Σταδιακή Συλλογή Και Ανάλυση Δεδομένων Με Εφαρμογή Στη Διαχείριση Και Τον Έλεγχο Κυβερνοφυσικών Συστημάτων Υγείας

Abstract

Το διαδίκτυο αντιπροσωπεύει ένα ψηφιακό χώρο όπου μεγάλες ποσότητες πληροφοριών, υπηρεσιών και δεδομένων προστίθενται και ανταλλάσσονται καθημερινά, επηρεάζοντας και μεταμορφώνοντας τον τρόπο με τον οποίο οι άνθρωποι αλληλοεπιδρούν και επικοινωνούν. Οι μεγάλες δυνατότητες του διαδικτύου σε συνδυασμό με τις σχετικές εξελίξεις στην ταχύτητα καταχώρησης και ανάκτησης των δεδομένων, έχουν επιτρέψει τη δημιουργία νέων ευφυών συστημάτων που προσφέρουν αυξημένη αποτελεσματικότητα, παραγωγικότητα, ασφάλεια και ταχύτητα. Σε αυτό το πλαίσιο αναπτύσσονται τα Κυβερνοφυσικά Συστήματα (Cyber-Physical Systems, CPS), όπου τα ψηφιακά και τα φυσικά συστήματα μπορούν πλέον να επικοινωνούν άμεσα μεταξύ τους, καταγράφοντας τις πληροφορίες που εμπεριέχονται στις φυσικές συσκευές, εξασφαλίζοντας την ασφαλή, αποτελεσματική και ευφυή λειτουργία τους. Για να καταστεί αυτό εφικτό, τα CPS αξιοποιούν τα διαφορετικά επίπεδα των αισθητήρων/ενεργοποιητών, της επικοινωνίας, και των εφαρμογών που τα αποτελούν, ώστε να είναι ικανά να ανταπεξέλθουν στις εκάστοτε ανάγκες και απαιτήσεις. Το επίπεδο αυτό της επικοινωνίας είναι και το σημείο όπου προκύπτει ο συνδυασμός των τεχνολογιών των CPS με αυτές του Διαδικτύου των Αντικειμένων (Internet of Things, ΙοΤ). Το IoT αποτελεί ένα πολύ ισχυρό μέρος των CPS, το οποίο αυξάνεται με ταχύτατους ρυθμούς και περιλαμβάνει ποικίλες συσκευές (π.χ. smartphones, tablets, φορητές συσκευές, αισθητήρες, κάμερες, κλπ.). Χαρακτηριστικά αναφέρεται πως από τα 19,4 δισεκατομμύρια συνδεδεμένες συσκευές το 2019, τα 8 δισεκατομμύρια αναφέρονται σε IoT συνδεδεμένες συσκευές, ένας αριθμός που αναμένεται να αυξηθεί κατά πολύ μέσα στα επόμενα χρόνια, παράγοντας μεγάλους όγκους δεδομένων. Αυτό το γεγονός ενισχύει το όραμα για την ανάπτυξη νέων τεχνολογιών επικοινωνίας και την εξεύρεση νέων τρόπων συγχρονισμού όλων των συσκευών αυτών. Ωστόσο, το όραμα αυτό συνοδεύεται από διάφορες συναφείς προκλήσεις, όπως το γεγονός ότι όλα αυτά τα δεδομένα συχνά δεν ταιριάζουν στη φύση των πλατφόρμων που τα συλλέγουν, με αποτέλεσμα να μην είναι σε θέση να αναλυθούν με επιτυχία και να παράγουν χρήσιμες γνώσεις από τις πλατφόρμες αυτές. Ως αποτέλεσμα αυτού, προκύπτει η ανάγκη κατασκευής νέων λύσεων για την προσαρμοζόμενη επιλογή, διαχείριση και ανάλυση όλων αυτών των υφιστάμενων δεδομένων που παράγονται από τις ετερογενείς συσκευές.