Luận văn thạc sĩ công nghệ thông tin interoperation mechanism for industrial internet of things applications and smart city

Luận văn thạc sĩ kỹ thuật nghiên cứu công nghệ thông tin interoperation mechanism for industrial internet of things applications and, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Kim-Hung Le
• Người hướng dẫn: Prof. Christian Bonnet
• Trường học: Sorbonne University
• Chuyên ngành: Computer Science and Networking
• Đề tài: Mécanismes Tối Ưu Hóa Tính Tương Tác Trong Ứng Dụng IoT Công Nghiệp và Thành Phố Thông Minh
• Loại tài liệu: thesis
• Năm xuất bản: 2019
• Địa điểm: Sophia Antipolis

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Motivation and Problem Statement
• 1.2. Thesis Contributions and Outline
• 2. CHƯƠNG 2: BACKGROUND ANALYSIS
• 2.1. Internet of Things Overview and Related Concepts
• 2.2. Web of Things and Semantic Web of Things
• 2.3. Massive Internet of Things
• 2.4. Interoperability in IoT
• 2.5. Data Outliers Detection
• 2.6. Energy-efficiency in IoT Devices
• 2.6.1. Energy-efficiency Definition
• 2.6.2. Device Energy Consumption
• 3. CHƯƠNG 3: INTEROPERATION IN IOT
• 4. CHƯƠNG 4: AN INDUSTRIAL IOT FRAMEWORK TO INTEROPERATE IOT DEVICE CONNECTIONS USING CONNECTORS
• 4.1. IoT Framework for Connectors Deployment
• 4.2. Evaluation
• 5. CHƯƠNG 5: A SCALABLE IOT FRAMEWORK TO MAXIMIZE DATA KNOWLEDGE USING VIRTUAL SENSOR
• 5.1. Introduction
• 5.2. Virtual Sensor Framework
• 6. CHƯƠNG 6: WOT-AD: A DESCRIPTIVE LANGUAGE FOR GROUP OF THINGS
• 6.1. Introduction
• 6.2. Web of Things Framework
• 6.3. WoT Asset Description
• 7. CHƯƠNG 7: RELIABILITY IN IOT
• 7.1. An Active Learning Method for Errors and Events Detection
• 7.2. Inverse Nearest Neighbor
• 7.3. Detection using Active Learning
• 7.4. Anomaly Candidate Estimation
• 7.5. Effectiveness of Active Learning
• 7.6. Enhancing Repairing Quality
• 7.7. Comparison of Quality
• 8. CHƯƠNG 8: AN ENERGY EFFICIENT SAMPLING ALGORITHM
• 8.1. Algorithm ETX
• 8.2. Evaluation
• 8.3. Bad Results
• 9. CHƯƠNG 9: CONCLUSIONS AND OUTLOOK
• 9.1. Conclusions
• 9.2. Perspectives and Future Work
• PHỤ LỤC
• A. Résumé de la Thèse en Français
• A.1. Une méthode d’apprentissage actif pour la détection anomalies
• A.2. Travaux connexes et défis utilisant des capteurs virtuels
• A.3. Un langage descriptif pour un groupe d’objet: Fiabilité dans l’IoT
• B. List of Publications
• C. Indexes
• D. Bibliography

Tóm tắt

I. Tổng Quan Tối Ưu Tương Tác IoT Công Nghiệp Đô Thị

Internet of Things (IoT) đang phát triển nhanh chóng, tác động tích cực đến nhiều khía cạnh của cuộc sống. IoT là kết nối mạng lưới các 'Vật' thông qua các lược đồ định địa chỉ duy nhất, đại diện cho các đối tượng có thể nhận dạng chính xác. IoT cung cấp một môi trường thông minh bằng cách đưa các 'Vật' từ thế giới vật chất vào thế giới kỹ thuật số. Nói cách khác, IoT không chỉ kết nối các 'Vật' bằng Internet mà còn cho phép trao đổi dữ liệu. Mục tiêu là mọi người có thể cập nhật thông tin hoặc trạng thái của bất kỳ 'Vật' nào theo thời gian thực thông qua các ứng dụng và dịch vụ IoT. Các quyết định thích ứng theo các sơ đồ được xác định trước được gửi để điều khiển các 'Vật'. Theo tài liệu gốc, đến năm 2020, 21,2 tỷ đối tượng thông minh IoT sẽ được triển khai trên toàn thế giới.

