|
Nome do aluno
|
Israel Nascimento Matos
|
|
Título do trabalho
|
Reconstituição Temporal de Dados na Internet das Coisas usando Redes Neurais: Uma comparação com métodos clássicos de interpolação
|
|
Resumo do trabalho
|
Atualmente, vive-se na era do Big Data, na qual instrumentos científicos ultramodernos, redes e mídias sociais, bem como dispositivos da 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, a rede perceptron demonstra-se estatisticamente tão eficaz quanto os métodos classicos, 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 LSTM.
|
|
Orientador
|
Cassio Prazeres
|
|
Membro Titular Externo (com afiliação)
|
Cleber Jorge Lira de Santana (IFBA)
|
|
Link para o curriculum lattes
|
http://lattes.cnpq.br/
|
|
Membro Titular Interno ou Titular Externo 2 (com afiliação)
|
Ricardo Araújo Rios
|
|
Link para o curriculum lattes
|
http://lattes.cnpq.br/
|
|
Membro Suplente Externo (com afiliação)
|
Celso Alberto Saibel Santos
|
|
Link para o curriculum lattes
|
http://lattes.cnpq.br/
|
|
Membro Suplente Interno ou Suplente Externo 2 (com afiliação)
|
Gustavo Bittencourt Figueiredo
|
|
Link para o curriculum lattes
|
http://lattes.cnpq.br/
|
|
Data da defesa
|
31 Jan, 2024
|
|
Horário da defesa
|
9:00 AM
|