Objetos do nosso cotidiano estão cada vez mais conectados formando o que se chama de Internet das Coisas (IoT). Neste ambiente cibernético conectado, a mobilidade é fator presente e soluções para IoT devem estar cientes disso. Também, os dispositivos eventualmente poderão fazer laços sociais surgindo então a Internet das Coisas Sociais (SIoT). No entanto, dados empíricos e/ou sintéticos que permitam o estudo do padrão de mobilidade das entidades da IoT bem como suas interações são escassos. Sendo assim, este artigo visa adaptar um modelo de mobilidade existente para mimetizar a mobilidade de dispositivos da IoT e então aplicar métricas para quantificar as interações e os impactos no desempenho de solução de comunicação tolerantes a atraso. Os resultados aqui obtidos salientam a importância de objetos móveis no contexto do IoT. Todos os dados utilizados neste artigo estão disponíveis online.

A Internet of Things (IoT) tem sido marcada pelas interações entre dispositivos que cooperam para realizar atividades. A partir deste ambiente cibernético e conectado, um possível paradigma derivado é o Social IoT (SIoT), onde múltiplos tipos de relacionamentos e confiabilidade podem ser estabelecidos entre dispositivos. Neste cenário, abordamos as questões de como modelar laços sociais em IoT e na proposição de modelos para, automaticamente, classificar e predizer relações em SIoT. Este artigo propõe a utilização de aprendizado por representação para classificar diferentes tipos de laços sociais em SIoT. Para isso, utiliza-se como estratégias para classificação Graph Neural Networks (GNN) ou Algoritmos Tradicionais de Classificação (ATC). Em nossos experimentos, GNN é rápido na etapa de treinamento e apresenta métricas F1-{macro, micro} de 0.61 e 0.88, respectivamente. Ao usar ATC, o treinamento é 121× até 11.235× mais lento que GNN, ao passo que as métricas F1-score alcançam 0.86 e 0.95, respetivamente.