Modelo de consumo energético basado en aprendizaje automático para Middleware embebido de IOT

• Autor: Quispe Condori, Hanan Ronaldo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/11255
• Enlace del recurso: https://hdl.handle.net/20.500.12918/11255
• Nivel de acceso: acceso abierto
• Materia: Consumo energético; Middleware; IOT; Aprendizaje automático; https://purl.org/pe-repo/ocde/ford#2.02.01

La presente investigación introduce un modelo para la estimación del consumo de energía para el middleware embebido IoTVar, basado en aprendizaje automático y desarrollado a partir de mediciones en una Raspberry Pi 4b. La principal contribución del modelo es la incorporación del tiempo como variable de estimación, aspecto no considerado por el método del estado del arte. La fase inicial correspondiente al desarrollo de este modelo fue realizar las mediciones de consumo energético de IoTVar ejecutándose en la Raspberry Pi 4b. Dichas mediciones requirieron del desarrollo de un prototipo capaz de medir señales de voltaje y corriente en DC. Posteriormente, estas señales se utilizaron para calcular la potencia instantánea, valor que finalmente se transformó en lecturas de consumo energético (en joules). En la construcción del prototipo se incorporó el diseño de una PCB y el desarrollo del firmware destinado al microcontrolador RP2040, que funcionó como componente central. Una vez listo el prototipo, se realizaron una serie de experimentos con el objetivo de capturar la dinámica del consumo energético en distintas configuraciones de IoTVar. Estos experimentos, junto con las mediciones de consumo energético, permitieron recopilar un conjunto de datos que fue utilizado para construir el modelo basado en aprendizaje automático. Posteriormente, el dataset obtenido se utilizó para la fase de entrenamiento de una red neuronal feed-forward, mediante la cual se representó la relación entre las variables internas de IoTVar y la variación en la tasa de consumo energético. Esta red neuronal fue evaluada utilizando métricas correspondientes a la regresión cuantil no paramétrica …