Ambientes com sensores para computação em névoa empregando disparador algorítmico e barramentos de serviços.

• Ano de defesa: 2025
• Autor(a) principal: Santos, Leandro Colevati dos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Barramento de serviços corporativos; Computação em névoa; Fog computing; Indústria 4.0; Industry 4.0; Microelectronic; Microservices; Sensor; Sensors
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3140/tde-25082025-083408/

As principais limitações da computação em nuvem, como latência e disponibilidade de processamento, afetam significativamente a análise de dados, especialmente oriundos de micro sensores, o que, por sua vez, também dificulta a melhoria da manipulação da informação em inúmeras atividades, muitas delas inerentes à Indústria 4.0 e a microeletrônica. Assim, este trabalho propõe a criação do DACN (Disparador Algorítmico para computação em Névoa) para manipulação de dados com características Big Data. O DACN apresenta um formato baseado em Barramento de Serviços Corporativos feito a partir de microsserviços. O método aplicado é baseado em uma prova de conceito e seis estudos de caso (EC). Esse conjunto produz um roadmap para aplicação global que apresente um ou mais dos 6Vs do Big Data. Ao final de cada estudo de caso, uma análise baseada em SWOT Framework é efetuada, verificando-se se os objetivos daquela etapa foram atingidos e determinando-se as limitações que ocorreram; assim levando a ações de encaminhamento para a próxima fase, ou seja, ao final gerando o roadmap para a reprodutibilidade. A prova de conceito, analisando sensores NTC dispostos em uma sala, visou definir a viabilidade do formato da estrutura. O EC1 tratou a latência aplicada a um grande volume de dados (30M de registros, média de 25 valores por registro), trazendo a média de 13 s de tempo de resposta em contexto de busca para minutos ou horas. No EC2, avaliou-se a viabilidade de aplicar o DACN a dados mais complexos, aplicando a detecção de elementos em imagens, a partir da aprendizagem criada em um serviço de nuvem, reduzindo a necessidade de grande armazenamento e validando a disponibilidade de processamento, além de mostrar a interoperabilidade com a camada de nuvem . Para o EC3 se fez a análise da simulação de uma aquisição de dados de sensores ambientais em ambiente de contaminação de solo por um ano e se validou a capacidade de suporte à decisão, complementado pelo EC4 que utilizou a simulação da aquisição de 3M de dados de pacientes de COVID-19, que apresentou baixa latência, tendo resultados de 340 ms para uma filtragem mais simples e inferior a 1 s para filtragem mais complexa, sendo extrapolado para um teste em ambiente de nuvem que trouxe latência superior a 4 vezes o obtido na estrutura proposta para névoa. Validadas as características principais, o EC5 faz um estudo multifatorial onde equipes diferentes, em instituições diferentes de SP fizeram o teste de processamento e latência do DACN permitindo a análise em tempo real e em médio e longo prazo de micro sensores ambientais e de sons. Por fim, o EC6 apresenta um teste de campo, baseado no EC2, mostrando, quantitativamente, tempo de resposta de detecção de objetos em imagens, em torno de 3 min. para análises de imagem de grande qualidade com precisão superior a 80%. O DACN mostra, portanto, que atende às características previstas na literatura para Computação em Névoa e, baseado no roadmap disponibilizado é possível reproduzi-lo para quaisquer problemas com tais características.