Detecció i predicció d'anomalies en dispositius IoT en l'Edge computing

Abstract

Nowadays, Internet of Things (IoT) devices can run machine learning (ML) models. Taking advantage of the computational power of these devices, the incorporation of a ML model to detect and predict anomalies in the data (time series) is intended. Data is collected real time by sensors connected to the device. Predicting and detecting anomalies within the IoT device can provide benefits such as reducing the sending of erroneous data to server, and so that saving on transmission as well as on the processing of these data in the cloud, and to make filtering of erroneous data. The field of the project is the environmental and focuses on measuring the air quality. Sensors will measure air particles and IoT devices will be managed through Particle platform (https://www.particle.io/) . Two types of sensors will be used, Particulate Matter Sensor SPS30 and Grove - Laser PM2.5 Dust Sensor, and several particle sizes will be measured. This work aims to develop an ML model for the detection and prediction of anomalous data captured by sensors connected to IoT devices, and run it within the IoT devices.

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.

En la actualidad, los dispositivos del Internet de las cosas (Yate), tienen la capacidad por de poder ejecutar modelos de aprendizaje automático (ML). Aprovechando este potencial, se pretende incorporar en un dispositivo Yate un modelo de ML para detectar y predecir anomalías en los datos (serías temporales) que capturan, en tiempo real, los sensores conectados al dispositivo. Detectar y predecir datos anómalos dentro del dispositivo puede aportar ventajas como la reducción de envío de los datos erróneos y así conseguir un ahorro en su transmisión y también en el posterior procesamiento de estos datos en la nube, así como poder hacer un filtraje de los datos erróneos. El ámbito del trabajo es el ambiental, en este caso, para mesurar la calidad del aire. Los sensores mesurarán las partículas del aire. El dispositivo Yate, se gestionará mediante la plataforma https://www.particle.io/, habrá disponibles dos tipos de sensores para mesurar varios diámetros de partículas del aire. Los sensores serán: Particulate Matter Sensor SPS30 y Laser PM2.5 Dust Sensor. Este trabajo pretende conseguir desarrollar un modelo de ML por la detección y predicción de datos anómalos capturados por los sensores conectados al dispositivos Yate, y ejecutarlo dentro del dispositivos Yate.