Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/127056
Títol: | Detecció i predicció d'anomalies en dispositius IoT en l'Edge computing |
Autoria: | Llussà Sala, Antoni |
Director: | Solé-Ribalta, Albert |
Tutor: | Trilles Oliver, Sergi |
Resum: | En l'actualitat, els dispositius de la Internet de les coses (IoT), tenen la capacitat per de poder executar models d'aprenentatge automàtic (ML). Aprofitant aquest potencial, es pretén incorporar en un dispositiu IoT un model de ML per detectar i predir anomalies en les dades (series temporals) que capturen, en temps real, els sensors connectats al dispositiu. Detectar i predir dades anòmales dins del dispositiu pot aportar avantatges com la reducció d'enviament de les dades errònies i així aconseguir un estalvi en la seva transmissió i també en el posterior processament d'aquestes dades en el núvol, així com poder fer un filtratge de les dades errònies. L'àmbit del treball és l'ambiental, en aquest cas, per mesurar la qualitat de l'aire. Els sensors mesuraran les partícules de l'aire. El dispositiu IoT, es gestionarà mitjançant la plataforma https://www.particle.io/, hi haurà disponibles dos tipus de sensors per mesurar diversos diàmetres de partícules de l'aire. Els sensors seran: Particulate Matter Sensor SPS30 i Laser PM2.5 Dust Sensor. Aquest treball pretén aconseguir desenvolupar un model de ML per la detecció i predicció de dades anòmales capturades pels sensors connectats al dispositius IoT, i executar-lo dins del dispositius IoT. |
Paraules clau: | predicció d'anomalies aprenentatge automàtic internet de les coses |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | 3-gen-2021 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Bachelor thesis, research projects, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
tllusaTFM0121memoria.pdf | Memòria del TFM | 11,89 MB | Adobe PDF | Veure/Obrir |
tllusaTFM0121presentació.pdf | Presentació del TFM | 829,41 kB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons