Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Radke, Leomar Mateus
Orientador(a): Müller, Ivan
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
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
Palavras-chave em Português:
Aprendizado de máquina
Detecção de falhas
Internet das coisas
Palavras-chave em Inglês:
Optimization
TinyML
Anomaly detection
Low-power wide-area network
Link de acesso: http://hdl.handle.net/10183/254243
Resumo: O avanço das aplicações com Internet of Things (IoT), no contexto de redes de longa distância de baixa potência nos dias atuais é notório. Porém, algumas fragilidades ainda devem ser resolvidas, tais como a segurança dos dados trafegados, largura de banda utilizada e autonomia de bateria dos dispositivos. Este trabalho apresenta uma avaliação de modelos otimizados de Tiny Machine Learning (TinyML), onde são investigados os benefícios de se ter em um dispositivo sensor, um algoritmo otimizado onde a inferência dos dados é realizada localmente. O desempenho de cada uma das técnicas é avaliado, bem como a capacidade de redução que elas promovem. Um estudo de caso é apresentado em uma rede LoRa, onde um conjunto de dados é utilizado para avaliar o desempenho energético do modelo. O resultado evidencia redução de quase 4 vezes no consumo de energia na proposta de detecção de anomalia na borda.
id URGS_c47af4119997b747952a2ecb9f1c64cc
oai_identifier_str oai:www.lume.ufrgs.br:10183/254243
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Radke, Leomar MateusMüller, Ivan2023-02-07T05:02:10Z2022http://hdl.handle.net/10183/254243001159893O avanço das aplicações com Internet of Things (IoT), no contexto de redes de longa distância de baixa potência nos dias atuais é notório. Porém, algumas fragilidades ainda devem ser resolvidas, tais como a segurança dos dados trafegados, largura de banda utilizada e autonomia de bateria dos dispositivos. Este trabalho apresenta uma avaliação de modelos otimizados de Tiny Machine Learning (TinyML), onde são investigados os benefícios de se ter em um dispositivo sensor, um algoritmo otimizado onde a inferência dos dados é realizada localmente. O desempenho de cada uma das técnicas é avaliado, bem como a capacidade de redução que elas promovem. Um estudo de caso é apresentado em uma rede LoRa, onde um conjunto de dados é utilizado para avaliar o desempenho energético do modelo. O resultado evidencia redução de quase 4 vezes no consumo de energia na proposta de detecção de anomalia na borda.The advancement of Internet of Things (IoT) applications in the context of low-power long-distance networks today is notorious. However, thus some weaknesses also appeared, such as the security of the data transmitted, bandwidth and battery life of the devices. This work presents an evaluation of optimized Tiny Machine Learning (TinyML) models. The benefits of having an optimized algorithm in a sensor device are evaluated, where the data inference is performed locally. The performance of each of the techniques will be evaluated, as well as the reduction capacity they promote. A case study is presented in a LoRa network, where a dataset is used to evaluate the energy performance of the model. The result was an approximate 4x drop in power consumption in the edge anomaly detection.application/pdfporAprendizado de máquinaDetecção de falhasInternet das coisasOptimizationTinyMLAnomaly detectionLow-power wide-area networkAvaliação de modelos otimizados de TinyML para detecção de anomalias em IoTinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia ElétricaPorto Alegre, BR-RS2022mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001159893.pdf.txt001159893.pdf.txtExtracted Texttext/plain133225http://www.lume.ufrgs.br/bitstream/10183/254243/2/001159893.pdf.txtfb5ae735d2c8ad1b3c736d05aecbbfb1MD52ORIGINAL001159893.pdfTexto completoapplication/pdf6146722http://www.lume.ufrgs.br/bitstream/10183/254243/1/001159893.pdf4da454295ad07bfd3082bfb58fd7b9a1MD5110183/2542432023-02-08 06:02:32.004176oai:www.lume.ufrgs.br:10183/254243Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-02-08T08:02:32Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
title Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
spellingShingle Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
Radke, Leomar Mateus
Aprendizado de máquina
Detecção de falhas
Internet das coisas
Optimization
TinyML
Anomaly detection
Low-power wide-area network
title_short Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
title_full Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
title_fullStr Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
title_full_unstemmed Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
title_sort Avaliação de modelos otimizados de TinyML para detecção de anomalias em IoT
author Radke, Leomar Mateus
author_facet Radke, Leomar Mateus
author_role author
dc.contributor.author.fl_str_mv Radke, Leomar Mateus
dc.contributor.advisor1.fl_str_mv Müller, Ivan
contributor_str_mv Müller, Ivan
dc.subject.por.fl_str_mv Aprendizado de máquina
Detecção de falhas
Internet das coisas
topic Aprendizado de máquina
Detecção de falhas
Internet das coisas
Optimization
TinyML
Anomaly detection
Low-power wide-area network
dc.subject.eng.fl_str_mv Optimization
TinyML
Anomaly detection
Low-power wide-area network
description O avanço das aplicações com Internet of Things (IoT), no contexto de redes de longa distância de baixa potência nos dias atuais é notório. Porém, algumas fragilidades ainda devem ser resolvidas, tais como a segurança dos dados trafegados, largura de banda utilizada e autonomia de bateria dos dispositivos. Este trabalho apresenta uma avaliação de modelos otimizados de Tiny Machine Learning (TinyML), onde são investigados os benefícios de se ter em um dispositivo sensor, um algoritmo otimizado onde a inferência dos dados é realizada localmente. O desempenho de cada uma das técnicas é avaliado, bem como a capacidade de redução que elas promovem. Um estudo de caso é apresentado em uma rede LoRa, onde um conjunto de dados é utilizado para avaliar o desempenho energético do modelo. O resultado evidencia redução de quase 4 vezes no consumo de energia na proposta de detecção de anomalia na borda.
publishDate 2022
dc.date.issued.fl_str_mv 2022
dc.date.accessioned.fl_str_mv 2023-02-07T05:02:10Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/254243
dc.identifier.nrb.pt_BR.fl_str_mv 001159893
url http://hdl.handle.net/10183/254243
identifier_str_mv 001159893
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/254243/2/001159893.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/254243/1/001159893.pdf
bitstream.checksum.fl_str_mv fb5ae735d2c8ad1b3c736d05aecbbfb1
4da454295ad07bfd3082bfb58fd7b9a1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316149126561792

Registros relacionados