Analysis of a wireless sensor network behavior using machine learning techniques

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.Este trabalho apresenta uma revisão dos principais conceitos das WSN e aborda um de seus principais problemas, que é o consumo de energia. Isso é feito a partir dos dados coletados por uma rede implantada na Usina Hidrelétrica de Cachoeira Dourada. Primeiro, uma análise exploratória de dados da WSN usando métodos estatísticos e de aprendizado de máquina foi realizada para descobrir padrões e entender o estado atual da rede. A análise forneceu informações sobre quais nós são mais estáveis, correlações entre os dados que podem ser explorados para otimizar as transmissões e informações sobre a estabilidade dos links. O trabalho também propõe a utilização de um modelo de Deep Learning, em esquema de predição dual, para reduzir as transmissões entre dispositivos da rede, diminuir o congestionamento e economizar energia na transmissão. Para fazer isso, uma revisão das estratégias de previsão de dados em WSNs é realizada. Diferentes modelos baseados em redes neurais são introduzidos e comparados usando diferentes métricas de erro na predição. Finalmente, uma me dida da redução na transmissão é dada, considerando diferentes limiares de erro. Os resultados mostram que o modelo pode economizar uma quantidade considerável de dados na transmissão e ainda manter uma boa representação dos dados medidos.Abstract: This work presents a review of the main concepts of Wireless Sensor Networks (WSN)s and tackles one of their main problems, which is energy consumption. This is done using the data collected by a network deployed at the Hydropower power plant in Cachoeira Dourada. First, an exploratory data analysis of the WSN using statistical and machine learning methods was performed to discover insights about the current state of the network. The analysis provided information about which nodes are more stable, correlations between the data that can be exploited to optimize transmissions, and information about the stability of the links. The work also proposes the use of a Deep Learning model, in a dual prediction scheme, to reduce the transmissions between devices in the network, reduce congestion, and save energy. To do so, a review of data prediction strategies in WSNs is performed. Different neural network based models are introduced and compared using different error metrics in prediction. Finally, a measure of the reduction in data transmission is given, considering different error thresholds. Results show that the model can save a considerable amount of data in transmission, from 70% to 90%, and still maintain a good representation of the measured data