With the desire to bride the gaps in interoperability and reliability in Internet of Things, this thesis proposed various solutions spreading over architecture, models, and algorithms and cover most of the layers of the IoT architecture. However, due to the variety of the topic, several aspects are unanalyzed in details so that there are big rooms for improvement.
• Organizational Interoperability: Throughout the dissertation, our solutions only tar-get the syntactical and semantic interoperability. The organizational interoperability (the highest level of interoperability) did not focus. It would be interesting to see how to combine our solutions about syntactical and semantic interoperability to achieve the organizational interoperability.
• Leveraging active learning for data repairing: In Chapter 7, we use the active learning to improve the errors and events detection quality. Based on the user interaction, the proposed algorithm effectively identifies and distinguishes between abnormal data caused by errors and one caused by events. The active learning is applied to maximize
9.2. Perspectives and Future work 101
the detecting performance while minimizing the user interaction. Conceptually, active learning could be used in data repairing in the same purpose. We believe that labeling the “important” points in datasets may significantly increase the repairing quality.
• Enhancing virtual sensor capability: More and more complex IoT applications and services have been emerging due to the rapid growth of IoT. However, the virtual sensors presented in Chapter 5 only support mathematical operations. Thus, we need to enhance the functionality of such operations. For example, we could provide customizable operations that allow end-users to develop or configure their desired operations.
• Comparing the connector framework with existing approaches: Due to the rapid grow of IoT frameworks, there are several emerging frameworks targeting the interoperabil-ity of IoT connectivinteroperabil-ity. Thus, we will compare their advantages with our proposal.
Based on this analysis, we could define a road map for such proposal.
• Device management in Massive IoT: Another considering topic is the device man-agement in Massive IoT context. Most of the current device manman-agement mechanisms require bidirectional communication. However, in massive IoT scenario, the downlink connection from the network to the device is significantly limited in term of band-width and the number of message per day. Therefore, a novel device management mechanism to bride these gaps is a potential research direction.
Résumé de la Thèse en Français
A.1 Introduction
L’internet des objets (IoT), aussi connu comme "Internet de tout" (IoE - Internet of Every-thing), est un nouveau paradigme qui suscite l’attention dans la sphère Internet. Li’dée de base de l’IoT repose sur l’interconnexion de nombreux "objets" ” via un système d’adressage unique, dès lors que les “Objets” sont identifiables, exemple : des capteurs, des actionneurs, des tags connectés ou des smartphones [2][1]. Il n’est par surprenant que cela soit consid-éré comme une nouvelle révolution d’internet qui impacte la vie quotidienne sur plusieurs aspects, dans la mesure où "US National Intelligence Council" a listé l’IoT parmi les six
“technologies civiles disruptives” pouvant impacter l’économie américaine” [7]. En 2011, le nombre d’appareils connectés à internat a dépassé le nombre d’être humains sur la planète.
D’ici la fin 2020, 212 milliards d’objets intelligents IoT seront déployés dans le monde et d’ici 2025, les meubles, les documents papier, etc [8][9].
Malgré une croissance rapide et des opportunités illimitées (telles que des solutions de trans-port intelligentes, des réseaux intelligents et systèmes de contrôle de la pollution de l’air) dans la vie de tous les jours, l’IoT a été toujours confronté à de nombreux défis critiques. La plupart d’entre eux liés à l’intégration, la collecte, le traitement ou le partage des données des objets de l’IoT, émergent lors d’un déploiement à grande échelle [10]. Ces défis sont liés au nombre important d’objets hétérogènes couplés aux contraintes de stockage, de traite-ment et de communication. Le volume de données brutes collectées provenant des objets est considérable et hétérogène, il contient un nombre important d’informations anormales et redondantes. [2]. Les solutions antérieures qui traitaient des enjeux similaires ne con-viennent plus pour deux raisons principales : (1) elles sont trop lourdes pour fonctionner sur des objets de petite taille (2) Elles ne sont pas automatisables, et ne peuvet par être traitées par des humains vu la quantité de donées en jeu. Les fournisseurs de services IoT ont alors recherché des solutions innovantes pour résoudre ces problématiques. En par-allèle, le cloud computing est apparu comme une technologie de rupture qui proposaient d’énormes capacités de stockage et de traitement. La mise en oeuvre de ces technologies offraient des opportunités de traiter, même partiellement, les enjeux de l’IoT. Par exemple, les périphériques IoT à fortes contraintes de taille, ne peuvent pas réaliser des traitements de données complexes en local, ce qui pousse à transmettre ces données vers des unités de traitement plus puissantes (comme les passerelles ou les routeurs), avec une limite de scalabilité importante. Dans ce contexte, la puissance de traitement illimitée du cloud com-puting peut être utilisée pour mener à bien les tâches complexes, pour un nombre important d’appareils tout en maintenant une grande évolutivité. Par ailleurs, l’IoT peut tirer parti de la capacité de stockage infinie du cloud pour stocker des données de manière plus sécurisée
A.1. Introduction 103
et facilement accessible depuis n’importe où. Par conséquent, l’intégration entre l’internet des objets et le cloud est inévitable, pour créer un nouveau Paradigme informatique appelé CloudIoToucloud-based IoT[12][14].
Bien que l’intégration de l’IoT et du cloud computing offre de nombreux avantages, les scénarios complexes de l’IoT dans le cloud posent plusieurs défis qui ont retenu l’attention de la communauté des chercheurs, tels que la sécurité et la confidentialité, le volume important de données, les performances, l’informatique géodistribuée (fog computing), etc. [15]. Deux de ces défis sont ciblés dans nos travaux, à savoir: l’interoperabilitéet lafiabilité.
