Banca de DEFESA: ISRAEL NASCIMENTO MATOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ISRAEL NASCIMENTO MATOS
DATA : 31/01/2024
HORA: 09:00
LOCAL: Remoto
TÍTULO:

Reconstituição Temporal de Dados na Internet das Coisas usando Redes Neurais: Uma comparação com métodos clássicos de interpolação

PALAVRAS-CHAVES:

Internet das Coisas; Computação em Névoa; Redes Neurais Perceptron; Agregação de Dados; Compressão de Dados; Interpolação e Séries Temporais.

PÁGINAS: 142
RESUMO:

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.

MEMBROS DA BANCA:
Presidente - 1814369 - CASSIO VINICIUS SERAFIM PRAZERES
Interno - 2130353 - RICARDO ARAUJO RIOS
Externo à Instituição - CLEBER JORGE LIRA DE SANTANA - IFBA