Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19152
Title: Εξόρυξη Γνώσης και Ασφάλεια σε Συστήματα Διαδικτύου των Αντικειμένων (Knowledge Extraction and Security in Internet of Things Systems)
Authors: Γεώργιος Ρούτης
Ρουσσάκη Ιωάννα
Keywords: Τεχνητή Νοημοσύνη (ΤΝ), Συνελικτικά Νευρωνικά Δίκτυα (ΣΝΔ), Διαδίκτυο των Αντικειμένων (ΔτΑ), Επαναληπτικά Νευρωνικά Δίκτυα Μακράς-Βραχύχρονης Μνήμης, ), Raspberry Pi, NVIDIA Jetson Nano, Google Coral TPU, Compute Unified Device Architecture (CUDA), Arduino, αισθητήρες, πρόβλεψη, Διαδίκτυο των Οχημάτων, Κρυπτογραφία, RSA, Ελλειπτικές Καμπύλες, Υπερ-Ελλειπτικές Καμπύλες, NTRU, AES
Machine Learning (ML), Convolutional Neural Networks (CNN), Internet of Things (IoT), Recurrent Neural Networks – Long Short-Term Memory (RNN-LSTM), Raspberry Pi, NVIDIA Jetson Nano, Google Coral TPU, Compute Unified Device Architecture (CUDA), Arduino, sensors, forecasting, Internet of Vehicles (IoV), cryptography, RSA, ECC, HECC, NTRU, Advanced Encryption Standard (AES)
Issue Date: 9-Jul-2024
Abstract: Είναι κάτι παραπάνω από προφανές ότι το Διαδίκτυο δεν είναι το ίδιο όπως πριν από μερικές δεκαετίες. Εξελίχθηκε και έφερε νέα αποτελέσματα και παράγοντες που το άλλαξαν και το έκαναν συμβατό με τις τρέχουσες ανάγκες. Έχουμε γίνει μάρτυρες μιας επανάστασης και της γέννησης τεχνολογιών όπως το Internet of Things, ευρέως γνωστό ως IoT στις μέρες μας. Το παραδοσιακό Διαδίκτυο έχει διεισδύσει σε πολλούς τομείς της καθημερινότητας και δεν ακολουθεί πλέον το αρχικό παράδειγμα, όπου ο χρήστης ανοίγει έναν επιτραπέζιο ή φορητό υπολογιστή και συνδέεται στο διαδίκτυο. Η ιδέα τώρα είναι ότι «αντικείμενα» όπως οι υπολογιστές μιας πλακέτας (SBC) ή οι μονάδες επεξεργασίας χαμηλού κόστους χρησιμοποιούνται σε τομείς όπως η Έξυπνη Γεωργία ή τα Οχήματα και μέσω ασύρματης σύνδεσης (2G/3G, 4G, 5G, Wi-Fi, LoRa , Zigbee, Sigfox, Bluetooth, Satellite,...) και σταθερές συνδέσεις (LAN, οπτικές ίνες,…) ο χρήστης μπορεί να αλληλεπιδράσει με αισθητήρες και ενεργοποιητές, προκειμένου να παρατηρήσει, μετρήσεις αρχείων καταγραφής δεδομένων και να ενεργήσει ανάλογα. Τα SBC και οι μονάδες επεξεργασίας χαμηλού κόστους είναι εξοπλισμένα με αισθητήρες, επομένως είναι ιδανικά για πολλές περιοχές όπου υπάρχει ανάγκη για ανίχνευση και καταγραφή δεδομένων σε μία ή περισσότερες συνδέσεις. Ωστόσο, η χρήση του IoT περιλαμβάνει πολλά περισσότερα από την απλή καταγραφή δεδομένων μέσω αισθητήρων. Οι μονάδες μπορούν να λειτουργούν ανεξάρτητα από την επίβλεψη του χρήστη. Μπορούν να λειτουργούν αυτόνομα μέσω της χρήσης προγραμμάτων που έχουν αποθηκευτεί