Reconstituição temporal de dados na internet das coisas usando redes neurais: uma comparação com métodos clássicos de interpolação

• Ano de defesa: 2024
• Autor(a) principal: Matos, Israel Nascimento
• Orientador(a): Prazeres, Cássio Vinicius Serafim
• Banca de defesa: Prazeres, Cassio Vinícius Serafim , Santana, Cleber Jorge Lira de , Rios, Ricardo Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação (PGCOMP)
• Departamento: Instituto de Computação - IC
• País: Brasil
• Palavras-chave em Português: Internet das coisas; Computação em névoa; Redes neurais perceptron; Agregação de dados; Compressão de dados; Interpolação; Séries temporais
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufba.br/handle/ri/39284

Atualmente, vive-se na era do Big Data, na qual instrumentos científicos ultramodernos, redes e mídias sociais, bem como dispositivos da Internet das Coisas (IoT) geram e transmitem diariamente pela Internet enormes quantidades de dados. No contexto da IoT, emerge um novo paradigma para mitigar a sobrecarga no envio de tantos dados à nuvem. Assim, em contraste com a computação em nuvem, vem sendo cada vez mais adotado a computação em névoa, com a maior parte do processamento e armazenamento de dados realizado na borda da rede por gateways. Nesse cenário, em ambientes nos quais os sensores coletam informações a cada segundo, por exemplo, em vez de se enviar cada uma das medidas para nuvem, o gateway adota uma estratégia de agregação de dados antes de transmiti-los. No entanto, dado que diversas aplicações requerem os dados conforme originalmente medidos pelos dispositivos, e considerando que a nuvem possui maior capacidade para atender um maior número de clientes em comparação aos gateways, o cenário ideal implica na capacidade da nuvem de reconstituir o histórico dos dados e fornecê-los a essas aplicações. Este trabalho propõe investigar a capacidade da rede neural perceptron de reconstituir o histórico dos dados dos sensores por meio de interpolação, a partir dos valores agregados enviados à nuvem. Uma vez que os dispositivos da IoT são limitados em recursos, o estudo também compara a rede neural perceptron desenvolvida com os algoritmos clássicos de interpolação, a fim de avaliar a eficiência e a eficácia entre os métodos. Para atingir esse objetivo, duas redes neurais foram desenvolvidas, a primeira na borda da rede, que aprende o comportamento dos dados dos sensores no tempo, enquanto a segunda rede neural localizada na nuvem realiza a interpolação a partir dos dados agregados enviados e do modelo gerado pela rede neural da borda. Os resultados obtidos indicam que mesmo uma arquitetura relativamente simples de rede neural como a perceptron pode realizar a interpolação dos dados IoT com uma considerável margem de precisão. Quando comparada com os algoritmos clássicos de interpolação, analisando critérios como Tempo e o EQM (Erro Quadrático Médio), a rede perceptron demonstra-se estatisticamente tão eficaz quanto os métodos clássicos, mas menos eficiente no tempo de interpolação. Em síntese, este estudo contribui para a compreensão das possibilidades e limitações da aplicação de redes neurais na reconstituição temporal de dados da IoT e aponta a necessidade de avaliar a mesma comparação com o uso de outras arquiteturas de redes neurais, como por exemplo, a rede neural Long Short-Term Memory (LSTM).