Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales

Autores
Ouret, Javier Adolfo; Parodi, Luciano
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El crecimiento exponencial de dispositivos IoT requiere de la investigación y desarrollo de nuevas arquitecturas para la gestión de protocolos de acceso a sensores, operaciones cliente servidor y el análisis de grandes volúmenes de datos con múltiples parámetros relacionados. El objetivo de este trabajo es investigar y proponer un modelo cliente-servidor, sin control de estado, para el acceso a sensores IoT, con brokers MQTT y arquitectura REST. El modelo agrupa por medio de análisis profundo los valores de concentración de CO2 (variable objetivo) de un lugar determinado, para luego correlacionar los resultados con los posibles efectos sobre la salud de las personas, a lo largo del tiempo. Los sensores son accesibles en tiempo real por medio de gateways GNSS (con acceso a redes celulares LTE-M1, WiFi mesh o Lorawan), monitoreados y gestionados con protocolos SNMP/Netconf [11]. La normalización de la variable se hace con datos ambientales externos obtenidos por geolocalización. Comparamos los resultados de K-NN. K-Means y GMM para el aprendizaje automático (supervisado y no supervisado) y asignación del grupo de riesgo del lugar para la variable concentración de CO2, en rangos de tiempo. Con la información obtenida se pueden realizar acciones de corrección (o alarma) sobre otros dispositivos controlados por IoT para regular la ventilación del lugar y su capacidad operativa.
The exponential growth of IoT devices requires the research and development of new architectures for the management of sensor access protocols, client-server operations, and the analysis of large volumes of data with multiple related parameters. The objective of this work is to investigate and propose a client-server model, stateless, for access to IoT sensors, with MQTT brokers and REST architecture. Through in-depth analysis, the model groups the CO2 concentration values (objective variable) of a given place, to then correlate the results with the possible effects on people's health, over time. The sensors are accessible in real time through GNSS gateways (with access to LTE-M1, WiFi mesh or Lorawan cellular networks), monitored and managed with SNMP/Netconf protocols. The normalization of the variable is done with external environmental data obtained by geolocation. We compared the results of K-NN. K-Means and GMM for machine learning (supervised and unsupervised) and location risk group assignment for the CO2 concentration variable, in time ranges. With the information obtained, correction (or alarm) actions can be carried out on other devices controlled by IoT to regulate the ventilation of the place and its operational capacity.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Internet of Things
IoT Sensor
Machine Learning
MQTT
RestAPI
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165774

id SEDICI_64058d24b3e8b8c936c45baac622b595
oai_identifier_str oai:sedici.unlp.edu.ar:10915/165774
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientalesOuret, Javier AdolfoParodi, LucianoCiencias InformáticasInternet of ThingsIoT SensorMachine LearningMQTTRestAPIEl crecimiento exponencial de dispositivos IoT requiere de la investigación y desarrollo de nuevas arquitecturas para la gestión de protocolos de acceso a sensores, operaciones cliente servidor y el análisis de grandes volúmenes de datos con múltiples parámetros relacionados. El objetivo de este trabajo es investigar y proponer un modelo cliente-servidor, sin control de estado, para el acceso a sensores IoT, con brokers MQTT y arquitectura REST. El modelo agrupa por medio de análisis profundo los valores de concentración de CO2 (variable objetivo) de un lugar determinado, para luego correlacionar los resultados con los posibles efectos sobre la salud de las personas, a lo largo del tiempo. Los sensores son accesibles en tiempo real por medio de gateways GNSS (con acceso a redes celulares LTE-M1, WiFi mesh o Lorawan), monitoreados y gestionados con protocolos SNMP/Netconf [11]. La normalización de la variable se hace con datos ambientales externos obtenidos por geolocalización. Comparamos los resultados de K-NN. K-Means y GMM para el aprendizaje automático (supervisado y no supervisado) y asignación del grupo de riesgo del lugar para la variable concentración de CO2, en rangos de tiempo. Con la información obtenida se pueden realizar acciones de corrección (o alarma) sobre otros dispositivos controlados por IoT para regular la ventilación del lugar y su capacidad operativa.The exponential growth of IoT devices requires the research and development of new architectures for the management of sensor access protocols, client-server operations, and the analysis of large volumes of data with multiple related parameters. The objective of this work is to investigate and propose a client-server model, stateless, for access to IoT sensors, with MQTT brokers and REST architecture. Through in-depth analysis, the model groups the CO2 concentration values (objective variable) of a given place, to then correlate the results with the possible effects on people's health, over time. The sensors are accessible in real time through GNSS gateways (with access to LTE-M1, WiFi mesh or Lorawan cellular networks), monitored and managed with SNMP/Netconf protocols. The normalization of the variable is done with external environmental data obtained by geolocation. We compared the results of K-NN. K-Means and GMM for machine learning (supervised and unsupervised) and location risk group assignment for the CO2 concentration variable, in time ranges. With the information obtained, correction (or alarm) actions can be carried out on other devices controlled by IoT to regulate the ventilation of the place and its operational capacity.Sociedad Argentina de Informática e Investigación Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf68-73http://sedici.unlp.edu.ar/handle/10915/165774spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/637info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:55Zoai:sedici.unlp.edu.ar:10915/165774Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:55.997SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
title Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
spellingShingle Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
Ouret, Javier Adolfo
Ciencias Informáticas
Internet of Things
IoT Sensor
Machine Learning
MQTT
RestAPI
title_short Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
title_full Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
title_fullStr Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
title_full_unstemmed Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
title_sort Modelo cliente-servidor sin control de estado para aprendizaje profundo de datos en dispositivos IoT aplicados a parámetros ambientales
dc.creator.none.fl_str_mv Ouret, Javier Adolfo
Parodi, Luciano
author Ouret, Javier Adolfo
author_facet Ouret, Javier Adolfo
Parodi, Luciano
author_role author
author2 Parodi, Luciano
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Internet of Things
IoT Sensor
Machine Learning
MQTT
RestAPI
topic Ciencias Informáticas
Internet of Things
IoT Sensor
Machine Learning
MQTT
RestAPI
dc.description.none.fl_txt_mv El crecimiento exponencial de dispositivos IoT requiere de la investigación y desarrollo de nuevas arquitecturas para la gestión de protocolos de acceso a sensores, operaciones cliente servidor y el análisis de grandes volúmenes de datos con múltiples parámetros relacionados. El objetivo de este trabajo es investigar y proponer un modelo cliente-servidor, sin control de estado, para el acceso a sensores IoT, con brokers MQTT y arquitectura REST. El modelo agrupa por medio de análisis profundo los valores de concentración de CO2 (variable objetivo) de un lugar determinado, para luego correlacionar los resultados con los posibles efectos sobre la salud de las personas, a lo largo del tiempo. Los sensores son accesibles en tiempo real por medio de gateways GNSS (con acceso a redes celulares LTE-M1, WiFi mesh o Lorawan), monitoreados y gestionados con protocolos SNMP/Netconf [11]. La normalización de la variable se hace con datos ambientales externos obtenidos por geolocalización. Comparamos los resultados de K-NN. K-Means y GMM para el aprendizaje automático (supervisado y no supervisado) y asignación del grupo de riesgo del lugar para la variable concentración de CO2, en rangos de tiempo. Con la información obtenida se pueden realizar acciones de corrección (o alarma) sobre otros dispositivos controlados por IoT para regular la ventilación del lugar y su capacidad operativa.
The exponential growth of IoT devices requires the research and development of new architectures for the management of sensor access protocols, client-server operations, and the analysis of large volumes of data with multiple related parameters. The objective of this work is to investigate and propose a client-server model, stateless, for access to IoT sensors, with MQTT brokers and REST architecture. Through in-depth analysis, the model groups the CO2 concentration values (objective variable) of a given place, to then correlate the results with the possible effects on people's health, over time. The sensors are accessible in real time through GNSS gateways (with access to LTE-M1, WiFi mesh or Lorawan cellular networks), monitored and managed with SNMP/Netconf protocols. The normalization of the variable is done with external environmental data obtained by geolocation. We compared the results of K-NN. K-Means and GMM for machine learning (supervised and unsupervised) and location risk group assignment for the CO2 concentration variable, in time ranges. With the information obtained, correction (or alarm) actions can be carried out on other devices controlled by IoT to regulate the ventilation of the place and its operational capacity.
Sociedad Argentina de Informática e Investigación Operativa
description El crecimiento exponencial de dispositivos IoT requiere de la investigación y desarrollo de nuevas arquitecturas para la gestión de protocolos de acceso a sensores, operaciones cliente servidor y el análisis de grandes volúmenes de datos con múltiples parámetros relacionados. El objetivo de este trabajo es investigar y proponer un modelo cliente-servidor, sin control de estado, para el acceso a sensores IoT, con brokers MQTT y arquitectura REST. El modelo agrupa por medio de análisis profundo los valores de concentración de CO2 (variable objetivo) de un lugar determinado, para luego correlacionar los resultados con los posibles efectos sobre la salud de las personas, a lo largo del tiempo. Los sensores son accesibles en tiempo real por medio de gateways GNSS (con acceso a redes celulares LTE-M1, WiFi mesh o Lorawan), monitoreados y gestionados con protocolos SNMP/Netconf [11]. La normalización de la variable se hace con datos ambientales externos obtenidos por geolocalización. Comparamos los resultados de K-NN. K-Means y GMM para el aprendizaje automático (supervisado y no supervisado) y asignación del grupo de riesgo del lugar para la variable concentración de CO2, en rangos de tiempo. Con la información obtenida se pueden realizar acciones de corrección (o alarma) sobre otros dispositivos controlados por IoT para regular la ventilación del lugar y su capacidad operativa.
publishDate 2023
dc.date.none.fl_str_mv 2023-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/165774
url http://sedici.unlp.edu.ar/handle/10915/165774
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/637
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
68-73
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616306930745344
score 13.070432