σε αυτά. Για παράδειγμα, στο Internet of Vehicles (IoV) που είναι μια υποκατηγορία του IoT, οι κόμβοι (οχήματα) υπακούουν στη λογική του IoT. Επιπλέον, εκτελούν πιο σύνθετα προγράμματα, πραγματοποιούν αλλαγή της θέσης τους και αναλύουν το περιβάλλον για την ασφάλεια των χρηστών που βρίσκονται μέσα στα οχήματα. Το IoT μπορεί να διασυνδέεται με Cloud και διάφορες Υπηρεσίες Διαδικτύου, ώστε ένας χρήστης που ζει στη Γερμανία να μπορεί να ελέγχει τον έξυπνο μετρητή ενέργειας που είναι τοποθετημένος σε ένα σπίτι στην Ελλάδα. Με την εξέλιξη της Μηχανικής Μάθησης (ML) είναι εφικτό να εκτελεστεί κώδικας ML σε SBC και να παρέχεται περισσότερη επεξεργαστική ισχύς στις συσκευές IoT. Δεν είναι ασυνήθιστο να συνδέεται μια κάμερα σε μια μονάδα επεξεργασίας χαμηλού κόστους και μέσω της χρήσης ενός εκπαιδευμένου μοντέλου ML εικόνας για να συμπεράνουμε ανάγκες επεξεργασίας ζωντανής εικόνας, όπως έλεγχος παρασίτων σε αγρόκτημα ή ανάλυση αλατότητας εδάφους και ανάλυση ασθενειών των φύλλων. Τα μη επανδρωμένα εναέρια οχήματα (UAV) συνδέονται ασύρματα με σταθμούς βάσης και μπορούν να τραβήξουν εικόνες από ένα αγρόκτημα προκειμένου να εντοπίσουν βασικά προβλήματα στο αγρόκτημα. Αυτή η διατριβή τεκμηριώνει την τρέχουσα εργασία σε εφαρμογές του Διαδικτύου των Πραγμάτων στον πραγματικό κόσμο σε διαφορετικούς τομείς. Αρχικά, αναλύεται η λογική και οι διάφορες λεπτομέρειες του IoT και της Μηχανικής Μάθησης στη γεωργία ακριβείας. Εφαρμόστηκε ένα σχήμα για την ανίχνευση και αξιολόγηση διαφορετικών παραγόντων σε ένα εργαστηριακό πείραμα. Ανιχνεύεται και καταγράφεται η θερμοκρασία, η υπεριώδης ακτινοβολία, η υγρασία του εδάφους και η υγρασία του αέρα. Μέσω της χρήσης ενός εξελιγμένου επαναλαμβανόμενου νευρωνικού δικτύου - Μακροπρόθεσμης Μνήμης (RNN-LSTM), είναι σε θέση να προβλέπει καιρικές συνθήκες, ώστε ο χρήστης να μπορεί να εντοπίσει πότε χρειαζόταν άρδευση του φυτού ή του αγροκτήματος. Με αυτόν τον τρόπο ο χρήστης θα μπορούσε να εξοικονομήσει υδάτινους πόρους και χρήματα αποφεύγοντας την [6] περιττή/υπερβολική άρδευση. Η ενέργεια είναι ένας πολύτιμος / σπάνιος πόρος στα αγροκτήματα. Ως εκ τούτου, προχωρά και σε ανάλυση διαφορετικών μονάδων IoT και των σχετικών ασύρματων συστημάτων, προκειμένου να εντοπιστούν τρόποι βελτιστοποίησης της κατανάλωσης ενέργειας. Δεύτερον, πραγματοποιήθηκαν πειράματα στη σφαίρα του Διαδικτύου των Οχημάτων (IoV), όπου η ασφάλεια είναι κρίσιμος παράγοντας. Πιο συγκεκριμένα, προσομοιώθηκε ένα δίκτυο οχημάτων IoV σε προσομοιωτή ns-3, όπου αναλύθηκαν διαφορετικά ασύμμετρα κρυπτογραφικά πρωτόκολλα (NTRU, ECC, HECC-g2, HECC-g3, RSA). Παρατηρήθηκαν