Метод автоматизованого генерування PFD-діаграм для проєктування IoT-систем на базі мережі Sigfox
Анотація
Запропоновано нові підходи до автоматизації процесу проєктування інформаційних систем на підставі технологій Інтернету речей (IoT) з урахуванням специфіки енергоефективних мереж типу Sigfox. Встановлено, що ефективне врахування обмежень таких мереж потребує розроблення спеціалізованих методів розроблення технологічних схем. З'ясовано, що застосування великих мовних моделей LLM (англ. Large Language Model) дає змогу забезпечити належний рівень автоматизації процесів побудови PFD-діаграм (англ. Process Flow Diagrams) на підставі текстових описів, які вводить користувач. Охарактеризовано метод контекстного аналізу, який дає змогу виділяти ключові компоненти IoT-системи, міжкомпонентні зв'язки та потоки даних із текстової інформації. Обґрунтовано доцільність переходу від традиційного ручного моделювання до інтелектуального синтезу схем за допомогою моделей LLM, що істотно скорочує тривалість розроблення IoT-систем та підвищує точність отриманих результатів. Розроблено метод автоматизованого генерування PFD-діаграм, що містить: лінгвістичний аналіз і структурування опису системи, процедуру генерування коду з оптимізацією потоків даних під обмеження LPWAN-мереж, автоматизовану візуалізацію потоків даних у вигляді PFD-діаграми. Оцінено вплив попередньої адаптації моделі LLM до технічного контексту мережі Sigfox на точність генерування її компонент і релевантність проєктних рішень, зокрема у випадках, коли потрібно зменшити частоту передавання даних способом їх агрегації або буферизації. Описано шість рівнів системного підходу (архітектурний, рівень взаємодії компонент, рівень оброблення даних, життєвого циклу пристроїв, протоколів передачі, рівень інтеграції із хмарними сервісами), які реалізовано в межах запропонованої методики. Оцінено ефективність підходу в контексті розроблення IoT-систем із жорсткими ресурсними обмеженнями, де традиційні інструменти не забезпечують належного рівня оптимізації потоків даних. Отримані результати демонструють потенціал інтелектуальної автоматизації в IoT, відкриваючи шлях до оптимізації робочих процесів. Перспективи досліджень передбачають удосконалення методу автоматизованого генерування PFD-діаграм способом адаптації до інших LPWAN-технологій і розширення функціональності моделей LLM для складніших сценаріїв використання.
Завантаження
Посилання
Adeoye, S. (2025). Internet of Things (IoT): A Vision, Architectural Elements and Future Directions. Cognizance Journal of Multidisciplinary Studies, 5(1), 316–338. https://doi.org/10.47760/cognizance.2025.v05i01.027
Aleryani, A. Y. (2024). Analyzing Data Flow: A Comparison between Data Flow Diagrams (DFD) and User Case Diagrams (UCD) in Information Systems Development. European Modern Studies Journal, 8(1), 313–320. https://doi.org/10.59573/emsj.8(1).2024.28
Alsharif, M. H., Kelechi, A. H., Jahid, A., Kannadasan, R., Singla, M. K., Gupta, J., & Geem, Z. W. (2024). A comprehensive survey of energy-efficient computing to enable sustainable massive IoT networks. Alexandria Engineering Journal, 91, 12–29. https://doi.org/10.1016/j.aej.2024.01.067
Bonnefoi, F., Hillah, L. M., Kordon, F., & Renault, X. (2007). Design, modeling and analysis of ITS using UML and Petri Nets. 2007 IEEE Intelligent Transportation Systems Conference, pp. 52–58. https://doi.org/10.1109/itsc.2007.4357718
Carroll, A. J., & Borycz, J. (2024). Integrating large language models and generative artificial intelligence tools into information literacy instruction. The Journal of Academic Librarianship, 50(4), article ID 102899. https://doi.org/10.1016/j.acalib.2024.102899