Ωστόσο, προκειμένου να επιτευχθεί η αντιμετώπιση αυτής της πρόκλησης, προϋποτίθεται πως τα δεδομένα αυτά θα έχουν συλλεχθεί με επιτυχία από τις εκάστοτε ετερογενείς συσκευές. Για το λόγο αυτό, η αντιμετώπιση της πρόκλησης της ενσωμάτωσης των συσκευών και της συλλογής των δεδομένων τους πρέπει να επιλυθεί πριν αντιμετωπιστεί το δύσκολο και απαιτητικό έργο της επιτυχούς ανάλυσης και εκμετάλλευσης των δεδομένων. Το IoT, ωστόσο, περιορίζεται στην παρακολούθηση και στον έλεγχο των μεγάλων ποσοτήτων υφιστάμενων συσκευών, δεδομένου ότι οι αναδυόμενες τεχνολογίες υποστήριξης των συσκευών αυτών, πρέπει να προβλέπουν όχι μόνο τη δραματική αύξηση του αριθμού τους, αλλά και την ετερογένειά τους όσον αφορά τις διαφορετικές προδιαγραφές, δυνατότητες και λειτουργίες που διαθέτουν. Επομένως, καθίσταται αναγκαία η υιοθέτηση νέων τεχνολογιών για την αυτόματη αναγνώριση και κατανόηση της φύσης των υφιστάμενων IoT συσκευών, έτσι ώστε να γίνεται εφικτή η αυτόματη συλλογή και ανάλυση των δεδομένων που παράγονται από τις συσκευές αυτές. Οι υπάρχουσες τεχνικές διαχείρισης και ανάλυσης δεν είναι όμως σε θέση ούτε να αντιμετωπίσουν την πολυπλοκότητα των συσκευών, αλλά ούτε να αναγνωρίσουν τη φύση των συσκευών αυτών, καθώς είναι τόσο στατικές όσο και ευαίσθητες σε νέες ή μεταβαλλόμενες αλλαγές που πραγματοποιούνται στις λειτουργίες και στις απαιτήσεις των υπαρχουσών συσκευών. Αυτό που απαιτείται είναι μία γενικευμένη αυτοματοποιημένη προσέγγιση για τη σύνδεση και την ενσωμάτωση ετερογενών συσκευών, ως μία βάση για την αποδοτική ανάκτηση δεδομένων από όλες τις υποκείμενες συσκευές. Παράλληλα, δεδομένου ότι οι IoT συσκευές χαρακτηρίζονται συνήθως από υψηλό βαθμό ετερογένειας, είναι αναμενόμενο να αναγνωρίζονται ως αξιόπιστες σε διαφορετικές βαθμίδες, παρέχοντας έτσι δεδομένα διαφορετικών επιπέδων αξιοπιστίας. Επομένως, η ερευνητική πρόκληση που συναντάται αναφέρεται αφενός στη δυσκολία διαχείρισης του μεγάλου αριθμού ετερογενών συσκευών που παρουσιάζουν συγκεκριμένες προδιαγραφές και διεπαφές, και αφετέρου στην αναγκαιότητα των ίδιων των συσκευών και των δεδομένων που παράγονται από αυτές να είναι πλήρους αξιοπιστίας. Προς αυτή την κατεύθυνση, απαιτείται τόσο ένας αυτοματοποιημένος και αποτελεσματικός τρόπος σύνδεσης και ενσωμάτωσης των ετερογενών συσκευών στις διαφορετικές IoT πλατφόρμες ώστε να συλλέγονται τα δεδομένα τους, όσο και ένας τρόπος εκτίμησης της αξιοπιστίας των συσκευών σε συνδυασμό με την αξιοπιστία των παραγόμενων δεδομένων τους. Για να αντιμετωπιστούν αποτελεσματικά όλες οι προαναφερθείσες προκλήσεις, η παρούσα Διδακτορική Διατριβή επικεντρώνεται στοχευμένα σε αυτές, έχοντας ως πρωταρχικό σκοπό τη μελέτη, το σχεδιασμό και την υλοποίηση ενός μοντέλου ενσωμάτωσης δεδομένων από διαφορετικές αυτόνομες