Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT

• Ano de defesa: 2022
• Autor(a) principal: Radke, Leomar Mateus
• Orientador(a): Müller, Ivan
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado de máquina; Detecção de falhas; Internet das coisas
• Palavras-chave em Inglês: Optimization; TinyML; Anomaly detection; Low-power wide-area network
• Link de acesso: http://hdl.handle.net/10183/254243

O avanço das aplicações com Internet of Things (IoT), no contexto de redes de longa distância de baixa potência nos dias atuais é notório. Porém, algumas fragilidades ainda devem ser resolvidas, tais como a segurança dos dados trafegados, largura de banda utilizada e autonomia de bateria dos dispositivos. Este trabalho apresenta uma avaliação de modelos otimizados de Tiny Machine Learning (TinyML), onde são investigados os benefícios de se ter em um dispositivo sensor, um algoritmo otimizado onde a inferência dos dados é realizada localmente. O desempenho de cada uma das técnicas é avaliado, bem como a capacidade de redução que elas promovem. Um estudo de caso é apresentado em uma rede LoRa, onde um conjunto de dados é utilizado para avaliar o desempenho energético do modelo. O resultado evidencia redução de quase 4 vezes no consumo de energia na proposta de detecção de anomalia na borda.