L’interoperabilité Le défi le plus critique dans l’IoT basé sur le cloud est le manque de standard unique en plusieurs points des dispositifs, allant des plates-formes, aux ser-vices et aux applications [16]. En outre, Les plates-formes IoT du cloud ont générale-ment été conçues comme des solutions verticales isolées pour fins spécifiques [18].
Pour s’intégrer à ces plates-formes, les fournisseurs de solutions IoT doivent analyser en détail les exigences relatives au matériel, aux logiciels et aux sous-systèmes qui sont étroitement spécialisés au contexte d’usage [?]. D’autre part, les nouveaux types d’appareils IoT ainsi que leurs formats de données propres ne sont pas conformes aux normes IoT existantes ou qui apparaissent chaque jour. Ceci conduit à une grande hétérogénéité lors des déploiements de solutions IoT à grande échelle.
La fiabilité De nombreuses applications IoT (telles que la détection de feux de foret, la prévision des tremblements de terre) sont critiques pour la société et nécessitent une grande fiabilité des technologies sous-jacentes. Cela signifie que ces applications doivent fournir des services de haute qualité, même en cas de bruit ou autres defail-lances dans les données collectées. La consommation d’énergie des equipement IoT a également un impact important sur la fiabilité globale du système.
• Fiabilité de la donnée: En conséquence d’une croissance rapide, un tres grand nombre de données sont collectées depuis des milliards de sources interconnectées.
Cependant, ces données ne sont pas toujours fiables en raison de de nombreux fac-teurs défavorables, telque l’echelle de déploiemente [301], les contrainte d’energie ou de capacité de calcul [22], les pertes de connexion [23]. Malheureusement,Les applications industrielles, telles que la surveillance d’installations industrielles ou la détection de pannes, nécessitent l’intégrité et la fiabilité des données. Des données manquantes ou aberrantes peuvent déclencher de fausses alertes ou dé-clencher des processus de correction qui peuvent avoir des impactes economiques importants..
• Fiabilité des devices: Le paradigme IoT nécessite une transmission fréquente des données des devices qui sont connectés au cloud [24]. De telles opérations épuisent rapidement les capacités de la batterie des devices, au point de provo-quer l’arrêt soudain de toutes les opérations en cours, telles que la collecte de données ou la connexion réseau. Par conséquent, les techniques de conservation de l’énergie sont essentielles pour produire des services IdO avec une fiabilité élevé, en particulier dans un scénario (LPWAN) scénario tres exigeant sur le cout du device et sa consommation d’energie [25].
Dans cette thèse, notre objectif est de traiter les problèmes d’interopérabilité et de fiabilité posés par un déploiement à grande échelle. Les contributions clés de cette thèse peuvent être résumées comme suit:
Interoperabilité des solutions IoT
• Une méthode pour inter-connecter les devices IoT à l’aide de connecteurs: Cette solution prend la forme d’un framework IoT innovant qui facillite la création de connecteurs "cloud" pour produire des connexions hétérogènes à partir d’objets IoT. En règle générale, le connecteur est un morceau de code spécifique utilisé pour embarquer la connectivité d’un objet dans un simple service Web RESTful.
Ainsi, il réduit considérablement les efforts de création et de configuration de la connexion de la plate-forme IoT "cloud" à des objets hétérogènes. De plus, notre proposition peut aider les utilisateurs finaux à récupérer rapidement les données de diverses sources de données via les connecteurs créés à partir de modèles donnés. L’interopérabilité avec d’autres implémentations est préservée en utilisant les standardisations IoT en cours.
• Introduction d’un framework IoT avec la notion de capteurs virtuels pour aug-menter ce que l’on appelle le "usable knowledge": Notre infrastructure simplifie la création et la configuration decapteurs virtuels(CVs) avec des opérateurs pro-grammables tels que des règles, des formules ou des fonctions. Ces VS pourraient être reliés entre eux pour constituer un réseau dénomé logical data-flow (LDF) permettant notamment de produire des informations de haut niveau à partir des données collectées Les sorties du LDF sont au format standard JSON-LD, large-ment utilisé pour générer des données interprétables sur différentes plates-formes IoT. L’interopérabilité de notre solution augmente ainsi considérablement.
• Présenter un langage sémantiquement descriptif pour un groupe d’objets: La so-lution proposée est une nouvelle description sémantique, à savoirWeb of Things – Asset Description (WoT-AD),qui décrit sémantiquement un groupe d’objets (également appelé asset) comme un objet homogène. WoT-AD aide les util-isateurs finaux à découvrir et à accéder aux ressources, entités et services de l’asset. Nous fournissons également un "framework" léger intégré à WoT-AD pour activer WoT dans un scénario de "Massive IoT". Notre proposition con-siste non seulement à modéliser efficacement l’asset, mais également à simplifier le développement d’applications de "mash-up" pour des utilisateurs avec des niveaux de competences diverses.
IoT Solutions de Fiabilité
• Proposez une méthode d’apprentissage actif pour la détection des erreurs et des événements dans les séries chronologiques: Notre méthode détecte efficacement les erreurs et les événements dans un seul algorithme optimisé par un apprentis-sage actif. En outre, la qualité de la détection est contrôlée par l’utilisateur final par observation de la fiabilité de la classification, qui est ensuite utilisée comme condition de finalisation du processus d’apprentissage actif.
• Proposer un algorithme d’échantillonnage économe en énergie: L’algorithme pro-posé minimise la consommation d’énergie en estimant en temps réel la fréquence optimale de collecte des données sur la base des données historiques. Notre solu-tion est suffisamment légère pour être déployée sur des objets IoT soumis à des contraintes de puissance de calcul et de stockage.