An intelligent context-aware edge-based data reduction framework for IoT

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Pioli Junior, Laércio
Orientador(a): Macedo, Douglas Dyllon Jeronimo de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/264055
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2024.
id UFSC_df2c9ce04da250ccdf083a696e28bcf2
oai_identifier_str oai:repositorio.ufsc.br:123456789/264055
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaPioli Junior, LaércioMacedo, Douglas Dyllon Jeronimo deDantas, Mário Antônio Ribeiro2025-03-25T23:24:09Z2025-03-25T23:24:09Z2024390714https://repositorio.ufsc.br/handle/123456789/264055Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2024.A ampla implantação de sensores nos domínios da Internet das Coisas (IoT), como casas inteligentes, cidades inteligentes e dispositivos vestíveis, gerou grandes quantidades de dados brutos heterogêneos. A transmissão desses dados diretamente para a nuvem sem pré-processamento introduz gargalos significativos no sistema. Este estudo aborda o problema de enviar dados brutos do sensor diretamente da borda da rede para a nuvem sem pré-processamento, o que geralmente não é recomendado, pois pode levar a gargalos significativos no sistema. Ao pré-processar dados na borda usando técnicas avançadas de inteligência artificial (IA), métodos eficazes de redução de dados podem ser aplicados, resultando em benefícios computacionais, como uso reduzido da largura de banda da rede, economia de energia, armazenamento em nuvem otimizado e menores custos de tráfego. Esta tese apresenta uma estrutura de redução de dados agnóstica, orientada por IA e com reconhecimento de contexto, projetada para sistemas de IoT baseados em borda, com foco na preservação da qualidade dos dados. A estrutura integra um modelo inteligente e módulos de redução de dados para processar dados brutos heterogêneos mais próximos de sua fonte, reduzindo assim o volume de dados antes da transmissão. Os resultados experimentais demonstram a eficácia da estrutura, com o modelo de IA alcançando alta precisão preditiva em métricas de qualidade essenciais, incluindo Taxa de Redução (RR) e níveis de distorção. O sistema de previsão multimodelo proposto mostra tempos de execução em torno de 10^{-3} segundos e uma precisão de 99,09%, garantindo que algoritmos de redução ideais sejam selecionados de forma dinâmica e eficiente em cenários em tempo real. Consequentemente, a estrutura proposta orientada por IA não apenas minimiza a sobrecarga computacional, mas também permite o processamento de dados escalável, dando suporte à tomada de decisão dinâmica e respostas em tempo real, o que é essencial para vários aplicativos de alta demanda em IoT.Abstract: The widespread deployment of sensors across the Internet of Things (IoT) domains, such as smart homes, smart cities, and wearable devices, has generated vast amounts of heterogeneous raw data. Transmitting this data directly to the cloud without preprocessing introduces significant system bottlenecks. This study addresses the problem of sending raw sensor data directly from the network's edge to the cloud without preprocessing, which is generally not recommended as it can lead to significant system bottlenecks. By preprocessing data at the edge using advanced artificial intelligence (AI) techniques, effective data reduction methods can be applied, resulting in computational benefits such as reduced network bandwidth usage, energy savings, optimized cloud storage, and lower traffic costs. This thesis presents an agnostic, AI-driven, context-aware data reduction framework designed for edge-based IoT systems, with a focus on preserving data quality. The framework integrates an intelligent model and data reduction modules to process heterogeneous raw data closer to its source, thereby reducing the data volume before transmission. Experimental results demonstrate the framework's effectiveness, with the AI model achieving high predictive accuracy in key quality metrics, including Reduction Ratio (RR) and distortion levels. The proposed multi-model prediction system shows execution times around 10^{-3} seconds and an accuracy of 99.09%, ensuring that optimal reduction algorithms are selected dynamically and efficiently in real-time scenarios. Consequently, the proposed AI-driven framework not only minimizes computational overhead but also enables scalable data processing, supporting dynamic decision-making and real-time responses which is critical for various high-demand applications in IoT.199 p.| il., gráfs.engComputaçãoInteligência artificialInternet das coisasProcessamento eletrônico de dadosComputação de bordaAprendizado do computadorAn intelligent context-aware edge-based data reduction framework for IoTinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPGCC1287-T.pdfPGCC1287-T.pdfapplication/pdf16285198https://repositorio.ufsc.br/bitstream/123456789/264055/-1/PGCC1287-T.pdf61ac422a09ec0bae50d7fb9c918f9923MD5-1123456789/2640552025-03-25 20:24:10.092oai:repositorio.ufsc.br:123456789/264055Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732025-03-25T23:24:10Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv An intelligent context-aware edge-based data reduction framework for IoT
title An intelligent context-aware edge-based data reduction framework for IoT
spellingShingle An intelligent context-aware edge-based data reduction framework for IoT
Pioli Junior, Laércio
Computação
Inteligência artificial
Internet das coisas
Processamento eletrônico de dados
Computação de borda
Aprendizado do computador
title_short An intelligent context-aware edge-based data reduction framework for IoT
title_full An intelligent context-aware edge-based data reduction framework for IoT
title_fullStr An intelligent context-aware edge-based data reduction framework for IoT
title_full_unstemmed An intelligent context-aware edge-based data reduction framework for IoT
title_sort An intelligent context-aware edge-based data reduction framework for IoT
author Pioli Junior, Laércio
author_facet Pioli Junior, Laércio
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Pioli Junior, Laércio
dc.contributor.advisor1.fl_str_mv Macedo, Douglas Dyllon Jeronimo de
dc.contributor.advisor-co1.fl_str_mv Dantas, Mário Antônio Ribeiro
contributor_str_mv Macedo, Douglas Dyllon Jeronimo de
Dantas, Mário Antônio Ribeiro
dc.subject.classification.none.fl_str_mv Computação
Inteligência artificial
Internet das coisas
Processamento eletrônico de dados
Computação de borda
Aprendizado do computador
topic Computação
Inteligência artificial
Internet das coisas
Processamento eletrônico de dados
Computação de borda
Aprendizado do computador
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2024.
publishDate 2024
dc.date.issued.fl_str_mv 2024
dc.date.accessioned.fl_str_mv 2025-03-25T23:24:09Z
dc.date.available.fl_str_mv 2025-03-25T23:24:09Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/264055
dc.identifier.other.none.fl_str_mv 390714
identifier_str_mv 390714
url https://repositorio.ufsc.br/handle/123456789/264055
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 199 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/264055/-1/PGCC1287-T.pdf
bitstream.checksum.fl_str_mv 61ac422a09ec0bae50d7fb9c918f9923
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758945180319744

Registros relacionados