Detección de Terremotos en el Borde: Red de Crowdsensing IoT
Autores: Bassetti, Enrico; Panizzi, Emanuele
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección de Terremotos en el Borde: Red de Crowdsensing IoT
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Terremoto
Sistemas de alerta temprana
Sensores
Centro de fusión
Computación en el borde
Nodos detectores
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los sistemas de alerta temprana de terremotos de última generación se basan en una red de sensores conectados a un centro de fusión en un paradigma cliente-servidor. El centro de fusión ejecuta diferentes algoritmos sobre todo el conjunto de datos para detectar terremotos. En cambio, proponemos trasladar la computación al borde, con nodos detectores que examinan el entorno y procesan información de sondas cercanas para detectar terremotos localmente. Nuestro enfoque tolera múltiples fallos de nodos y interrupciones parciales de la red y mantiene todos los datos localmente, mejorando la privacidad. Este documento describe la justificación de nuestra propuesta y explica su arquitectura. Luego presentamos una implementación que utiliza Raspberry, NodeMCU y el modelo de aprendizaje automático Crowdquake.
Descripción
Los sistemas de alerta temprana de terremotos de última generación se basan en una red de sensores conectados a un centro de fusión en un paradigma cliente-servidor. El centro de fusión ejecuta diferentes algoritmos sobre todo el conjunto de datos para detectar terremotos. En cambio, proponemos trasladar la computación al borde, con nodos detectores que examinan el entorno y procesan información de sondas cercanas para detectar terremotos localmente. Nuestro enfoque tolera múltiples fallos de nodos y interrupciones parciales de la red y mantiene todos los datos localmente, mejorando la privacidad. Este documento describe la justificación de nuestra propuesta y explica su arquitectura. Luego presentamos una implementación que utiliza Raspberry, NodeMCU y el modelo de aprendizaje automático Crowdquake.