Modelo Cliente-Servidor sin Control de Estado para Aprendizaje Profundo de Datos en Dispositivos IoT Aplicados a Parámetros Ambientales

  • Javier Adolfo Ouret +54 9 11 41479212
  • Luciano Parodi UCA - Facultad de Ingeniería y Ciencias Agrarias. Ingeniería en Informática
Palabras clave: Internet de las Cosas, Sensores para IoT, Aprendizaje Profundo, MQTT, RestAPI

Resumen

El crecimiento exponencial de dispositivos IoT requiere de la investigación y desarrollo de nuevas arquitecturas para la gestión de protocolos de acceso a sensores, operaciones cliente servidor y el análisis de grandes volúmenes de datos con múltiples parámetros relacionados. El objetivo de este trabajo es investigar y proponer un modelo cliente-servidor, sin control de estado, para el acceso a sensores IoT, con brokers MQTT y arquitectura REST. El modelo agrupa por medio de análisis profundo los valores de concentración de CO2 (variable objetivo) de un lugar determinado, para luego correlacionar los resultados con los posibles efectos sobre la salud de las personas, a lo largo del tiempo. Los sensores son accesibles en tiempo real por medio de gateways GNSS (con acceso a redes celulares LTE-M1, WiFi mesh o Lorawan), monitoreados y gestionados con protocolos SNMP/Netconf [11]. La normalización de la variable se hace con datos ambientales externos obtenidos por geolocalización. Comparamos los resultados de K-NN. K-Means y GMM para el aprendizaje automático (supervisado y no supervisado) y asignación del grupo de riesgo del lugar para la variable concentración de CO2, en rangos de tiempo. Con la información obtenida se pueden realizar acciones de corrección (o alarma) sobre otros dispositivos controlados por IoT para regular la ventilación del lugar y su capacidad operativa.

Publicado
2023-07-07
Cómo citar
Ouret, J., & Parodi, L. (2023). Modelo Cliente-Servidor sin Control de Estado para Aprendizaje Profundo de Datos en Dispositivos IoT Aplicados a Parámetros Ambientales. Memorias De Las JAIIO, 9(1). Recuperado a partir de https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/637
Sección
AGRANDA - Simposio Argentino de Ciencia de Datos y GRANdes DAtos