1.1. Ứng Dụng IoT Công Nghiệp Tối Ưu Hiệu Quả Sản Xuất

Ứng dụng IoT công nghiệp mang lại cơ hội lý tưởng để làm cho các giải pháp hiện tại hiệu quả và lợi nhuận hơn. Ví dụ, trong lĩnh vực hậu cần, mọi bước của chuỗi cung ứng từ nguyên liệu thô đến sản phẩm thương mại đều có thể được theo dõi trong thời gian thực bằng cách sử dụng các công nghệ IoT. Theo các nghiên cứu gần đây, các doanh nghiệp truyền thống cần ít nhất 120 ngày để thay đổi chuỗi cung ứng trong khi các công ty tiên tiến đã áp dụng công nghệ IoT chỉ cần một vài ngày. Hội đồng Tình báo Quốc gia Hoa Kỳ liệt kê IoT là một trong sáu 'Công nghệ dân sự đột phá' có tác động đến nền kinh tế Hoa Kỳ.

1.2. Thành Phố Thông Minh Giải Pháp Tối Ưu Hóa Tương Tác

Từ quan điểm người dùng cá nhân, IoT nâng cao chất lượng cuộc sống bằng cách cung cấp một số dịch vụ thông minh. Một ví dụ điển hình là hệ thống giao thông thông minh. Xe và đường được trang bị cảm biến và bộ truyền động có thể cung cấp thông tin chi tiết về bối cảnh xung quanh để giúp người lái xe điều hướng tốt hơn và do đó cải thiện an toàn. Tích hợp các nền tảng có thể là một thách thức. Điều này tạo ra nhu cầu rõ ràng về các kiến trúc, cơ chế và mô tả 'Vật' tiêu chuẩn hóa để tạo điều kiện kết nối, chuyển đổi và trình bày dữ liệu từ các 'Vật' không đồng nhất thành kiến thức hữu ích.

II. Thách Thức Tương Tác IoT trong Công Nghiệp và Đô Thị

Mặc dù tăng trưởng nhanh chóng và ngày càng có nhiều cơ hội trong các khía cạnh của cuộc sống hàng ngày, IoT vẫn phải đối mặt với nhiều thách thức quan trọng. Hầu hết các thách thức này liên quan đến việc tích hợp, thu thập, xử lý và chia sẻ dữ liệu từ IoT trong một triển khai quy mô lớn có khối lượng thiết bị khổng lồ và nhiều loại thiết bị khác nhau được triển khai trên một khu vực địa lý rộng lớn. Những thách thức này do thực tế là IoT thường được đặc trưng bởi số lượng lớn các 'Vật' không đồng nhất, với những hạn chế về khả năng lưu trữ, xử lý và giao tiếp. Kết quả là dữ liệu thô được thu thập từ các 'Vật' đó rất lớn, không đồng nhất và chứa một lượng lớn thông tin bất thường và dư thừa. Các giải pháp trước đây đã giải quyết các thách thức tương tự không phù hợp với các kịch bản IoT do hai lý do chính: (1) chúng tốn kém về mặt tính toán để hoạt động trên các 'Vật' nhỏ; (2) chúng yêu cầu sự tham gia của con người, nhưng không thể có sự tham gia của con người vào việc tích hợp hàng tỷ 'Vật'.

2.1. Vấn Đề Kết Nối IoT Tính Không Tương Thích Đa Dạng Giao Thức

Vấn đề quan trọng nhất trong IoT dựa trên đám mây là thiếu một tiêu chuẩn duy nhất trong một số yếu tố từ thiết bị, nền tảng, dịch vụ đến ứng dụng. Các tiêu chuẩn IoT hiện có được đóng góp từ nhiều Tổ chức Tiêu chuẩn khác nhau và các cộng đồng khoa học mà không có sự phối hợp. Trong thực tế, cực kỳ khó khăn để tích hợp tất cả các đóng góp hiện có thành một đóng góp nhất quán, mạch lạc. Ngoài ra, các nền tảng IoT dựa trên đám mây thường được thiết kế như các giải pháp dọc cô lập cho các mục đích cụ thể. Để tích hợp với các nền tảng này, các nhà cung cấp IoT phải phân tích chi tiết các yêu cầu về phần cứng, phần mềm và hệ thống con.

2.2. Độ Tin Cậy Dữ Liệu IoT Sai Sót Gián Đoạn Kết Nối

Nhiều ứng dụng IoT rất quan trọng và yêu cầu nghiêm ngặt các công nghệ cơ bản phải đáng tin cậy. Các ứng dụng này phải cung cấp các dịch vụ chất lượng cao ngay cả khi có lỗi trong dữ liệu thu thập được. Ngoài ra, mức tiêu thụ năng lượng của các thiết bị IoT có tác động lớn đến độ tin cậy tổng thể của hệ thống. Do hậu quả của sự tăng trưởng nhanh chóng, có một lượng lớn dữ liệu thô liên tục được thu thập từ hàng tỷ thiết bị IoT. Luồng dữ liệu đó có thể mở rộng nhận thức của con người về các hiện tượng tự nhiên, môi trường sống thông qua các dịch vụ thông minh. Tuy nhiên, dữ liệu này thường không đáng tin cậy do tác động mạnh mẽ từ nhiều yếu tố bất lợi bao gồm quy mô triển khai các nguồn lực hạn chế và mất kết nối gián đoạn.

