Βελτιστοποίηση της μετάδοσης δεδομένων σε συστήματα IoT βασισμένα σε δίκτυα LoRa με χρήση TinyML
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτριος | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Θανοπούλου, Ελένη | |
| dc.contributor.other | Thanopoulou, Eleni | |
| dc.date.accessioned | 2026-07-06T09:31:02Z | |
| dc.date.available | 2026-07-06T09:31:02Z | |
| dc.date.issued | 2026-07-01 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η βελτιστοποίηση της μετάδοσης δεδομένων στο ∆ιαδίκτυο των Πραγμάτων (ΙοΤ) χρησιμοποιώντας την τεχνολογία Tiny Machine Learning (TinyML) σε δίκτυο LoRa μέσω αυτής της έρευνας. Ο πρωταρχικός στόχος είναι η ελαχιστοποίηση του αριθμού των πακέτων που αποστέλλονται και στη συνέχεια η μείωση της κατανάλωσης ενέργειας που συμβαίνει στους κόμβους αισθητήρων, παρέχοντας παράλληλα μια αποδεκτή ποιότητα παρακολούθησης. Συγκεκριμένα, αυτή η έρευνα πραγματοποιήθηκε σε ένα πραγματικό παράδειγμα περιβαλλοντικής παρακολούθησης χρησιμοποιώντας αισθητήρες θερμοκρασίας και υγρασίας που είναι συνδεδεμένοι με μικροελεγκτές με περιορισμένους πόρους. Στο τρέχον κανονικό μοντέλο περιοδικής μετάδοσης, τα δεδομένα συνήθως μεταδίδονται σε σταθερά χρονικά διαστήματα (δηλαδή κάθε 1 λεπτό). Η προτεινόμενη μέθοδος επιτρέπει τη λήψη τοπικών αποφάσεων στον κόμβο άκρου, όπου κάθε κόμβος είναι υπεύθυνος για τον προσδιορισμό του εάν η τελευταία νέα μέτρηση έχει αρκετές χρήσιμες πληροφορίες για να δικαιολογήσει τη μετάδοση.Το συγκριτικό πειραματικό πλαίσιο που ορίζεται σε αυτή τη μελέτη χρησιμοποιείται για την αξιολόγηση τριών διαφορετικών στρατηγικών μετάδοσης :1) Μοντέλο περιοδικής μετάδοσης βάσης με διαστήματα 1 λεπτού2) Μοντέλο ∆έντρου αποφάσεων για τον προσδιορισμό του εάν θα μεταδοθούν ή όχι δεδομένα3) Μοντέλο Λογιστικής παλινδρόμησης για τον προσδιορισμό του εάν θα μεταδοθούν ή όχι δεδομέναΑυτά τα μοντέλα επιλέχθηκαν επειδή έχουν χαμηλή υπολογιστική πολυπλοκότητα και είναι εφαρμόσιμα σε περιβάλλον TinyML. Η αξιολόγηση βασίζεται σε μετρικές όπως ο αριθμός των μεταδιδόμενων πακέτων, το ποσοστό μείωσης μεταδόσεων, ο χρόνος εκπομπής (airtime), η εκτιμώμενη κατανάλωση ενέργειας και η ποιότητα παρακολούθησης. Η εργασία παρουσιάζει ένα πλήρως καθορισμένο μεθοδολογικό πλαίσιο, το οποίο μπορεί να αξιολογηθεί ποσοτικά όταν διατεθούν πραγματικά δεδομένα και υλοποίηση.Τα αναμενόμενααποτελέσματα δείχνουν ότι τα ελαφριά μοντέλα μηχανικής μάθησης έχουν τη δυνατότητα να μειώσουν σημαντικά τον αριθμό των περιττών μεταδόσεων, βελτιώνοντας την ενεργειακή απόδοση των συστημάτων ΙοΤ που βασίζονται σε LoRa χωρίς να μειώσουν σημαντικά την ποσότητα των χρήσιμων πληροφοριών που μεταδίδονται. Συμπληρωματικά, στο πλαίσιο της προτεινόμενης υλοποίησης εξετάζονται και πρόσθετες ελαφρές προσεγγίσεις TinyML, όπωςMLP predictor και Autoencoder, καθώς και παράμετροι του φυσικού επιπέδου LoRa, όπως PRR, SF, BW, CR, μέγεθος payload και airtime, ώστε να αποτυπωθεί πληρέστερα η σχέση μεταξύ αξιοπιστίας, μείωσης μεταδόσεων και ενεργειακής απόδοσης. | |
