Prediction-based strategies for reducing data transmissions in the loT

Abstract

Predictions about the evolution of the Internet of Things (IoT) in the next years are optimistic. The number of interconnected devices will continue to grow exponentially, as well as the amount of data that they report. Part of this data will be generated by wireless sensor nodes organized in Wireless Sensor Networks (WSNs) to transmit their measurements to Gateways (GWs). However, wireless sensor nodes are mainly designed to have low costs, which implies constrained memory and energy supplies, and does not permit the streaming of measured data at high data rates. Meanwhile, modern uses of WSNs rely on the knowledge acquired by sensor nodes to trigger reactions in other systems, and sensed data has become critical to avoid economic–and living–losses. Therefore, it is important to optimize data transmissions in WSNs to support not only a higher number of wireless sensor nodes but also a higher diversity of sensed parameters. Solutions for data aggregation and data compression have reduced the number of gross transmissions, but they did not solve the problem of transmitting measurements that do not convey knowledge to the WSNs’ managers. These solutions do not exploit the fact that, fortunately, WSNs are asymmetric and, contrary to ordinary wireless sensor nodes, GWs have an Internet connection with no critical computational, power or communication limitations. Hence, GWs can run algorithms and process amounts of data that wireless sensor nodes do not support, which permits them to predict the data that will be measured. This thesis extends a paradigm that exploits WSNs to the utmost: data that can be predicted does not have to be transmitted. First, we design a self-managing WSN architecture that adopts a standardized communication to integrate WSNs into data analysis services in the cloud. To evaluate our idea in experiments, we implement the Data Analytics for Sensors Dashboard (DAS-Dashboard) to control and optimize, using specialized cloud services, a WSN via the Internet. Our experimental results show that the interconnection of remote components does not imply a significant overhead and that the architecture is feasible vii in practice. Then, relying on this architecture, we design a mechanism to adjust the sensor nodes’ sampling intervals according to the changes observed in the environment. The novelty of this mechanism is in the use of a Reinforcement Learning (RL) technique called Q-Learning. Simulation and experimental results show that this mechanism provides necessary means to make a smart WSN with the capacity of self-optimizing. As a result of hardware evolution, new wireless sensor nodes have extended memory and computing capabilities; and more sophisticated prediction algorithms were adopted in sensor nodes. In response to that, we analyze the benefits of incorporating the current state-of-the-art prediction algorithms in WSNs. The results are promising: our simulation results show that it is possible to eliminate WSN transmissions without reducing the quality of the measurements provided in several sensor network applications. For the future generations of WSNs, we design a theoretical model for characterizing the number of transmissions in WSNs, which can provide reliable estimations about the efficiency of prediction-based data reduction methods. The new model will support the WSNs’ growth regarding the number of sensor nodes in a single network and the quality of information processed by their GWs. The prediction-based strategies investigated in this thesis can impact the present and the future of the IoT. Current WSNs can be optimized to avoid unnecessary transmissions with the help of the cloud. Also, coming generations of WSNs will be supported by our WSN transmission model to adopt prediction algorithms and maintain strict control over the quality of the reported data without being harmed by the adoption of a higher number of sensor nodes; hence, collaborating to the IoT’s growth.

Las predicciones sobre la evolución del Internet of Things (IoT) en los próximos años son optimistas. El número de dispositivos interconectados continuará creciendo exponencialmente, así como la cantidad de datos generados. Parte de estos datos serán generados por los nodos sensores inalámbricos organizados en Redes de Sensores Inalámbricas (del inglés Wireless Sensor Networks, o abreviado WSNs) para transmitir sus mediciones a sus correspondientes Gateways (GWs). Sin embargo, los sensores inalámbricos están diseñados principalmente para ser de bajo coste, lo que implica recursos de memoria y de energía finitos, y no permite la transmisión de los datos medidos a altas velocidades. Mientras tanto, los usos actuales de las WSNs se basan en los conocimientos adquiridos por los nodos sensores para desencadenar reacciones en otros sistemas, de modo que estos datos se han convertido en fundamentales para evitar pérdidas económicas–y de vidas. Por lo tanto, es importante optimizar las transmisiones de datos en WSNs para soportar no sólo un mayor número de nodos sensores inalámbricos, sino también una mayor diversidad de parámetros detectados. Las soluciones para la agregación y compresión de datos han reducido el número de transmisiones brutas, pero no han resuelto el problema de la transmisión de las mediciones que no llevan información útil a los administradores de las WSNs. Estas soluciones no explotan el hecho de que, afortunadamente, las WSNs son asimétricas y, contrariamente a los nodos sensores inalámbricos habituales, los GWs tienen una conexión a Internet sin limitaciones críticas en términos computacionales, energéticos o de comunicación. Por lo tanto, los GWs pueden ejecutar algoritmos y procesar grandes volúmenes de datos no ejecutables en los sensores inalámbricos, lo que les permite predecir los datos que se van a medir. Esta tesis extiende un paradigma que explota las WSNs al máximo: los datos que pueden ser predichos no tienen que ser transmitidos. En primer lugar, diseñamos una arquitectura de autogestión para WSNs que adopta una comunicación estandarizada para integrar las ixWSNs con los servicios de análisis de datos en la nube. Para evaluar nuestra idea de forma experimental, se ha implementado el Data Analytics for Sensors Dashboard (DAS-Dashboard) para controlar y optimizar, mediante servicios especializados en la nube, una WSN a través de Internet. Nuestros resultados experimentales muestran que la interconexión de componentes remotos no implica una sobrecarga significativa y que la arquitectura resultante es factible en la práctica. Basándonos en esta arquitectura, diseñamos un mecanismo para ajustar los intervalos de muestreo de los nodos sensores a partir de los cambios observados en el medio. La novedad de este mecanismo está en el uso de una técnica de Reinforcement Learning (RL) llamada Q-Learning. Los resultados de la simulación y los experimentos muestran que este mecanismo proporciona los medios necesarios para hacer una WSN inteligente con capacidad de auto-optimización. Como resultado de la evolución hardware, nuevos nodos sensores inalámbricos han extendido las capacidades de memoria y de cómputo; como consecuencia, se ha adoptado algoritmos más sofisticados de predicción en los nodos sensores. En respuesta a ello, analizamos los beneficios de la incorporación de los algoritmos de predicción actuales del estado del arte en WSNs. Los resultados de nuestras simulaciones son prometedores: estos demuestran que en varias aplicaciones de redes de sensores es posible eliminar algunas transmisiones sin reducir la calidad de las medidas proporcionadas. Para las futuras generaciones de WSNs, diseñamos un modelo teórico para caracterizar el número de transmisiones en WSNs, que pueden proporcionar estimaciones fiables acerca de la eficiencia de los métodos de reducción de datos basados en predicciones. El nuevo modelo permite el crecimiento de las WSNs en relación al número de nodos sensores en una sola red y la calidad de la información procesada por el GW. Las estrategias basadas en la predicción de datos investigadas en esta tesis pueden tener un impacto en el presente y el futuro del IoT. Las WSNs actuales pueden ser optimizadas para evitar transmisiones innecesarias con la ayuda del cloud. Además, las nuevas generaciones de WSNs estarán respaldadas por nuestro modelo de transmisión para adoptar algoritmos de predicción y mantener un estricto control sobre la calidad de los datos notificados sin ser dañadas por la adopción de un mayor número de nodos sensores; por consiguiente, colaborando en el crecimiento del IoT.