μετρήσεις των χρόνων κρυπτογράφησης/αποκρυπτογράφησης, μεγέθη μηνυμάτων, χρόνους δημιουργίας υπογραφών, χρόνους επαλήθευσης υπογραφής, μεγέθη ανταλλαγής χειραψίας και χρόνους ανταλλαγής ψευδωνύμων, ενώ εξετάστηκε επίσης πώς επηρεάστηκε η ενέργεια των κόμβων (οχημάτων) κατά την εκτέλεση κάθε ασύμμετρου πρωτόκολλο. Τρίτον, αναλύθηκαν τα αποτελέσματα των μοντέλων Μηχανικής Μάθησης και πιο συγκεκριμένα πώς συμπεριφέρεται το μοντέλο Συνελικτικού Νευρωνικού Δικτύου (CNN) όταν εκτελείται σε διαφορετικές αρχιτεκτονικές επεξεργασίας. Χρησιμοποιήθηκαν 3 SBC που ενσωμάτωσαν διαφορετικές μονάδες επεξεργασίας (CPU, GPU, TPU) που χρησιμοποιούνται στο κομμάτι του inference για την ανάλυση εικόνας που σχετίζεται με τις ασθένειες των φύλλων. Η τρέχουσα έρευνα επικεντρώθηκε κυρίως στη χρήση CPU, μνήμης RAM και swap, καθώς και στη θερμοκρασία και την κατανάλωση ενέργειας. Τέταρτον, υπήρξαν εκτεταμένα πειράματα με μονάδες Arduino IoT σε φάρμες ρυζιού και καλαμποκιού, με χρήση Μηχανικής Μάθησης και πιο συγκεκριμένα τα CNN και τα RNN-LSTM. Η Γραμμική Παλινδρόμηση και η Πολλαπλή Παλινδρόμηση χρησιμοποιήθηκαν επίσης για την ανάλυση των αγροκτημάτων, και συγκεκριμένα σε αγροκτήματα ορυζώνων. Σχεδιάστηκε επίσης μια πρωτοποριακή συσκευή για ερευνητικούς λόγους, στα πλαίσια της παρούσας Διδακτορικής Διατριβής, στην οποία αναλύθηκε η συλλογή ρητίνης και καουτσούκ που υλοποιήθηκε με βάση τον μικροελεγκτή Arduino και διάφορους αισθητήρες, που μεταδίδει στον τελικό χρήστη πληροφορίες για την κατάσταση του περιβάλλοντος. Τέλος, εφευρέθηκε ένα πρωτοποριακό γραμματοκιβώτιο για έντυπες επιστολές, με τη δυνατότητα να ενημερώνει τον χρήστη μέσω μηνυμάτων Short Message/Messaging Service (SMS) σε περίπτωση λήψης επιστολής. Χρησιμοποιεί έναν αισθητήρα υπέρυθρων που ανιχνεύει τη λήψη ενός νέου γράμματος για να αναγνωρίσει πότε υπάρχει ένα νέο γράμμα μέσα στο γραμματοκιβώτιο. Ενσωματώνει επίσης οθόνη υγρών κρυστάλλων (LCD) και πληκτρολόγιο για τον έλεγχο ορισμένων λειτουργιών όπως ο αριθμός κινητού τηλεφώνου του τελικού χρήστη, η τρέχουσα κατανάλωση και η ισχύς σήματος GSM/GPRS (Παγκόσμιο Σύστημα Κινητών Επικοινωνιών). Ο χρήστης μπορεί επίσης να ελέγξει τη διάρκεια ζωής της μπαταρίας. Η συσκευή έχει κατοχυρωθεί με δίπλωμα ευρεσιτεχνίας στον Οργανισμό Βιομηχανικής Ιδιοκτησίας Ελλάδος.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19152
Appears in Collections:Διδακτορικές Διατριβές - Ph.D. Theses

Files in This Item:
File Description SizeFormat 
PhD_thesis_Final_George_Routis_v.2.pdf12.18 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.