأخيرة التي نوقشت في الإطار المقترح خلال هذه الرسالة هي مشكلة حجم البيانات الضخم الذي يؤثر بشكل كبير على تحليل البيانات المستخرجة من أنظمة إنترنت الأشياء الذكية. يحل الإطار المقترح البيانات الضخمة من خلال طريقة مُحسّنة لاختزال الخرائط، باستخدام أسلوب التجميع الضبابي (FCM-AHA) المُطبّق قبل تنفيذ دالة الخريطة، وتحسين الاختزال بواسطة AHA لتوليد نقاط مركزية مثالية.

Issues also as CD.

Text in English and abstract in Arabic & English.