Cheema, S. M., Tariq, S., & Pires, I. M. (2023). A Natural Language Interface for Automatic Generation of Data Flow Diagram using Web Extraction Techniques. Journal of King Saud University – Computer and Information Sciences, 35(3), 1–15. https://doi.org/10.1016/j.jksuci.2023.01.006
Cheng, Y., Xu, M., Zhang, Y., Li, K., Wang, R., & Yang, L. (2025). AutoIoT: Automated IoT Platform Using Large Language Models. IEEE Internet of Things Journal, 1, 1–12. https://doi.org/10.1109/jiot.2024.3523907
Ding, J., Nemati, M., Ranaweera, C., & Choi, J. (2020). IoT Connectivity Technologies and Applications: A Survey. IEEE Access, 8, 67646–67673. https://doi.org/10.1109/access.2020.2985932
Faulkner, A. (2018). Lucidchart for Easy Workflow Mapping. Serials Review, 44(2), 157–162. https://doi.org/10.1080/00987913.2018.1472468
Filho, T., Fernando, L., Rabelo, M., Silva, S., Santos, C., Ribeiro, M., Grout, I. A., Moreira, W., & Oliveira, A. (2021). A Standard-Based Internet of Things Platform and Data Flow Modeling for Smart Environmental Monitoring. Sensors, 21(12), article ID 4228. https://doi.org/10.3390/s21124228
Gowaikar, S., Iyengar, S., Segal, S., & Kalyanaraman, S. (2024). An Agentic Approach to Automatic Creation of P&ID Diagrams from Natural Language Descriptions. arXiv:2412.12898, 45–53. https://doi.org/10.48550/arXiv.2412.12898
Hirtreiter, E., Schulze Balhorn, L., & Schweidtmann, A. M. (2023). Toward automatic generation of control structures for process flow diagrams with large language models. AIChE Journal, article ID e18259, 1–15. https://doi.org/10.1002/aic.18259
Hou, X., Zhao, Y., Liu, Y., Yang, Z., Wang, K., Li, L., Luo, X., Lo, D., Grundy, J., & Wang, H. (2024). Large Language Models for Software Engineering: A Systematic Literature Review. ACM Transactions on Software Engineering and Methodology, 33(8), 1–7. https://doi.org/10.1145/3695988
James, A., Seth, A., & Mukhopadhyay, S. C. (2022). IoT System Design. Project Based Approach. Springer International Publishing, 165–169. https://doi.org/10.1007/978-3-030-85863-6
Jouhari, M., Saeed, N., Alouini, M.-S., & Amhoud, E. M. (2023). A Survey on Scalable LoRaWAN for Massive IoT: Recent Advances, Potentials, and Challenges. IEEE Communications Surveys & Tutorials, 1, 5–12. https://doi.org/10.1109/comst.2023.3274934
Mohamed Ali El-Morsy, S., Hussein, M., & Mousa, H. M. (2022). Arabic open information extraction system using dependency parsing. International Journal of Electrical and Computer Engineering (IJECE), 12(1), article ID 541. https://doi.org/10.11591/ijece.v12i1.pp541-551
Osman, D. N., & Abbas, E. (2022). Performance Evaluation of LoRa and Sigfox LPWAN Technologies for IoT. Academic Journal of Research and Scientific Publishing, 4(38), 05–24. https://doi.org/10.52132/ajrsp.e.2022.38.1
Richard., J. B. (2013). Supporting Engineering Design Modeling by Domain Specific Modeling Languag. American Journal of Software Engineering and Applications, 2(3), 86. https://doi.org/10.11648/j.ajsea.20130203.11
Shrivastava, A., & Jain, J. K. (2020). Natural language processing: A literature survey. International Journal of Communication and Information Technology, 1(2), article ID 15–20. https://doi.org/10.33545/2707661x.2020.v1.i2a.13
Soliman, A., Shaheen, S., & Hadhoud, M. (2024). Leveraging pre-trained language models for code generation. Complex & Intelligent Systems, 10, 47–52. https://doi.org/10.1007/s40747-024-01373-8
Tabassum, M. R., Ritchie, M. J., Mustafiz, S., & Kienzle, J. (2024). Using LLMs for Use Case Modelling of IoT Systems: An Experience Report. MODELS Companion 24: ACM/IEEE 27th International Conference on Model Driven Engineering Languages and Systems, 611–619. ACM. https://doi.org/10.1145/3652620.3687810
Zong, M., Hekmati, A., Guastalla, M., Li, Y., & Krishnamachari, B. (2025). Integrating large language models with internet of things: applications. Discover Internet of Things, 5(2). https://doi.org/10.1007/s43926-024-00083-4
