Um Algoritmo de Compressão de Dados baseado em TinyML para Internet das Coisas

Abstract

With the advancement and mass adoption of Internet of Things (IoT) solutions, new challenges arise such as transmission and storage of the growing volume of data. Thus, it is clear that when devices transmit potentially irrelevant or redundant data, there is greater energy and processing expenditure, in addition to the unnecessary use of the communication channel. Thus, data compression solutions in edge computing devices themselves become increasingly attractive, enabling the elimination of samples that would have little or no contribution to the application, reducing the volume of data needed to represent the information. However, such devices present on the market today have serious limitations in terms of storage and processing power. In order to circumvent these limitations, the field of TinyML appears, which seeks ways to implement machine learning models in devices with low computational power. In this context, the present work proposes the development of a new online, unsupervised, and automatically adaptable data compression algorithm for IoT applications. To validate the proposal, a case study with data captured from vehicular sensors was used and preliminary results show that it is possible to reach 90% of compression rates, with mean absolute errors of 1,1 in the analyzed scenario.Resumo: Com o avanço e adoção em massa de soluções de Internet das Coisas (IoT), surgem novos desafios como transmissão e armazenamento do crescente volume de dados. Desta forma, percebe-se que quando dispositivos transmitem dados potencialmente irrelevantes ou redundantes, há um maior gasto de energia e processamento, além do uso desnecessário do canal de comunicação. Assim, soluções de compressão de dados nos próprios dispositivos (edge computing) se tornam cada vez mais atrativas, possibilitando a eliminação de amostras que teriam pouca ou nenhuma contribuição para a aplicação, reduzindo o volume de dados necessários para representar as informações. No entanto, tais dispositivos presentes hoje no mercado tem sérias limitações de armazenamento e poder de processamento. A fim de circundar tais limitações, surge o campo de TinyML, que busca maneiras de implementar modelos de aprendizado de máquina em dispositivos de baixo poder computacional. Nesse contexto, o presente trabalho propõe o desenvolvimento de um novo algoritmo de compressão de dados on-line, não supervisionado, e automaticamente adaptável para aplicações de IoT. Para validar a proposta um estudo de caso com dados capturados de sensores veiculares foi utilizado e resultados preliminares mostraram ser possível alcançar 90% de taxa de compressão, com um erro médio absoluto de 1.1 no cenário analisado.