Project
Resource-beperkt machinaal leren in het computercontinuüm
Sensornetwerken verzamelen typisch informatie en centraliseren deze in een backend-servertoepassing. Gezien de huidige evolutie van het aantal apparaten binnen een Internet of Things (IoT) toepassing, zal dit echter leiden tot een enorme toename in dataverkeer en een aanzienlijke stijging van de belasting van de backend-applicatie. Dit onderwerp wil de hele IoT-infrastructuur gebruiken om delen van algoritmes voor gegevensverwerking te verspreiden. Op deze manier kan een meerlagige gegevensverwerkingsketen worden geconstrueerd, waarbij onbewerkte gegevens kunnen worden geaggregeerd tot gebeurtenissen. Op hun beurt wordt een combinatie van gebeurtenissen vervolgens geaggregeerd tot nieuwe gebeurtenissen, enzovoort ... Het doel van het doctoraat is om te onderzoeken hoe deze gegevensverwerkingsstappen optimaal kunnen worden verdeeld, rekening houdend met netwerkbelasting, computationele bronnen van de individuele apparaten en energie-efficiëntie. De promovendus zal middleware raamwerken gebruiken om zijn oplossingen te implementeren en de oplossingen te testen met betrekking tot de bovengenoemde criteria.