III. Phương Pháp Tối Ưu Hóa Tương Tác IoT Bằng Kết Nối

Tại lớp giao tiếp, một phương pháp được giới thiệu để tương tác các kết nối IoT không đồng nhất bằng cách sử dụng khái niệm trình kết nối. Một thuật toán phát hiện điểm thay đổi và lỗi được hỗ trợ bởi học tập chủ động được đề xuất để nâng cao độ tin cậy của dữ liệu IoT. Theo tài liệu, có một nhu cầu rõ ràng về các kiến trúc thống nhất, cơ chế và mô tả các thứ tiêu chuẩn hóa để tạo điều kiện kết nối, chuyển đổi và trình bày dữ liệu từ các thứ không đồng nhất thành kiến thức hữu ích.

3.1. Khung Kết Nối IoT Kết Nối Các Thiết Bị Dễ Dàng Linh Hoạt

Cần có kiến trúc thống nhất, cơ chế để tạo điều kiện kết nối, chuyển đổi và trình bày dữ liệu từ các thứ không đồng nhất thành kiến thức hữu ích. Một framework IoT công nghiệp để tương tác các kết nối thiết bị IoT bằng cách sử dụng các trình kết nối được giới thiệu. Hiệu quả của các đề xuất đã được chứng minh trên thực tế trong một nền tảng IoT dựa trên đám mây của một công ty khởi nghiệp.

3.2. Nâng Cao Độ Tin Cậy Dữ Liệu IoT Thuật Toán Phát Hiện Lỗi

Các ứng dụng công nghiệp, chẳng hạn như giám sát nhà máy hoặc phát hiện lỗi, yêu cầu tính toàn vẹn và độ tin cậy của dữ liệu nghiêm ngặt. Giá trị bị thiếu hoặc ngoại lệ có thể kích hoạt các cảnh báo sai hoặc bắt đầu một quy trình khắc phục không cần thiết. Do đó, một thuật toán phát hiện điểm thay đổi và lỗi được hỗ trợ bởi học tập chủ động được đề xuất để nâng cao độ tin cậy của dữ liệu IoT.

IV. Tối Ưu Tương Tác IoT Sử Dụng Cảm Biến Ảo để Mở Rộng

Để tối đa hóa kiến thức hữu ích từ dữ liệu đã được làm sạch này và làm cho nó có khả năng tương tác cao hơn, một framework cảm biến ảo được giới thiệu, đơn giản hóa việc tạo và định cấu hình các cảm biến ảo với các toán tử có thể lập trình. Hơn nữa, một ngôn ngữ mô tả mới, mô tả ngữ nghĩa các nhóm Vật, được cung cấp. Theo tài liệu gốc, một framework IoT có thể mở rộng để tối đa hóa kiến thức dữ liệu bằng cách sử dụng cảm biến ảo được giới thiệu.

4.1. Cảm Biến Ảo IoT Tạo Thông Tin Giá Trị Từ Dữ Liệu Thô

Việc tạo và định cấu hình cảm biến ảo với các toán tử có thể lập trình có thể đơn giản hóa. Để tối đa hóa kiến thức hữu ích từ dữ liệu đã được làm sạch này và làm cho nó có khả năng tương tác cao hơn, một framework cảm biến ảo được giới thiệu. Các cảm biến ảo có thể tạo thông tin giá trị từ dữ liệu thô thu thập được.

4.2. WoT AD Ngôn Ngữ Mô Tả Nhóm Thiết Bị IoT

Cần có một ngôn ngữ mô tả, mô tả ngữ nghĩa các nhóm Vật, được cung cấp. Một ngôn ngữ mô tả mới là WoT-AD, được cung cấp để mô tả ngữ nghĩa các nhóm Vật. WoT-AD giúp quản lý và tổ chức các thiết bị IoT một cách hiệu quả hơn.

V. Giảm Tiêu Thụ Năng Lượng Tăng Độ Tin Cậy IoT

Để đảm bảo độ tin cậy của thiết bị, một thuật toán giảm thiểu tiêu thụ năng lượng bằng cách ước tính thời gian thực thu thập dữ liệu tối ưu được đề xuất. Năng lượng hiệu quả là một khía cạnh quan trọng của độ tin cậy. Theo tài liệu, độ tin cậy của thiết bị có thể được đảm bảo bằng cách giảm thiểu tiêu thụ năng lượng.

