IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2017 |
Aguiari, Davide Named Data Networking in IoT based sensor devices Masters Thesis 2017. Abstract | Links | BibTeX | Tags: IoT, ndn, ndnsim, ns3, sensors, WSN @mastersthesis{amslaurea13297, title = {Named Data Networking in IoT based sensor devices}, author = {Davide Aguiari}, url = {https://amslaurea.unibo.it/id/eprint/13297}, year = {2017}, date = {2017-01-01}, abstract = {In a world running on a “smart” vision, the Internet of Things (IoT) progress is going faster than ever. The term “things” is not just about computer, people and smartphone, but also sensors, refrigerators, vehicles, clothing, food and so on. Internet of Things is the possibility to provide an IP address for every item, so it will have an interface on the Internet network. The household devices will not just being commanded and monitored remotely then, but they will have an active main character role, establishing a communication network between them. The thesis will begin describing a general overview, the state of art, of the IoT world and of sensors networks, checking its potential and any restrictions, if present. Then, every engineering aspect of the realized project, will been described in detail. This thesis will also prove that nowadays we have the right items and components for the realization of reliable low-cost sensors. The ultimate purpose is to verify the introduction of new network protocols like NDN (Named Data Networking) to evaluate their performances and efficiency. Finally I will propose the simulations output obtained by NS3 (Network Simulator): a scenario simulation using NDNSim and ChronoSync application will be present.}, keywords = {IoT, ndn, ndnsim, ns3, sensors, WSN}, pubstate = {published}, tppubtype = {mastersthesis} } In a world running on a “smart” vision, the Internet of Things (IoT) progress is going faster than ever. The term “things” is not just about computer, people and smartphone, but also sensors, refrigerators, vehicles, clothing, food and so on. Internet of Things is the possibility to provide an IP address for every item, so it will have an interface on the Internet network. The household devices will not just being commanded and monitored remotely then, but they will have an active main character role, establishing a communication network between them. The thesis will begin describing a general overview, the state of art, of the IoT world and of sensors networks, checking its potential and any restrictions, if present. Then, every engineering aspect of the realized project, will been described in detail. This thesis will also prove that nowadays we have the right items and components for the realization of reliable low-cost sensors. The ultimate purpose is to verify the introduction of new network protocols like NDN (Named Data Networking) to evaluate their performances and efficiency. Finally I will propose the simulations output obtained by NS3 (Network Simulator): a scenario simulation using NDNSim and ChronoSync application will be present. |
Carpineti, Claudia Sensors relevance analysis for transportation mode recognition Masters Thesis 2017. Abstract | Links | BibTeX | Tags: classification, Machine Learning, sensors, transportation mode recognition @mastersthesis{amslaurea13298, title = {Sensors relevance analysis for transportation mode recognition}, author = {Claudia Carpineti}, url = {https://amslaurea.unibo.it/id/eprint/13298}, year = {2017}, date = {2017-01-01}, abstract = {Identificare la mobilità di un utente attraverso la sua osservazione, o l’osservazione dell’ambiente, è un tema di ricerca di crescente interesse, con numerose applicazioni. La maggior parte dei lavori accademici trae vantaggio dalla diffusione dei cellulari, utilizzando i dati derivati dai sensori e le tecniche di apprendimento automatico, per inferire la mobilità dell’utente. Una limitazione di questi lavori è l’utilizzo di dataset creati ad hoc. Essi, infatti, raccolgono i dati dei soli sensori di loro interesse, hanno una base utente ridotta e prevedono processi di collezione in condizioni non reali. Come conseguenza, i risultati dei lavori non sono fra loro confrontabili. Il primo obiettivo di questa tesi è stato la costruzione di un dataset che superasse le suddette limitazioni. Il dataset ottenuto distingue cinque attività: stare in macchina, in autobus, in treno, fermi e camminare. Il dataset è stato utilizzato per la costruzione di modelli di classificazione della mobilità, raggiungendo un livello massimo di accuratezza del 96%. Si è indagato sull’importanza dei sensori nel riconoscimento delle singole attività. A tal fine, sono stati definiti tre insiemi di dati: il primo composto dai dati derivati da tre soli sensori (accelerometro, giroscopio e microfono), il secondo da tutti i dati dei sensori ad esclusione di quelli derivati dal GPS e l’ultimo dai dati di tutti i sensori disponibili. I risultati ottenuti mostrano come all’aumentare dei sensori, aumenti l’accuratezza. Non tutte le classi di attività, però, traggono lo stesso beneficio dall’aumento di informazione. L’analisi di queste differenze permette di individuare quali sensori sono più utili all’individuazione di ogni singola attività. Questi ultimi risultati suggeriscono la possibilità di scegliere il set di sensori da utilizzare sulla base delle attività da riconoscere.}, keywords = {classification, Machine Learning, sensors, transportation mode recognition}, pubstate = {published}, tppubtype = {mastersthesis} } Identificare la mobilità di un utente attraverso la sua osservazione, o l’osservazione dell’ambiente, è un tema di ricerca di crescente interesse, con numerose applicazioni. La maggior parte dei lavori accademici trae vantaggio dalla diffusione dei cellulari, utilizzando i dati derivati dai sensori e le tecniche di apprendimento automatico, per inferire la mobilità dell’utente. Una limitazione di questi lavori è l’utilizzo di dataset creati ad hoc. Essi, infatti, raccolgono i dati dei soli sensori di loro interesse, hanno una base utente ridotta e prevedono processi di collezione in condizioni non reali. Come conseguenza, i risultati dei lavori non sono fra loro confrontabili. Il primo obiettivo di questa tesi è stato la costruzione di un dataset che superasse le suddette limitazioni. Il dataset ottenuto distingue cinque attività: stare in macchina, in autobus, in treno, fermi e camminare. Il dataset è stato utilizzato per la costruzione di modelli di classificazione della mobilità, raggiungendo un livello massimo di accuratezza del 96%. Si è indagato sull’importanza dei sensori nel riconoscimento delle singole attività. A tal fine, sono stati definiti tre insiemi di dati: il primo composto dai dati derivati da tre soli sensori (accelerometro, giroscopio e microfono), il secondo da tutti i dati dei sensori ad esclusione di quelli derivati dal GPS e l’ultimo dai dati di tutti i sensori disponibili. I risultati ottenuti mostrano come all’aumentare dei sensori, aumenti l’accuratezza. Non tutte le classi di attività, però, traggono lo stesso beneficio dall’aumento di informazione. L’analisi di queste differenze permette di individuare quali sensori sono più utili all’individuazione di ogni singola attività. Questi ultimi risultati suggeriscono la possibilità di scegliere il set di sensori da utilizzare sulla base delle attività da riconoscere. |