The Internet of Things (IoT) has penetrating all things and objects around us giving them the ability to interact with the Internet, i.e., things become Smart Things (SThs). As a result, SThs produce massive real-time data (i.e., big IoT data). Smartness of IoT applications bases mainly on services such as automatic control, events handling, and decision making. Consumers of the IoT services are not only human users, but also SThs. Consequently, the potential of IoT applications relies on supporting services such as searching, retrieving, mining, analyzing, and sharing real-time data. For enhancing search service in the IoT, our previous work presents a promising solution, called Cluster Representative (ClRe), for indexing similar SThs in IoT applications. ClRe algorithms could reduce similar indexing by O(K − 1), where K is number of Time Series (TS) in a cluster. Multiple extensions for ClRe algorithms were presented in another work for enhancing accuracy of indexed data. In this theme, this paper studies performance analysis of ClRe algorithms, proposes two novel execution methods: (a) Linear execution (LE) and (b) Pair-merge execution (PME), and studies sorting impact on TS execution for enhancing similarity rate for some ClRe extensions. The proposed execution methods are evaluated with real examples and proved using Szeged-weather dataset on ClRe 3.0 and its extensions; where they produce representatives with higher similarities compared to the other extensions. Evaluation results indicate that PME could improve performance of ClRe 3.0 by = 20.5%, ClRe 3.1 by = 17.7%, and ClRe 3.2 by = 6.4% in average.

中文翻译：

---

相似性数据融合模型的性能分析，可在物联网应用中启用时间序列索引

物联网（IoT）已渗透到我们周围的所有事物和对象中，使它们能够与Internet进行交互，即，事物变成了智能事物（STh）。结果，SThs产生大量的实时数据（即大的IoT数据）。物联网应用程序的智能性主要基于自动控制，事件处理和决策等服务。物联网服务的消费者不仅是人类用户，而且是STh。因此，物联网应用程序的潜力依赖于支持服务，例如搜索，检索，挖掘，分析和共享实时数据。为了增强物联网中的搜索服务，我们之前的工作提出了一种很有前途的解决方案，称为集群代表（ClRe），用于为物联网应用中的相似STh编制索引。ClRe算法可以减少O（K − 1）的相似索引，其中K是集群中时间序列（TS）的数量。为了提高索引数据的准确性，在另一项工作中介绍了ClRe算法的多个扩展。在此主题下，本文研究了ClRe算法的性能分析，提出了两种新颖的执行方法：（a）线性执行（LE）和（b）配对合并执行（PME），并研究排序对TS执行的影响以提高相似率对于某些ClRe扩展。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。为了提高索引数据的准确性，在另一项工作中介绍了ClRe算法的多个扩展。在此主题下，本文研究了ClRe算法的性能分析，提出了两种新颖的执行方法：（a）线性执行（LE）和（b）配对合并执行（PME），并研究排序对TS执行的影响以提高相似率对于某些ClRe扩展。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。为了提高索引数据的准确性，在另一项工作中介绍了ClRe算法的多个扩展。在此主题下，本文研究了ClRe算法的性能分析，提出了两种新颖的执行方法：（a）线性执行（LE）和（b）配对合并执行（PME），并研究排序对TS执行的影响以提高相似率对于某些ClRe扩展。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。本文研究了ClRe算法的性能分析，提出了两种新颖的执行方法：（a）线性执行（LE）和（b）配对合并执行（PME），并研究了对TS执行的排序影响，以提高某些ClRe扩展的相似率。 。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。本文研究了ClRe算法的性能分析，提出了两种新颖的执行方法：（a）线性执行（LE）和（b）配对合并执行（PME），并研究了对TS执行的排序影响，以提高某些ClRe扩展的相似率。 。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。并研究了排序对TS执行的影响，以增强某些ClRe扩展的相似率。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。并研究了排序对TS执行的影响，以提高某些ClRe扩展名的相似率。所提出的执行方法将通过实际示例进行评估，并使用基于ClRe 3.0及其扩展的Szeged-weather数据集进行验证；与其他扩展名相比，他们产生的相似性更高。评估结果表明，平均而言，PME可以将ClRe 3.0的性能提高20.5％，将ClRe 3.1的性能提高17.7％，将ClRe 3.2的性能提高6.4％。