Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Ferraz Junior, Norisvaldo |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/3/3142/tde-04052023-092320/
|
Resumo: |
Aplicações da Internet of Things (IoT) são utilizadas em vários domínios, como a Indústria 5.0, cidades inteligentes, entre outros, e são compostas por dispositivos, os quais fornecem grande volume de dados. Diferentes dispositivos podem ser utilizados, mas aqueles que se movimentam com frequência e precisam operar por vários dias ou meses sem a substituição das baterias ampliam a área de atuação das aplicações IoT - esses são os dispositivos IoT ultra-restritos (com severas restrições em processamento, memória, energia e tamanho da carga útil). Os dados advindos desses dispositivos viabilizam a tomada de decisão inteligente, esta que resulta da aplicação de modelos de aprendizagem de máquina - machine learning (ML). Nesse cenário, ao se considerar a privacidade, o isolamento dos dados no mesmo ambiente inteligente é fundamental. Por isso, a aprendizagem federada - federated learning (FL) - permite a realização do treinamento distribuído de um modelo de ML sem que os dados sejam transmitidos da Edge para o núcleo da nuvem. Contudo, nos ambientes tradicionais de FL, o gerenciador conhece todos os dispositivos, o que se mostra inseguro. Ainda, os dispositivos ultra-restritos utilizados em sistemas de missão crítica requerem que suas baterias mantenham seu padrão de vida útil com a aplicação de inteligência na tomada de decisão. Outro fator comum nesses dispositivos com severas restrições é o envio de medições anômalas. Diante do exposto, este trabalho apresenta o FedSensor, um framework de FL em redes IoT baseadas em sensores e atuadores, que considera a cooperação entre nuvem e Edge para a geração de modelos de ML globais viáveis para utilização em dispositivos IoT ultra-restritos. Neste trabalho avalia-se o FedSensor com relação ao consumo de energia e detecção de medições anômalas. O FedSensor propicia a anonimidade dos dispositivos (que não são conhecidos pelo gerenciador e apenas controlado pelos participantes). Além disso, o FedSensor mantém a característica de vida útil de bateria dos dispositivos, mesmo adicionando a inteligência artificial para a tomada de decisão. Os resultados do FedSensor apontam que o maior fator que reduz a vida útil dos dispositivos é o número de desfechos do modelo de ML global em conjunto com a frequência de realização de inferências, e não o volume de mensagens recebidas contendo o modelo de ML global. Em cenários de severa utilização, a média da redução da vida útil das baterias é de 38,59% (em relação ao dispositivo em descanso) e em casos de utilização não severa, a redução média da vida útil é de 2,88%. Por isso, utilizar dispositivos IoT ultra-restritos em arquiteturas de FL, que é um desafio apresentado no estado-da-arte, é viável com o uso do FedSensor, principalmente quando a realização de inferências não precisa ser realizada com intervalo de tempo igual ou menor que dois segundos. Por fim, identificam-se participantes que contém medições anômalas advindas dos dispositivos IoT, ao se observar os resultados da função de custo federado dos modelos de ML, ao se concluir o treinamento federado. |
