Arquitectura inteligente para el procesamiento acelerado de datos de los dispositivos IoT en la computación de borde

• Autores: Vanessa Estefanía Alvear Puertas
• Directores de la Tesis: Vivian Félix López Batista (dir. tes.) , Paul David Rosero Montalvo (codir. tes.)
• Lectura: En la Universidad de Salamanca ( España ) en 2024
• Idioma: español
• Tribunal Calificador de la Tesis: María Navelonga Moreno García (presid.) , Manuel Martín-Merino Acera (secret.) , Valderi Reis Quietinho Leithardt (voc.)
• Enlaces
  • Tesis en acceso abierto en:  TESEO  GREDOS 
• Resumen

  • Durante la última década, se ha observado cómo la tecnología de Internet de las Cosas (IoT) se ha posicionado dentro de la vida cotidiana de las personas, ya sea inmersa en el uso de artefactos domésticos conectados al internet o en procesos de manufactura a nivel industrial, conducción de vehículos autónomos, sistemas de seguridad, entre muchas otras aplicaciones. El acelerado desarrollo de esta tecnología la ha llevado también a estar presente dentro del campo de la investigación, donde día a día se establecen nuevos hitos para su desarrollo y aprovechamiento en todos sus ámbitos de aplicación.

    Con su importante presencia y uso cotidiano, IoT se ha convertido en una de las tecnologías con mayor generación de datos. Esto ha derivado en que la adquisición de datos desde los dispositivos IoT generen cargas masivas, que demandan altas tasas de procesamiento con tiempos de latencia mínimos, por ello requieren de sistemas robustos, capaces de analizar y procesar toda la información recolectada de manera eficiente. Por lo expuesto, la tendencia actual requiere que los sistemas encargados de procesar datos de dispositivos IoT combinen las prestaciones de hardware de Unidades Centrales de Procesamiento (CPUs), Unidades de Procesamiento Gráfico (GPUs), Unidades de Procesamiento de Tensores (TPUs) y Matrices de Puertas Programables en Campo (FPGAs), al emplear este tipo de hardware es posible aplicar técnicas de aprendizaje automático que faciliten el procesamiento, la toma de decisiones con los datos adquiridos y reduzcan el tiempo de respuesta de los sistemas.

    No obstante, con la diversidad de aplicaciones y dispositivos IoT, se ha convertido un reto el poder determinar las capacidades computacionales y requerimientos a nivel de software y hardware siendo una problemática aún abierta. Como una solución a esta necesidad, la computación de borde supone cubrir las demandas de estos sistemas. La ventaja de trabajar con la Computación de Borde es que representa menor tiempo de latencia, además proporciona privacidad y seguridad de los datos (al procesarse dentro de la red local) y también cuenta con la posibilidad de enviar datos a la nube cuando se requiera, brindando flexibilidad y escalabilidad al sistema. Los dispositivos que conforman la Computación de Borde son más robustos que los dispositivos IoT por lo que implementar algoritmos de aprendizaje automático resulta una tarea menos compleja en términos de recursos computacionales.

    La presente tesis doctoral, propone una arquitectura de tres bloques, que abarca la fase de ingeniería de datos, gestión de modelos y despliegue de modelos. Para ello, se ha realizado un análisis de las herramientas de preprocesamiento de los datos más adecuadas, para luego probar distintas redes neuronales convolucionales pre-entrenadas (Transfer Learning) y pasar a la etapa de despliegue donde se probó la arquitectura en dispositivos de borde centrándose en dos casos de estudio. El principal objetivo es determinar, la correcta combinación de técnicas de preprocesamiento más el uso de algoritmos de aprendizaje automático y técnicas de optimización, para brindar al usuario un marco de trabajo que facilite la implementación de soluciones en dispositivos de borde en aplicaciones de IoT.