MQTT
PulseAugur coverage of MQTT — every cluster mentioning MQTT across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的“Forking-Sequences”架构提高了时间序列预测的准确性和稳定性
一篇新研究论文介绍了一种名为“Forking-Sequences”的新型神经网络架构，旨在提高多预测期时间序列预测的效率并降低其波动性。与传统方法为每个预测日期独立处理不同，该方法在单次传递中处理所有预测创建日期的整个时间序列。该论文从理论上证明了其优势，包括通过集成降低预测波动性、通过梯度方差降低提高统计效率以及在推理过程中提高计算效率。对基准数据集的实证分析表明，在各种模型类型上准确性均有显著提高，并且通过集成进一步降低了预测波动性。
-
智能家居代理将 1B AI 模型视为不可信输入
一款名为 EdgeHome Harness 的新型智能家居代理展示了一种新颖的 AI 可靠性方法，它将自家的 1B 参数模型视为不可信输入。该系统由社区成员开发，并由 OpenBMB 展示，它使用了一个小的 Rust 框架来验证和执行 MiniCPM5-1B 模型生成的命令。这种设计优先考虑用于模式验证、设备解析和策略执行等关键功能的确定性代码，而 AI 模型在管道中则被置于不太关键的角色。
-
随机森林分类器在物联网入侵检测研究中领先 · arXiv论文
一项新的研究论文通过比较五种机器学习算法在入侵检测方面的有效性，分析了物联网（IoT）网络的安全性。该研究使用了Gotham2025数据集，该数据集模拟了一个拥有78个设备以及MQTT、CoAP和RTSP等协议的真实物联网环境。结果表明，随机森林分类器表现最佳，在识别攻击时达到了0.99的F1分数，凸显了其在保护资源受限的物联网设备方面的潜力。
-
制药维护转向由人工智能驱动的预测系统以确保合规性
现代制药制造需要一个复杂的计算机化维护管理系统（CMMS）来处理设备故障的关键性质。与其他行业不同，制药行业的设备停机可能导致批次报废、错过验证窗口以及面临 FDA 和 EMA 等监管机构的审查。先进的 CMMS 解决方案利用人工智能和机器级传感器，通过 MQTT 和 OPC UA 等协议，将维护模式从被动响应转变为预测性协调。这可以实现异常的早期检测、故障的自动记录以及直接向技术人员提供诊断解决方案，从而缩短平均修复时间并确保符合 …
-
新框架简化了具有多样化设备配置文件的物联网测试
研究人员开发了IoT-Zoo，一个基于容器的框架，旨在为物联网创建真实且可复现的实验数据。该平台基于Containernet构建，支持异构物联网设备配置文件和常见的应用协议，如MQTT和RTSP。IoT-Zoo通过自动化环境设置和流量捕获，实现一致的数据生成，旨在简化网络和安全解决方案的评估。
-
EdgeCitadel 平台简化了网络边缘的 AI 智能体编排
研究人员开发了 EdgeCitadel，一个旨在编排网络边缘运行的 AI 智能体的新平台。该系统采用混合式 NATS-MQTT 方法，集成 MQTT 以实现多样化的智能体连接，并利用 NATS JetStream 进行持久化数据处理。该平台旨在改进分布在家用服务器、物联网中心、笔记本电脑和手机等设备上的智能体之间的协调，超越传统的以云为中心的通信模型。
-
Jneopallium 项目整合多种协议用于模型构建
Jneopallium 项目发布了更新，展示了其使用各种数据协议和标准构建模型的能力。这些更新展示了与 OpenTelemetry、HL7 FHIR、带 Sparkplug B 的 MQTT、Apache PLC4X 和 DICOM 的集成。该项目的代码库可在 GitHub 上公开获取，表明其专注于为自主系统进行开源开发。
-
科技企业家利用人工智能管理家庭数据迁移和智能设备
一位科技爱好者和企业家详细介绍了他将人工智能融入家庭的经历，首先是将他的数字生活迁移到新的MacBook Pro。他利用人工智能助手Claude Code，管理了数十年的数据、软件配置和开发环境的复杂迁移，这比传统的迁移工具要复杂得多。这位人工智能助手不仅简化了数据迁移，还识别并解决了硬件问题并优化了性能，这促使用户探索更广泛的人工智能在家居自动化中的应用。
-
研究揭示了操纵误报警报的新型物联网网络攻击
一篇新论文详细介绍了一种名为误报率（FPR）操纵攻击（FPA）的网络攻击，该攻击以工业物联网网络为目标。该攻击利用了 MQTT 协议的领域特定知识，巧妙地改变良性网络流量，使其被错误地归类为恶意流量。研究表明，FPA 的成功率在 80.19% 到 100% 之间，显著增加了对真实安全警报的调查时间。
-
物联网增强型CNN以99.54%的准确率检测增材制造中的裂纹
研究人员开发了一个物联网增强型深度学习系统，用于检测增材制造中的裂纹。该框架集成了实时监控、边缘计算和卷积神经网络（CNN），在缺陷分类方面实现了高准确率。它支持监督和半监督学习，在一个大型数据集上展示了99.54%的准确率，并通过数据平衡和增强提高了泛化能力。该系统还将制造参数与缺陷形成联系起来，并整合了数字孪生技术用于预测分析和过程控制。