Industrial Internet of Things (IIoT) deployments increasingly rely on low-cost microcontrollers and single-board computers to stream operational telemetry for monitoring, control, and predictive maintenance, yet the canonical “TLS-to-broker” model does not protect message content from a compromised or curious MQTT broker. This study therefore designs and implements a practical, application-layer end-to-end (E2E) encryption pipeline spanning an ESP32 data client (C++/mbedTLS), an untrusted MQTT broker, and a Raspberry Pi gateway (Python/PyCryptodome) using AES-256-GCM with Additional Authenticated Data (AAD). Sensor measurements are serialized as compact JSON, encrypted and authenticated on the ESP32, framed into a binary record, Base64-encoded for MQTT payload carriage, and verified/decrypted only at the gateway. Experiments on ESP32-WROOM-32 and Raspberry Pi 4 show an average ESP32 packet-preparation latency of 41.754 ms (JSON 1.0 ms; AES-GCM 29.5 ms; Base64 11.2 ms), robust rejection of ciphertext tampering and unauthorized devices via MAC verification and whitelist checks, and 99.72% decrypt-and-store success over a one-hour run (718/720 messages). These results indicate that commodity IIoT hardware can support practical and replicable E2E confidentiality and integrity without sacrificing operational throughput, while eliminating the MQTT broker as a de facto man-in-the-middle.

Introduction: Manufacturing digital twins require reliable observations of evolving production‐floor state, yet many camera-based studies stop at detection or tracking and do not formalize how video becomes twin‐ready state variables. Methods: This study presents a vision-based observation-layer framework that links video acquisition, detection, tracking, spatial semantics, observation-variable extraction, and a digital twin interface. The framework was evaluated on a real food‐production floor recorded by a ceiling‐mounted camera. A time‐separated design kept the final production hour fully held out for detector and tracker evaluation. Results: The selected detector (YOLO11x, freeze depth 22) reached mAP50 = 0.939 and mAP50‐95 = 0.754 on the primary held‐out set; ByteTrack reached HOTA = 0.783 at 27.6 frames/s on two manually reviewed tracking clips. The resulting stack produced zone occupancy, entries, exits, and dwell-time summaries over a 60 min held-out recording. Discussion: These results support the proposed component as an observation layer for a manufacturing digital twin. The study does not claim to implement a complete twin with simulation, prediction, bidirectional synchronization, or closed-loop control.

Мақалада әлеуметтік желілердегі қауымдастықтарды, желі пайдаланушылары арасындағы байланыстарды және белсенді пайдаланушыларды анықтауға мүмкіндік беретін әлеуметтік желілерді талдау әдісі қарастырылған. Әлеуметтік желілер пайдаланушылар туралы ақпаратты бір ортада қарауға, қажетті адамдармен байланыс орнатуға және ақпарат алмасуға мүмкіндік береді. Зерттеуде әлеуметтік желілердегі белсенді пайдаланушылар мен қауымдастықтарды анықтауға арналған рейтингтік талдау мен Хэмминг метрикасына негізделген гибридті әдіс ұсынылады. Ұсынылған әдіс екі кезеңнен тұрады. Бірінші кезеңде белсенді пайдаланушылар желідегі байланыстылық деңгейіне негізделген рейтингтік критерий бойынша анықталады. Екінші кезеңде пайдаланушылар профильдерінің ұқсастығы Хэмминг қашықтығының көмегімен бағаланады. Ортақ көршілер негізінде пайдаланушылардың бинарлық құрылымдық профильдері қалыптастырылады. Әдісте екі шекті параметр қолданылады: бірінші параметр пайдаланушының белсенділік деңгейін, ал екіншісі пайдаланушылар профильдерінің ұқсастық дәрежесін анықтайды. Екінші шекті параметр зерттелген графтың модульділік мәндерін салыстыру негізінде таңдалды. Әдісті тексеру үшін Facebook Social Circles деректер жиынынан 200 пайдаланушы мен 1 072 әлеуметтік байланыстан тұратын іріктеме пайдаланылды. Зерттеу нәтижелері Girvan–Newman және Louvain қауымдастықтарды анықтау алгоритмдерінің нәтижелерімен салыстырылды. Салыстыру барысында анықталған қауымдастықтар саны, модульділік және орындалу уақыты бағаланды. Ұсынылған Rating–Hamming тәсілі 18 қауымдастықты анықтап, орындалу уақыты 0,118 с болған кезде 0,18745 модульділік мәніне қол жеткізді. Нәтижелер ұсынылған тәсілдің Girvan– Newman әдісімен салыстырғанда есептеу тұрғысынан тиімдірек екенін және белсенді пайдаланушыларды анықтау мен құрылымдық ұқсастықты талдауды біртұтас механизмде біріктіретінін көрсетті. Алынған нәтижелер осы зерттеуде қарастырылған Facebook әлеуметтік желісінің графымен шектеледі. Параметрлерді таңдау және әдістің тиімділігін бағалау бір граф негізінде жүргізілгендіктен, нәтижелерді басқа деректер жиынтықтарына жалпылау мүмкіндігі шектеулі. Зерттеу аясында параметрлердің сезімталдығына қосымша талдау жүргізілген жоқ.