La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Investigating AI-based approaches for data processing on IOT edge devices

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Alosta, Mahmud (2021). Investigating AI-based approaches for data processing on IOT edge devices. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of ALOSTA_Mahmud.pdf]
Prévisualisation
PDF
Télécharger (6MB) | Prévisualisation

Résumé

The unprecedented dissemination of sensor technologies and their applications in different aspects of contemporary life has significantly contributed to the emergence of the Internet of Things (IoT). IoT envisions seamless integration of digital and physical worlds fabricating the ever witnessed stupendous network of connected devices. These devices have been harnessed to serve a diversity of applications including smart buildings, transportation, health, and agriculture. Fundamentally, collecting data is the main objective of such deployed networks. These data are constantly being generated leading to enormous volumes of raw sensory data that require further manipulation to convert it to valuable insight.

Typically, IoT data are transmitted to the cloud for processing and to deduce a meaningful outcome. Additionally, several IoT use-cases require the cloud to send back some instruction to fulfill actuation purposes. Considering the ever-increasing number of IoT connected devices and the limited network capacity, several challenges have arisen. First, blindly transmitting data to the cloud has amplified the stress in the network, leading to network bottlenecks. In addition, the reliance on the central cloud topology has raised the cost of IoT data manipulation. This cost can be envisioned in the bandwidth cost, in addition to the cloud operational cost. Furthermore, several time-sensitive IoT applications might not tolerate the latency imposed by the round-trip from sensor nodes to the cloud. All aforementioned issues have stimulated investigating alternative solutions that push such computing capabilities to the network edge and close to data sources. Auspiciously, this has become feasible thanks to the recent diversity and advancement that has been seen in the IoT edge devices endowing them the capability to handle a variety of use-cases. This also has been simultaneously accompanied with a broad investigation of the applicability of several AI-based techniques to perform IoT data manipulation tasks. More specifically, several AI-based techniques including semantic web, machine learning, and fuzzy logic have been widely investigated and accepted as key enabler to reveal the ambiguity of raw sensor data and to support decision-making tasks. Although the advantages introduced by these techniques have been widely acknowledged in the IoT domain, the growing tendency to extend such intelligence to the network edge has revealed several challenges. This includes their applicability to perform under resource-restricted platforms, in addition to, their consistency in unstable environments that the IoT edge based solutions are highly exposed to.

The main objective of this dissertation is to examine through several case studies the applicability of AI-based techniques in maintaining balanced efficiency in data processing and analysis tasks. This efficiency is obtained taking into consideration the resource-constrained aspect that is featured in a considerable portion of IoT edge devices. In addition, each case study represents a research problem that has been addressed individually in this thesis. Thus, the contributions introduced by this work correspond to the presented case studies and are structured sequentially interrelated objectives. The first contribution is proposed to assess the feasibility of edge-based solutions in performing timely and efficient event detection tasks based on the semantic web and complex event processing techniques. The feasibility of the semantic annotation process in performing efficient event detection and modeling, in addition to data filtration tasks on IoT edge devices was examined. Second, in order to support IoT edge solutions to not only detect events on time but also to predict events and contemplate them in advance, we have examined the combination of Machine Learning and fuzzy logic techniques. More specifically, we have investigated and applied best practices for efficient ML and FL-based solution deployment in resource-limited environments. Third, in view of the challenges of using ML models in real-time, we have investigated a fuzzy logic based approach to keep track of model performance. The proposed mechanism is intended to maintain an acceptable real-time model performance in accordance with balanced resource utilization on IoT edge devices.

In all analyzed cases, we conducted a deep exploration of the related subjects of research and supported our assumptions by a thorough analysis of real-life use cases. In addition, we have validated our assumptions with several proof-of-concept implementations. Such methodology demonstrated progress in highlighting a variety of perspectives and recognizing open issues and potential research issues within the scope of the presented research.

Titre traduit

Étude des approches de l’application des techniques basées sur l’IA pour le traitement des données sur les dispositifs en périphérie de l’IdO

Résumé traduit

La diffusion sans précédent des technologies des capteurs et leurs applications dans différents aspects de la vie quotidienne ont largement contribué à l’émergence de l’internet des objets (IdO). L’IdO permet l’intégration transparente des mondes numérique et physique, créant ainsi le formidable réseau de dispositifs connectés dont on ne cesse d’être témoin. Ces dispositifs ont été exploités pour servir une diversité d’applications, notamment la domotique, les transports, la santé et l’agriculture. Fondamentalement, la collecte de données est l’objectif principal de ces réseaux déployés. Ces données sont constamment générées, ce qui conduit à des volumes énormes de données sensorielles brutes qui nécessitent une manipulation supplémentaire pour les convertir en informations utiles.