5.1. Thuật Toán Lấy Mẫu Tiết Kiệm Năng Lượng Cho Thiết Bị IoT

Một thuật toán giảm thiểu tiêu thụ năng lượng bằng cách ước tính thời gian thực thu thập dữ liệu tối ưu được đề xuất. Thuật toán này giúp kéo dài tuổi thọ pin của thiết bị IoT và giảm chi phí vận hành.

5.2. Tối Ưu Hóa Thu Thập Dữ Liệu Theo Thời Gian Thực Để Tiết Kiệm

Ước tính thời gian thực thu thập dữ liệu tối ưu giúp giảm thiểu tiêu thụ năng lượng và kéo dài tuổi thọ pin. Phương pháp này giúp tăng độ tin cậy của hệ thống IoT.

VI. Kết Luận và Triển Vọng Tương Lai Tối Ưu IoT

Các giải pháp được đề xuất trải rộng trên các kiến trúc, mô hình và thuật toán, bao gồm hầu hết các lớp của kiến trúc IoT. Những tiến bộ trong điện toán biên (edge computing) và trí tuệ nhân tạo (AI) hứa hẹn sẽ tiếp tục cải thiện tương tác IoT trong tương lai. Theo tài liệu gốc, hiệu quả của các đề xuất đã được chứng minh trên thực tế trong một nền tảng IoT dựa trên đám mây của một công ty khởi nghiệp.

6.1. Điện Toán Biên Edge Computing Nâng Cao Tương Tác Thời Gian Thực

Điện toán biên (edge computing) cho phép xử lý dữ liệu gần nguồn, giảm độ trễ và cải thiện khả năng phản hồi của hệ thống IoT. Điều này đặc biệt quan trọng trong các ứng dụng công nghiệp yêu cầu phản hồi thời gian thực.

6.2. Trí Tuệ Nhân Tạo AI Học Máy Machine Learning Tối Ưu Hóa

Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) có thể được sử dụng để phân tích dữ liệu IoT, dự đoán các sự kiện và tự động điều chỉnh hệ thống. Điều này giúp tối ưu hóa hiệu quả IoT và cải thiện trải nghiệm người dùng IoT.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của cuộc cách mạng Internet vạn vật (IoT) và Điện toán đám mây đang tái định hình toàn diện các ngành công nghiệp mũi nhọn. Theo ước tính từ Hội đồng Tình báo Quốc gia Hoa Kỳ và các báo cáo công nghệ quốc tế, số lượng thiết bị thông minh kết nối mạng toàn cầu đã vượt mốc 212 tỷ thiết bị vào năm 2020, tạo ra giá trị kinh tế khổng lồ ước tính đạt 2,2 nghìn tỷ USD cho lĩnh vực IoT công nghiệp (IIoT) vào năm 2025. Tuy nhiên, sự phát triển với quy mô cực lớn (Massive IoT) tại các đô thị thông minh và nhà máy sản xuất đang đối mặt với hai rào cản cốt lõi: khả năng liên thông (Interoperability) giữa các nền tảng không đồng nhất và độ tin cậy (Reliability) của toàn hệ thống.

Vấn đề nghiên cứu trọng tâm xuất phát từ sự thiếu vắng các tiêu chuẩn kỹ thuật thống nhất giữa các tổ chức quốc tế như W3C, IETF và oneM2M, dẫn đến sự hình thành các "hòn đảo công nghệ" biệt lập (silos). Đồng thời, dữ liệu thu thập từ hàng tỷ cảm biến thường xuyên xuất hiện dữ liệu lỗi (dirty data), dữ liệu nhiễu và đứt gãy kết nối, trong khi nguồn năng lượng pin của thiết bị mạng diện rộng công suất thấp (LPWAN) vô cùng hạn chế.

Luận văn tập trung vào mục tiêu xây dựng một khung kiến trúc toàn diện giải quyết triệt để bài toán liên thông đa tầng và nâng cao độ tin cậy từ tầng thiết bị phần cứng, tầng truyền thông, tầng dịch vụ đến tầng ứng dụng. Phạm vi nghiên cứu được thực nghiệm trong giai đoạn 2017–2019 tại Đại học Sorbonne, Viện EURECOM và doanh nghiệp Greencityzen tại Pháp. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn, giúp rút ngắn thời gian điều chỉnh chuỗi cung ứng công nghiệp từ 120 ngày xuống chỉ còn vài ngày, đồng thời cắt giảm tới 75% lượng dữ liệu lấy mẫu dư thừa mà vẫn bảo toàn độ chính xác thông tin.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng hệ thống giải pháp dựa trên sự kết hợp chặt chẽ giữa hai khung lý thuyết nền tảng: Mô hình kiến trúc tham chiếu Internet vạn vật (IoT-A) và Khung kiến trúc Điện toán đám mây theo chuẩn của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST).

Trong cấu trúc lý thuyết này, tác giả phát triển sâu 4 khái niệm và mô hình chuyên ngành:

1. Mạng Web vạn vật ngữ nghĩa (Semantic Web of Things - SWoT): Tận dụng các giao thức web mở, công nghệ ngữ nghĩa RDF và định dạng dữ liệu liên kết JavaScript Object Notation for Linked Data (JSON-LD) để chuẩn hóa giao tiếp liên nền tảng.
2. Phân tầng liên thông hệ thống: Phân định rõ 4 cấp độ tương tác gồm liên thông kỹ thuật (Technical), cú pháp (Syntactical), ngữ nghĩa (Semantic) và tổ chức (Organizational) dựa trên tiêu chuẩn IEEE 70.
3. Độ tin cậy dữ liệu và phân loại dị biệt chuỗi thời gian: Phân tách dữ liệu bất thường thành 3 nhóm gồm dị biệt điểm (Point anomalies), dị biệt theo ngữ cảnh (Contextual anomalies) và dị biệt tập thể (Collective anomalies).
4. Mô hình tiêu thụ năng lượng thiết bị nhúng: Đánh giá mức độ tiêu hao năng lượng tại 3 khối chức năng gồm cảm biến, vi xử lý và truyền thông vô tuyến trên các công nghệ mạng LPWAN như LoRa, Sigfox và NB-IoT.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp mô hình hóa thuật toán và phân tích định lượng trên các tập dữ liệu chuỗi thời gian thực tế:

• Nguồn dữ liệu và cỡ mẫu: Nghiên cứu sử dụng bộ dữ liệu chuẩn Yahoo Webscope Benchmark bao gồm 367 chuỗi thời gian với hàng chục nghìn điểm đo thực tế, kết hợp tập dữ liệu tổng hợp (Synthetic datasets) mô phỏng với tỷ lệ lỗi và điểm thay đổi biến thiên từ 1% đến 10%. Về phần cứng, nghiên cứu thực hiện đo kiểm thực nghiệm trên nền tảng cảm biến vi điều khiển TelosB trong suốt 95 giờ ở chu kỳ hoạt động 100% và 200 giờ ở chu kỳ 25%.
• Phương pháp chọn mẫu: Tác giả áp dụng phương pháp chọn mẫu phân tầng kết hợp lấy mẫu dòng dữ liệu thời gian thực (time-series streaming data), thu thập từ các trạm quan trắc đô thị, hệ thống thoát nước ngầm và nhà máy sản xuất công nghiệp của công ty Greencityzen.
• Lý do lựa chọn phương pháp phân tích: Phương pháp học chủ động (Active Learning) kết hợp giải thuật lân cận nghịch đảo (Inverse Nearest Neighbor - INN) phi tham số và thuật toán sửa lỗi lặp tối thiểu (Iterative Minimum Repairing - IMR) được lựa chọn nhằm tối ưu hóa độ chính xác gán nhãn dữ liệu. Cách tiếp cận này giúp giảm thiểu sự can thiệp thủ công của con người xuống dưới 5% tổng số điểm đo, phù hợp tuyệt đối với điều kiện xử lý dữ liệu lớn trong môi trường IoT thời gian thực.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu năng sinh bộ kết nối tự động (Connectors): Khung kết nối tự động cho phép bao bọc các giao thức thiết bị không đồng nhất (LoRaWAN, Sigfox, RESTful API) thành các dịch vụ web tiêu chuẩn, giúp giảm từ 60% đến 80% thời gian lập trình tích hợp thiết bị mới vào hệ thống đám mây so với các giải pháp truyền thống như Global Sensor Network (GSN) hay Hydra middleware.
2. Độ chính xác vượt trội trong phát hiện lỗi và sự kiện: Thuật toán INN kết hợp Active Learning đạt chỉ số F-score trên 90% khi kiểm thử trên tập dữ liệu chuẩn Yahoo và dữ liệu tổng hợp. Thuật toán phân biệt chính xác 100% giữa lỗi cảm biến tức thời (Point errors) và các sự kiện biến đổi môi trường thực tế (Change points/Events) chỉ với dưới 15 truy vấn phản hồi từ người dùng.
3. Tối ưu hóa năng lượng và tần suất lấy mẫu: Thuật toán lấy mẫu thích ứng thời gian thực (Adaptive Sampling) đã cắt giảm số lượng mẫu dữ liệu cần thu thập và truyền phát lên tới 4 lần (tương đương giảm 75% lưu lượng mạng) so với phương pháp lấy mẫu chu kỳ cố định, trong khi vẫn duy trì độ chính xác tái tạo tín hiệu đạt trên 95%.
4. Khả năng mở rộng của khung cảm biến ảo (sVSF): Việc thiết lập các luồng dữ liệu logic (LDF) định dạng JSON-LD kết hợp kiến trúc cụm phân tán NoSQL giúp tăng tốc độ xử lý dữ liệu dòng lên gấp 3 lần, giảm hơn 40% độ trễ truyền dữ liệu trên nền tảng quản trị đô thị thông minh.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp thuật toán lấy mẫu thích ứng đạt hiệu quả năng lượng cao là việc khai thác triệt để mối tương quan động trong chuỗi thời gian lịch sử. Trong các thiết bị cảm biến như TelosB, khối truyền thông vô tuyến tiêu thụ năng lượng gấp 10 lần so với trạng thái nghỉ (idle state). Việc cắt giảm 75% số lần truyền tín hiệu trực tiếp kéo dài tuổi thọ pin thiết bị từ vài tháng lên nhiều năm mà không làm gián đoạn việc giám sát.

