Une approche bayésienne pour une réduction efficace des données dans l'IdO

Cristanel Razafimandimby (1) , Valeria Loscrì (1) , Anna Maria Vegni (2) , Alessandro Neri (2)

1 FUN - Self-organizing Future Ubiquitous Network
2 COMLAB - Digital Signal Processing Multimedia & Optical Communications Laboratory [Rome]

Actuellement, l'Internet des Objets (IdO) est en train de prendre une place importante dans notre vie quotidienne. Il a obtenu un grand succès dans plusieurs domaines d'application. Toutefois, malgré ce succès, l'un des plus grand défis à relever est l'énorme quantité de données générées par les dispositifs de capteur. Cela peut affecter la consommation d'énergie et peut également causer des problèmes de congestion du réseau. Pour résoudre ce problème, nous présentons dans cet article une Approche d'Inférence Bayésienne (BIA) permettant d'éviter la transmission des données fortement corrélées. BIA est basé sur une architecture hiérarchique composée de simple capteur, de passerelles intelligentes et de centres de données. L’Algorithme de Belief Propagation est utilisé pour reconstituer les données manquantes. BIA est évalué sur la base des données collectées sur les capteurs M3 déployés dans la plateforme FIT IoT-LAB. Sur les divers scénarios étudiés, les résultats montrent que notre approche réduit considérablement le nombre de données transmises et la consommation d’énergie tout en maintenant une qualité d’information acceptable

Mots clés: IoT; Belief Propagation; Markov Random Fields; Cloud; Smart Device

Domaines: Réseaux et télécommunications [cs.NI]

Cristanel Razafimandimby, Valeria Loscrì, Anna Maria Vegni, Alessandro Neri. Une approche bayésienne pour une réduction efficace des données dans l'IdO. ALGOTEL 2018 - 20èmes Rencontres Francophones sur les Aspects Algorithmiques des Télécommunications, May 2018, Roscoff, France. ⟨hal-01778326⟩