En général, les données sont transmises au nuage pour être traitées et pour en déduire un résultat utile. En outre, plusieurs cas d’utilisation de l’IdO exigent que le nuage renvoie des instructions pour répondre à des besoins de contrôle. Compte tenu du très grand nombre d’appareils connectés à l’IdO et de la capacité limitée des réseaux, plusieurs défis se posent. Tout d’abord, la transmission sans contrôle des données vers le nuage a amplifié le stress du réseau, ce qui a conduit à un goulet d’étranglement. En outre, la dépendance à l’égard de la topologie du nuage central a augmenté le coût de la manipulation des données de l’IdO. Ce coût peut être considéré comme le coût de la bande passante, en plus du coût opérationnel nuage. En outre, plusieurs applications de l’IdO dépendantes du temps peuvent ne pas tolérer le délai d’attente imposé par l’aller-retour entre les noeuds de capteurs et le nuage. Tous les éléments mentionnés ci-dessus ont mené à la recherche de solutions alternatives permettant de pousser ces capacités de calcul à la périphérie du réseau et à proximité des sources de données. De manière exceptionnelle, cela est devenu possible grâce à la diversité et aux progrès récents des dispositifs de périphérie de l’IdO, qui leur confèrent la capacité de gérer une variété de cas d’utilisation. Cette évolution s’est accompagnée d’une vaste enquête sur la capacité de plusieurs techniques basées sur l’IA à effectuer des tâches de manipulation de données de l’IdO. Plus précisément, plusieurs techniques basées sur l’IA, dont le web sémantique, l’apprentissage automatique et la logique floue, ont été largement étudiées et considérées comme des outils essentiels pour révéler l’ambiguïté des données brutes des capteurs et pour faciliter la prise de décision. Bien que les avantages introduits par ces techniques aient été largement reconnus dans le domaine de l’IdO, la tendance croissante à étendre cette intelligence à la périphérie du réseau a révélé plusieurs défis. Il s’agit notamment de leur applicabilité dans des plates-formes à ressources limitées, ainsi que de leur consistance avec l’instabilité et les fluctuations auxquelles les solutions basées sur la périphérie de l’IdO sont fortement exposées.

L’objectif principal de cette thèse est d’examiner à travers plusieurs études de cas la capacité des techniques basées sur l’IA à maintenir une performance balancée dans les tâches de traitement et d’analyse des données. Cette efficacité est assurée en tenant compte de la limitation des ressources qui caractérise une grande partie des dispositifs périphériques de l’IdO. En outre, chaque étude de cas représente un problème de recherche qui a été traité séparément dans cette thèse. Ainsi, les contributions introduites dans ce travail correspondent aux études de cas présentées et elles sont structurées en objectifs séquentiellement liés entre eux. La première contribution est proposée pour évaluer la faisabilité des solutions de périphérie dans l’exécution de tâches de détection d’événements efficaces et à temps, basées sur le web sémantique et les techniques de traitement d’événements complexes. Dans cette contribution, nous avons examiné la faisabilité du processus d’annotation sémantique dans l’exécution de tâches de détection et de modélisation efficaces des événements, en plus des tâches de filtrage des données sur les dispositifs périphériques de l’IdO. Deuxièmement, afin d’aider les solutions de périphérie de l’IdO non seulement à détecter les événements à temps, mais aussi à les prévoir et à les anticiper, nous avons examiné la combinaison de techniques d’apprentissage automatique et de logique floue. Plus précisément, nous avons étudié et appliqué les meilleurs principes pour le déploiement efficace de solutions basées sur l’apprentissage automatique et la logique floue dans des environnements restreints en ressources. Troisièmement, compte tenu des défis posés par l’utilisation de modèles d’apprentissage automatique en temps réel, nous avons examiné une approche basée sur la logique floue pour assurer le suivi des performances du modèle. Le mécanisme proposé vise à maintenir une performance acceptable du modèle en temps réel conformément à une utilisation balancée des ressources sur les dispositifs périphériques de l’IdO.

Dans tous les cas analysés, nous avons mené une enquête approfondie sur les sujets de recherche connexes et appuyé nos hypothèses par une analyse approfondie de cas d’utilisation réels. En outre, nous avons validé nos hypothèses par plusieurs mises en oeuvre de preuves de concept. Cette méthodologie a permis de mettre en évidence une variété de perspectives et de reconnaître les questions ouvertes et les problèmes de recherche potentiels dans le cadre de la recherche présentée.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 179-192).
Mots-clés libres: internet des objets (IdO), informatique de périphérie, apprentissage automatique, web sémantique, logique floue, analyse de périphérie
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Gherbi, Abdelouahed
Programme: Doctorat en génie > Génie
Date de dépôt: 22 nov. 2021 18:41
Dernière modification: 22 nov. 2021 18:41
URI: https://espace.etsmtl.ca/id/eprint/2789

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt