Nuevos modelos para la gestión eficiente de infraestructuras big data streaming en entornos IoT con aplicación a la industria 4.0
- Fernandez Gomez, Antonio Manuel
- Alicia Troncoso Lara Doktormutter
- Francisco Martínez Álvarez Co-Doktorvater/Doktormutter
Universität der Verteidigung: Universidad Pablo de Olavide
Fecha de defensa: 24 von November von 2023
Art: Dissertation
Zusammenfassung
El progreso en el campo de la sensórica ha tenido un impacto significativo en el desarrollo de nuevas áreas en el ámbito de las arquitecturas IoT. La capacidad de procesamiento de los dispositivos se ha incrementado, permitiendo que se realicen tareas complejas de análisis de datos en tiempo real. Este avance es especialmente relevante para las arquitecturas IoT, que requieren un alto grado de eficiencia en el procesamiento de datos debido a la complejidad de las mismas y al gran número de operaciones que se deben realizar. En esta tesis doctoral, se han evaluado diversas arquitecturas de IoT que se han utilizado en diferentes casos de estudio para la predicción de flujos de datos. Estas arquitecturas han sido analizadas en términos de su eficiencia, escalabilidad, costo y capacidad para manejar diferentes tipos de datos. Además, se han identificado y analizado las limitaciones y desafíos asociados con el uso de estas arquitecturas en entornos de streaming de datos. En cuanto al marco de trabajo modular propuesto, se ha desarrollado y validado un marco de trabajo escalable y flexible que permite a los usuarios intercambiar módulos de análisis de datos en tiempo real por otro software con objetivos similares. Este marco de trabajo modular se ha diseñado para mejorar la eficiencia en el procesamiento de datos en streaming y, por lo tanto, mejorar la precisión de las predicciones. Asimismo, este marco de trabajo modular ofrece una solución para la interoperabilidad y la compatibilidad de sistemas, permitiendo a los usuarios incorporar nuevos módulos de análisis de datos en tiempo real en el futuro. El objetivo principal de este sistema es proporcionar una herramienta institucional para los investigadores que trabajan en entornos de análisis de datos en streaming. Este sistema puede ayudar a los investigadores a reducir el tiempo y el esfuerzo necesarios para implementar tareas de análisis de datos en streaming, lo que les permite enfocarse en otras áreas de la investigación. En resumen, esta Tesis Doctoral contribuye al campo del análisis de datos en tiempo real y la predicción de flujos de datos en entornos de IoT, al proporcionar un marco de trabajo modular escalable y flexible para el análisis de datos en streaming. La presente tesis doctoral ha sido elaborada siguiendo la modalidad de compendio de artículos, cumpliendo con la legislación vigente y los requisitos establecidos por la universidad. En ella se presentan los resultados de varias investigaciones realizadas en el ámbito de las redes IoT y el análisis de big data en tiempo real. Los artículos incluidos en esta tesis han sido publicados en revistas científicas indexadas y en conferencias de prestigio internacional, lo que demuestra la calidad y relevancia de los resultados obtenidos. Además, se ha trabajado en estrecha colaboración con expertos en el campo de las redes IoT y el análisis de big data, lo que ha permitido abordar de manera integral los desafíos presentes en esta área de investigación. Además, es importante destacar que esta tesis ha sido realizada bajo la modalidad de doctorado industrial, lo que ha permitido una colaboración cercana con una empresa líder en el sector de las tecnologías de la información y la comunicación. Esta colaboración ha sido fundamental para el desarrollo de la investigación, ya que ha proporcionado acceso a recursos técnicos y humanos de gran valor y ha permitido enfocar el trabajo en áreas de interés para la empresa y relevantes para el avance del conocimiento en el campo de las redes IoT y el análisis de big data en tiempo real. La obtención de la mención de doctorado industrial es un reconocimiento a esta colaboración y a la calidad de la investigación realizada.