| dc.description.translatedabstract | The optimization of the data transmission in the Internet of Things (IoT) by using Tiny Machine Learning (TinyML) on LoRa network technology through this investigation. The primary goal is to minimize the number of packets being sent and subsequently reduce the energy consumption that occurs in sensor nodes while still providing an acceptable quality of monitoring. Specifically, this research was carried out on a real example of environmental monitoring using temperature and humidity sensors that are connected to resource-constrained microcontrollers. In the current normal periodic transmission model, data is typically transmitted at fixed intervals (i.e. every 1-minute). The proposed method allows for local decisions to be made at the edge node, where each node is responsible for determining whether the last new measurement has enough useful information to warrant transmission. The comparative experimental framework defined in this study is utilized to evaluate three different transmission strategies:1) Baseline periodic transmission model with 1-minute intervals2) Decision Tree-based model for determining whether or not data will be transmitted 3) Logistic Regression-based model for determining whether or not data will be transmittedThese models were selected because they are low in computational complexity and applicable to TinyML applications on embedded systems. Key performance measures include the number of packets sent, the ratio of packets reduced, airtime utilized, the estimated amount of energy used and monitoring quality. The methodology for this study is fully defined and will allow for the consistent experimental evaluation of all three transmission strategies once real-world measurements are taken and actual implementation data is available. The anticipated outcomes indicate that lightweight machine-learning models have the potential to greatly decrease the number of unnecessary transmissions, improving the energy efficiency of LoRa-based IoT systems without significantly reducing the amount of useful information transmitted. Additionally, within the framework of the proposed implementation, additional lightweight TinyML approaches are also examined, such as MLP predictor and Autoencoder, as well as LoRa physical layer parameters, such as PRR, SF, BW, CR, payload size and airtime, in order to more fully capture the relationship between reliability, transmission reduction and energy efficiency. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32307 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Διαδίκτυο των Πραγμάτων | |
| dc.subject | Υπολογισμός στην άκρη | |
| dc.subject | Βελτιστοποίηση μετάδοσης δεδομένων | |
| dc.subject | Μείωση πακέτων | |
| dc.subject | Ενεργειακή απόδοση | |
| dc.subject | Δέντρα αποφάσεων | |
| dc.subject | Λογιστική παλινδρόμηση | |
| dc.subject | Περιβαλλοντική παρακολούθηση | |
| dc.subject | Μετάδοση βάσει συμβάντων | |
| dc.subject | Λόγος επιτυχούς λήψης | |
| dc.subject.alternative | Internet of Things (IoT) | |
| dc.subject.alternative | Edge computing | |
| dc.subject.alternative | Data transmission optimization | |
| dc.subject.alternative | Packet reduction | |
| dc.subject.alternative | Energy efficiency | |
| dc.subject.alternative | Decision trees | |
| dc.subject.alternative | Logistic regression | |
| dc.subject.alternative | Environmental monitoring | |
| dc.subject.alternative | Event based transmission | |
| dc.subject.alternative | Packet reception ratio | |
| dc.subject.alternative | Autoencoders | |
| dc.subject.alternative | Point-to-Point LoRa | |
| dc.title | Βελτιστοποίηση της μετάδοσης δεδομένων σε συστήματα IoT βασισμένα σε δίκτυα LoRa με χρήση TinyML | |
| dc.title.alternative | Optimization of data transmission in IoT systems based on LoRa networks using TinyML |