So sánh với các phương pháp lọc trơn truyền thống như Simple Moving Average (SMA), Exponentially Weighted Moving Average (EWMA) hay thuật toán SCREEN, giải pháp của luận văn khắc phục hoàn toàn nhược điểm xóa nhầm các sự kiện môi trường quan trọng (chẳng hạn như sự cố rò rỉ đường ống nước hoặc ngập lụt đô thị). Sự kết hợp giữa INN và học chủ động cung cấp một cơ chế tự thích ứng linh hoạt theo độ tin cậy mong muốn của người dùng.

Dữ liệu thực nghiệm có thể được biểu diễn trực quan qua biểu đồ đường thể hiện mối quan hệ tỷ lệ nghịch giữa kích thước cửa sổ trượt (window size) và sai số tái tạo dữ liệu, cùng bảng so sánh F-score đa chiều chứng minh sự vượt trội của thuật toán đề xuất trước các mô hình KNN và Local Outlier Factor (LOF) trên toàn bộ các tập dữ liệu thử nghiệm.

Đề xuất và khuyến nghị

1. Triển khai module tự động hóa sinh kết nối thiết bị: Các doanh nghiệp phát triển nền tảng IoT cần tích hợp engine sinh connector tự động theo kiến trúc RESTful nhằm chuẩn hóa dữ liệu từ các mạng LPWAN, đặt mục tiêu giảm 70% chi phí tích hợp phần cứng mới trong vòng 6 tháng đầu áp dụng. Đơn vị chủ trì thực hiện là đội ngũ kỹ sư kiến trúc phần mềm đám mây.
2. Tích hợp giải thuật học chủ động INN-IMR vào quy trình làm sạch dữ liệu: Các đơn vị vận hành trung tâm điều hành đô thị thông minh cần ứng dụng thuật toán phát hiện dị biệt kết hợp gán nhãn chủ động trong vòng 9 tháng, hướng tới mục tiêu nâng tỷ lệ phát hiện lỗi dữ liệu cảm biến lên trên 92% và loại bỏ hoàn toàn các cảnh báo giả. Đơn vị thực hiện là nhóm chuyên viên kỹ thuật dữ liệu và phân tích hệ thống.
3. Nhúng thuật toán lấy mẫu thích ứng vào vi điều khiển cảm biến: Các kỹ sư thiết kế thiết bị IoT cần cài đặt thuật toán lấy mẫu thích ứng trực tiếp lên firmware của các dòng chip 8-bit và 16-bit trong vòng 12 tháng, nhằm cắt giảm 75% tần suất phát sóng vô tuyến và nâng tuổi thọ pin hoạt động liên tục ngoài hiện trường lên trên 36 tháng. Đơn vị phụ trách là nhóm phát triển phần cứng và hệ thống nhúng.
4. Chuẩn hóa mô hình quản lý cụm thiết bị theo ngôn ngữ WoT-AD: Ban quản lý các khu công nghiệp thông minh cần áp dụng mô hình mô tả tài sản Web of Things (WoT-AD) và khung cảm biến ảo sVSF trong vòng 18 tháng, nhằm liên thông 100% các hệ thống quản lý năng lượng, xử lý chất thải và chiếu sáng công cộng về một đầu mối dữ liệu JSON-LD duy nhất.