και ετερογενείς IoT συσκευές, τόσο γνωστού όσο και άγνωστου τύπου. Για το σκοπό αυτό, προτείνεται μια γενική προσέγγιση ενσωμάτωσης ετερογενών IoT συσκευών για την αυτόματη διαχείρισή τους, εκτιμώντας τα επίπεδα αξιοπιστίας τους, και συλλέγοντας εν τέλει δεδομένα μόνο από τις αξιόπιστες και σχετικές προς κάθε πλατφόρμα συσκευές. Αυτή η προσέγγιση μελετήθηκε και προτάθηκε μέσω ενός καινοτόμου διαλειτουργικού μηχανισμού που έχει τη δυνατότητα αφενός να συνδέεται σε διαφορετικές IoT πλατφόρμες, ανεξάρτητα από τη φύση και τη μορφή των δεδομένων που μπορούν αυτές να χειριστούν, και αφετέρου να διευκολύνει την αυτόματη αναγνώριση, αλληλεπίδραση και πρόσβαση σε όλες τις υποκείμενες ετερογενείς συσκευές. Ειδικότερα, ο μηχανισμός αποτελείται από τα τέσσερα (4) στάδια των τεχνικών της εύρεσης και σύνδεσης συσκευών, της αναγνώρισης του τύπου των συσκευών, της συλλογής των δεδομένων των συσκευών, και της εκτίμησης της αξιοπιστίας των συσκευών και των δεδομένων αυτών. Μέσω της διαδικασίας αυτής, η προτεινόμενη προσέγγιση εκπληρώνει τρεις (3) βασικούς στόχους. Αρχικά, επιτυγχάνει την αναγνώριση της φύσης των συσκευών που είναι κάθε φορά διαθέσιμες για σύνδεση στις εκάστοτε πλατφόρμες, επιτρέποντας τη σύνδεση μόνο των συσκευών που σχετίζονται με τις πλατφόρμες αυτές, με την έννοια ότι τα δεδομένα τους είναι σχετικά και χρήσιμα προς αυτές. Επιπλέον, επιτυγχάνει την αυτόματη συλλογή των δεδομένων των συνδεδεμένων συσκευών, παρέχοντας έτσι τη δυνατότητα της διαλειτουργικότητας στην εκάστοτε πλατφόρμα, χωρίς αυτή να χρειάζεται αφενός να διαθέτει περαιτέρω γνώση για τις διεπαφές των συσκευών αυτών, και αφετέρου να παραμετροποιηθεί ώστε να είναι σε θέση να συλλέξει τα δεδομένα τους. Τέλος, επιτυγχάνει την αυτόματη εκτίμηση της αξιοπιστίας τόσο των συνδεδεμένων συσκευών όσο και των παραγόμενων δεδομένων τους, καταφέρνοντας η εκάστοτε πλατφόρμα να χρησιμοποιεί και να εκμεταλλεύεται μόνο τα αξιόπιστα και ποιοτικά δεδομένα που προέρχονται από αποκλειστικά αξιόπιστες συσκευές. Βάσει αυτού ελαχιστοποιείται ο κίνδυνος εξαγωγής εσφαλμένων αποτελεσμάτων, και η διεκπεραίωση εσφαλμένων ενεργειών λόγω λανθασμένων και ελλιπών δεδομένων. Η εν λόγω προσέγγιση αξιολογήθηκε μέσω ποικίλων πειραμάτων σε διαφορετικά σενάρια (με έμφαση στον τομέα της υγείας), παράγοντας αξιόπιστα αποτελέσματα, αποδεικνύοντας τη σκοπιμότητα και την εφαρμογή του. Ωστόσο, η προσέγγιση μπορεί να χρησιμοποιηθεί ευρέως σε επιπλέον τομείς, εκτός του τομέα της υγείας, καθώς απαντά στην πρόκληση της βέλτιστης και αποδοτικής αξιοποίησης των IoT συσκευών ανεξάρτητα από τη χρήση τους σε κάποιον συγκεκριμένο τομέα εφαρμογής.