Un enfoque orientado al flujo de datos para aplicaciones de Internet de las cosas potenciadas por el aprendizaje automático
Autores: Baldoni, Gabriele; Teixeira, Rafael; Guimarães, Carlos; Antunes, Mário; Gomes, Diogo; Corsaro, Angelo
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque orientado al flujo de datos para aplicaciones de Internet de las cosas potenciadas por el aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Internet de las cosas
Aprendizaje automático
Programación de flujo de datos
Nube descentralizada
Tuberías de aprendizaje automático
Ecosistema de IoT.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
El aumento del Internet de las Cosas (IoT) ha llevado a un incremento exponencial en los datos generados por dispositivos conectados. El Aprendizaje Automático (ML) ha surgido como una herramienta poderosa para analizar estos datos y habilitar aplicaciones IoT inteligentes. Sin embargo, desarrollar y gestionar aplicaciones ML en el continuo descentralizado de Cloud-to-Things es extremadamente complejo. Este documento propone Zenoh-Flow, un marco de programación de flujo de datos que apoya la implementación de tuberías ML de Extremo a Extremo (E2E) de manera totalmente descentralizada y abstracta de los aspectos de comunicación. De esta manera, simplifica el proceso de desarrollo y actualización de las aplicaciones impulsadas por ML de próxima generación en el dominio de IoT. El marco propuesto se demostró utilizando un caso de uso del mundo real, y los resultados mostraron una mejora significativa en el rendimiento general y el uso de la red en comparación con la implementación original. Además, otros de sus beneficios inherentes son un paso significativo hacia el desarrollo de aplicaciones ML eficientes y escalables en el ecosistema descentralizado de IoT.
Descripción
El aumento del Internet de las Cosas (IoT) ha llevado a un incremento exponencial en los datos generados por dispositivos conectados. El Aprendizaje Automático (ML) ha surgido como una herramienta poderosa para analizar estos datos y habilitar aplicaciones IoT inteligentes. Sin embargo, desarrollar y gestionar aplicaciones ML en el continuo descentralizado de Cloud-to-Things es extremadamente complejo. Este documento propone Zenoh-Flow, un marco de programación de flujo de datos que apoya la implementación de tuberías ML de Extremo a Extremo (E2E) de manera totalmente descentralizada y abstracta de los aspectos de comunicación. De esta manera, simplifica el proceso de desarrollo y actualización de las aplicaciones impulsadas por ML de próxima generación en el dominio de IoT. El marco propuesto se demostró utilizando un caso de uso del mundo real, y los resultados mostraron una mejora significativa en el rendimiento general y el uso de la red en comparación con la implementación original. Además, otros de sus beneficios inherentes son un paso significativo hacia el desarrollo de aplicaciones ML eficientes y escalables en el ecosistema descentralizado de IoT.