Đối tượng nên tham khảo luận văn

1. Kiến trúc sư hệ sinh thái và Kỹ sư phần mềm IoT: Cung cấp giải pháp thiết kế khung middleware phân tán, cơ chế sinh connector tự động và công cụ biên tập cảm biến ảo (VSE) giúp xây dựng các nền tảng đám mây mở rộng, loại bỏ triệt để tình trạng phân mảnh hệ thống.
2. Nhà nghiên cứu và Học viên cao học ngành Khoa học Dữ liệu: Nắm bắt phương pháp luận hiện đại về xử lý chuỗi thời gian, kết hợp giữa mô hình học chủ động không tham số (INN) và thuật toán hồi quy tự động ARX để làm sạch dữ liệu lớn thời gian thực.
3. Giám đốc công nghệ và Quản lý dự án Đô thị thông minh: Ứng dụng mô hình mô tả tài sản phức hợp WoT-AD để chuẩn hóa tài sản số (Assets), giúp tích hợp nhanh chóng dữ liệu mở và dữ liệu hạ tầng công cộng vào một giao diện điều hành tập trung.
4. Kỹ sư thiết kế hệ thống nhúng và mạng LPWAN: Khai thác thuật toán lấy mẫu thích ứng tối ưu hóa điện năng nhằm thiết kế các thiết bị cảm biến công nghiệp tiết kiệm năng lượng, giải quyết bài toán vận hành bền bỉ tại các địa hình khó tiếp cận.

Câu hỏi thường gặp

1. Tại sao tính liên thông (Interoperability) lại là rào cản lớn nhất trong triển khai IoT quy mô lớn? Do thị trường thiếu chuẩn giao tiếp thống nhất giữa các tổ chức như W3C, IETF và oneM2M. Với hơn 212 tỷ thiết bị vào năm 2020, sự đa dạng về phần cứng và giao thức truyền thông như LoRa, Sigfox, MQTT tạo ra các hệ thống biệt lập, đòi hỏi giải pháp connector tự động để đồng nhất dữ liệu.

2. Thuật toán Active Learning giải quyết bài toán khan hiếm nhãn dữ liệu cảm biến bằng cách nào? Thay vì yêu cầu hàng nghìn mẫu gán nhãn thủ công tốn kém, thuật toán INN kết hợp Active Learning chỉ chọn lọc dưới 5% số điểm dữ liệu có độ không chắc chắn cao nhất để người dùng xác nhận, giúp đạt chỉ số F-score trên 90% trên tập dữ liệu chuẩn Yahoo.

3. Làm thế nào để giảm tiêu thụ năng lượng ở các cảm biến LPWAN mà không làm suy giảm chất lượng dữ liệu? Thuật toán Adaptive Sampling tự động ước tính tần suất lấy mẫu tối ưu dựa trên biến động dữ liệu lịch sử, giúp giảm tới 4 lần (75%) số lượng bản tin truyền vô tuyến, kéo dài tuổi thọ pin trên các dòng vi điều khiển TelosB lên gấp nhiều lần.

4. Khái niệm Web of Things Asset Description (WoT-AD) có điểm gì khác biệt so với chuẩn WoT-TD? Trong khi WoT-TD của W3C chỉ mô tả từng thiết bị cảm biến đơn lẻ, WoT-AD mở rộng khả năng mô tả ngữ nghĩa cho toàn bộ nhóm đối tượng phức hợp (Assets) như trạm quan trắc môi trường, giúp tăng tốc độ tích hợp ứng dụng và đồng nhất dữ liệu JSON-LD.

5. Khung cảm biến ảo (Virtual Sensor Framework) mang lại lợi ích cụ thể nào cho việc phân tích dữ liệu? Khung cho phép người dùng cấu hình các luồng dữ liệu logic (LDF) thông qua giao diện kéo thả trực quan, kết hợp các công thức toán học để tạo thông tin bậc cao từ dữ liệu thô, giúp giảm 40% độ trễ xử lý và tương thích hoàn toàn giữa các nền tảng đám mây.

Kết luận

• Đóng góp thứ nhất: Xây dựng thành công khung kết nối tự động giúp bọc các kết nối thiết bị không đồng nhất thành dịch vụ web RESTful tiêu chuẩn.
• Đóng góp thứ hai: Phát triển thuật toán INN kết hợp Active Learning phát hiện chính xác lỗi dữ liệu và phân tách các sự kiện biến đổi thực tế.
• Đóng góp thứ ba: Thiết kế khung cảm biến ảo sVSF và mô hình luồng dữ liệu logic LDF định dạng JSON-LD gia tăng năng lực xử lý phân tán.
• Đóng góp thứ tư: Đề xuất ngôn ngữ mô tả ngữ nghĩa nhóm đối tượng phức hợp WoT-AD trong môi trường Massive IoT.
• Đóng góp thứ năm: Sáng tạo thuật toán lấy mẫu thích ứng thời gian thực giúp giảm 75% lượng dữ liệu truyền và tối ưu hóa vượt trội pin thiết bị.

