Методи обробки та аналізу даних в IoT

Abstract

Метою кваліфікаційної роботи є розробка, реалізація та апробація методу діагностування технічного стану сенсорних пристроїв у розподіленій автоматизованій системі моніторингу, що функціонує на основі архітектури Інтернету речей. Особлива увага приділяється інтеграції методів машинного навчання для виявлення відхилень у поведінці сенсорів, що дозволяє підвищити надійність, стабільність і передбачуваність роботи екологічної інфраструктури. У ході виконання кваліфікаційної роботи змодельовано структуру розподіленої системи моніторингу, що включає сенсорні пристрої, брокер MQTT-протоколу та хмарну обчислювальну інфраструктуру. Було створено набір синтетичних тестових даних, що імітують реальні сигнали з включенням аномальних відхилень. На основі цих даних було реалізовано повнофункціональну модель автоенкодера, навченого на нормальних даних. Метод реконструкції сигналу дозволив автоматично виявляти області, де спостерігалося суттєве відхилення, що свідчить про збої в роботі пристрою. Проведено кілька сценаріїв візуалізації з метою локалізації й оцінки аномалій, а також виконано повний аналіз ефективності моделі. Робота також включає міждисциплінарний огляд сучасної літератури щодо захисту персональних даних, оптимізації обчислень на периферії та розвитку предиктивного обслуговування в IoT. Запропонований метод і реалізована модель можуть бути основою для побудови інтелектуальних систем підтримки прийняття рішень у сфері моніторингу довкілля, що функціонують в умовах обмежених ресурсів і великої кількості розподілених пристроїв. Отримані результати підтверджують ефективність використання машинного навчання в задачах діагностики технічного стану сенсорних вузлів у реальних IoT-мережах.