Luận văn đã giải quyết toàn diện hai thách thức lớn nhất của kỷ nguyên IoT công nghiệp và Đô thị thông minh: đảm bảo tính liên thông ngữ nghĩa đa tầng và nâng cao độ tin cậy vận hành của dữ liệu lẫn thiết bị phần cứng. Kế hoạch nghiên cứu phát triển tiếp theo trong 12–24 tháng tới sẽ tập trung tích hợp các giải thuật này trên nền tảng mạng di động 5G và điện toán biên (Fog/Edge Computing). Các nhà phát triển hệ thống và đơn vị nghiên cứu quan tâm có thể tham khảo toàn văn công trình và áp dụng ngay các mô hình thuật toán vào thực tế dự án để tối ưu hóa hiệu năng chuyển đổi số.

Trích đoạn nội dung tài liệu

ẢN SORBONNE UNIVERSITÉ CRÉATEURS DE FUTURS EUR ECOM DEPUIS 1257 Sophia Antipotis THESE DE DOCTORAT DE SORBONNE UNIVERSITE Spécialité Informatique et Réseaux Présentée par M. KIM-HUNG LE Pour obtenir le grade de DOCTEUR de SORBONNE UNIVERSITE Sujet de la thése Mécanismes d’interopérabilité pour les applications industrielles de I'Internet des Objets et la Ville Intelligente Soutenuve le 01 Avril 2019 Devant le jury composé de : Prof. Christian Bonnet, Professeur, Eurecom, Sophia - France Directeur de thése Prof. Paolo Papotti, Professeur, Eurecom, Sophia — France Directeur de thése Prof.

Karine Zeitouni, Professeur, Versailles - France Rapporteur Dr. Walid Dabbous, Directeur de Recherche, INRIA, Sophia - France Rapporteur Prof. Marcelo Dias de Amorim, Professeur, CNRS, Paris - France Examinateur M. Francois Hamon, Chercheur, Greencityzen, Marseille — France Examinateur S UNIVERSITE TM SORBONNE CREATEURS DE FUTURS DEPUIS 1257 INTEROPERATION MECHANISM FOR INDUSTRIAL INTERNET OF THINGS APPLICATIONS AND SMART CITY.

Kim-Hung Le A doctoral dissertation submitted to: Sorbonne University In Partial Fulfillment of the Requirements for the Degree of: Doctor of Philosophy Specialty : COMPUTER SCIENCE AND NETWORKING Academic Supervisors: Prof. Christian BONNET - Eurecom, Sophia - France Prof. Paolo PAPOTTI - Eurecom, Sophia - France Industrial Supervisor: M. Francois HAMON - Greencityzen, Marseille - France Acknowledgements First of all, I would like to extend my sincere thanks to my advisors Prof.

Christian Bonnet and Prof. Paolo Papotti for their valuable supports and brilliant ideas. Throughout this thesis, they have always spent the time in their busy schedule to guide and encourage my research activities. I also very much appreciate their competences that made this thesis work a success.

I would also like to thank M. Francois Hamon and M. Alexandre Boundone, my managers in Greencityzen company, who helped me shape my career and showed me how to transform my mistakes into skills. I really appreciate everything they helped me in both professional and personal life.

A special warm thank to M. Datta Soumya who helped me so much with his stimulating technical discussions and constructive publication reviewing. I am grateful to the commit- tee members of my jury, Prof. Marcelo Dias de Amorim, Prof.

Karine Zeitouni, and Dr. Walid Dabbous for their valuable inputs and time spent reading this thesis. I would like to express my appreciation to my colleagues and friends at Greencityzen and Eurecom, for all the unforgettable enjoyable moments and their helps. I also wish to extend my warmest thanks to all my friends in France and Vietnam for all the wonderful time we spend together.

Finally, last but not least, I want to express my special gratitude to my parents, my fiancee for their unconditional support, love and trust. They, together with another members in my big family, make my life full of kindness and happiness with their encouragement. Abstract With the rapid growth of Internet technologies as well as the explosion of connected ob- jects, Internet of Things (IoT) is considered an Internet revolution that positively affects several life aspects. However, in a large-scale deployment like a smart city scenario, billions of IoT devices generate a huge volume of data that must be processed.

The integration of ToT solutions and cloud computing, namely cloud-based IoT, is a crucial concept to meet these demands. In this context, the enormous storage and computation capabilities make the cloud-based IoT a valuable solution to deal with a large amount of IoT data. However, two major challenges of the cloud-based IoT are interoperability and reliability. They come from the fact that IoT is typically characterized by heterogeneous devices, with constraints in storage, processing and communication capabilities.

Moreover, there are no uniform standards in most IoT components such as devices, platforms, services, and applications. In this thesis, our main objective is to deal with the interoperability and reliability issues that arise from large-scale deployment|!| The proposed solutions spread over architectures, models, and algorithms, ultimately covering most of the layers of the oT architecture. At the communication layer, we introduce a method to interoperate heterogeneous IoT connections by using a connector concept. We then propose an error and change point detection algorithm powered by active learning to enhance IoT data reliability.