[ES] Cerca de 3.000 millones de personas en todo el mundo no pueden aprovechar ni siquiera los servicios de conectividad más básicos, ya que la mayoría de ellas viven en zonas rurales o países en vías de desarrollo. Incluso los servicios de mensajería más simples serian de gran ayuda, por ejemplo, para los agricultores que desean conocer el precio de las mercancías que les interesa vender o comprar antes de decidir si se emprende un viaje posiblemente largo, caro y agotador. La tecnología LoRa permite realizar enlaces de larga distancia con un consumo reducido de energía a bajo coste, siendo su principal limitación el escaso ancho de banda que ofrece. Con LoRa, los lugares remotos, como las zonas rurales, pueden beneficiarse de servicios basados en la conectividad que, de otro modo, serían imposibles. Nuestra propuesta entra en la categoría de redes comunitarias, en las que los usuarios construyen su propia red cuando no hay infraestructura comercial disponible. Además de la simple aplicación de mensajería, LoRa puede utilizarse para distribuir información de sensores a las comunidades o para proporcionar alertas de desastres o datos meteorológicos. Presentamos un protocolo flexible basado en la tecnología LoRa que permite la transferencia de "contenido" denominado LoRaCTP, el cual proporciona los mecanismos necesarios para que LoRa sea fiable, introduciendo una configuración de conexión ligera. Hemos diseñado este protocolo también como soporte de comunicación para las soluciones IoT basadas en edge computing, dada su estabilidad, el bajo consumo de energía y la posibilidad de cubrir largas distancias. Integramos una arquitectura que permite la recolección de datos de fuentes externas genéricas. Especialmente las fuentes de audio, apuntando a dos servicios básicos: un sistema de mensajería de voz que permite a los usuarios que no saben leer o escribir, realizar notas de voz, y un servicio de compresión de audio para extraer las principales características de la entrada de audio y utilizarla para desarrollar análisis de audio inteligente basado en Machine Learning. Combinamos IoT y Edge computing en un enfoque de innovación frugal, para proponer una solución "ingeniosa", en términos de utilización mínima de recursos y sostenibilidad, para construir un soporte básico para un sistema IoT en áreas rurales. Incluimos un proxy MQTT para integrar dispositivos de bajo coste y bajo consumo en un sistema de mensajería basado en LoRa. A través de una interfaz REST, mostramos cómo se puede usar nuestra plataforma para distribuir información de sensores de las comunidades rurales. Además, MQTT permite que estos datos se proporcionen a "lagos de datos" externos para que puedan usarse para tareas tales como informes, visualización, análisis avanzado y aprendizaje automático. Describimos una arquitectura genérica de edge/fog, utilizando microservicios, un sistema basado en MQTT que puede recopilar datos de ingreso, manejar su persistencia y coordinar la integración de datos con la nube utilizando un servicio específico llamado agregador. Las estaciones edge tienen un canal dedicado con el agregador que se basa en LoRa para permitir transmisiones de largo alcance con bajo consumo de energía. / [CA] Prop de 3.000 milions de persones a tot el món no poden aprofitar ni tan sols els serveis de connectivitat més bàsics, ja que la majoria d'elles viuen en zones rurals o països en vies de desenvolupament. Fins i tot els serveis de missatgeria més simples serien de gran ajuda, per exemple, per als agricultors que desitgen conèixer el preu de les mercaderies que els interessa vendre o comprar abans de decidir si s'emprèn un viatge possiblement llarg, car i esgotador. La tecnologia LoRa permet realitzar enllaços de llarga distància amb un consum reduït d'energia a baix cost, sent la seua principal limitació l'escassa amplada de banda que ofereix. Amb LoRa, els llocs remots, com les zones rurals, poden beneficiar-se de serveis basats en la connectivitat que, d'una altra manera, serien impossibles. La nostra proposta entra en la categoria de xarxes comunitàries, en les quals els usuaris construeixen la seua pròpia xarxa quan no hi ha infraestructura comercial disponible. A més de la simple aplicació de missatgeria, LoRa pot utilitzarse per a distribuir informació de sensors a les comunitats o per a proporcionar alertes de desastres o dades meteorològiques. Presentem un protocol flexible basat en la tecnologia LoRa que permet la transferència de "contingut" denominat LoRaCTP, el qual proporciona els mecanismes necessaris perquè LoRa siga fiable, introduint una configuració de connexió lleugera. Hem dissenyat aquest protocol també com a suport de comunicació per a les solucions IoT basades en edge computing, donada la seua estabilitat, el baix consum d'energia i la possibilitat de cobrir llargues distàncies. Integrem una arquitectura que permet la recol·lecció de dades de fonts externes genèriques. Especialment, les fonts d'àudio, apuntant a dos serveis bàsics: un sistema de missatgeria de veu que permet als usuaris que no saben llegir o escriure realitzar notes de veu, i un servei de compressió d'àudio per a extraure les principals característiques de l'entrada d'àudio i utilitzar-la per a desenvolupar anàlisi d'àudio intel·ligent basat en Machine Learning. Combinem IoT i Edge computing en un enfocament d'innovació frugal, per a proposar una solució "enginyosa", en termes d'utilització mínima de recursos i sostenibilitat, per a construir un suport bàsic per a un sistema IoT en àrees rurals. Incloem un proxy MQTT per a integrar dispositius de baix cost i baix consum en un sistema de missatgeria basat en LoRa. A través d'una interfície REST, vam mostrar com es pot usar la nostra plataforma per a distribuir informació de sensors de les comunitats rurals. A més, MQTT permet que aquestes dades es proporcionen a "llacs de dades" externes perquè puguen usar-se per a tasques com ara informes, visualització, anàlisi avançada i aprenentatge automàtic. Descrivim una arquitectura genèrica de edge/fog, utilitzant microserveis, un sistema basat en MQTT que pot recopilar dades d'ingrés, manejar la seua persistència i coordinar la integració de dades amb el núvol utilitzant un servei específic anomenat agregador. Les estacions edge tenen un canal dedicat amb el agregador que es basa en LoRa per a permetre transmissions de llarg abast amb baix consum d'energia. / [EN] Nearly 3 billion people around the world are unable to take advantage of even the most basic connectivity services, as most of them live in rural areas or developing countries. Even the simplest messaging services would be of great help, for example, to farmers who want to know the price of goods they are interested in selling or buying before deciding whether to embark on a possibly long, expensive and exhausting journey. LoRa technology enables long-distance links with reduced power consumption at low cost, its main limitation being the low bandwidth it offers. With LoRa, remote locations, such as rural areas, can benefit from connectivity-based services that would otherwise be impossible. Our proposal falls into the category of community networks, where users build their own network when commercial infrastructure is not available. In addition to a simple messaging application, LoRa can be used to distribute sensor information to communities or to provide disaster alerts or weather data. We present a flexible protocol based on LoRa technology that enables the transfer of "content" called LoRaCTP, which provides the necessary mechanisms for LoRa to be reliable, introducing a lightweight connection setup. We have designed this protocol also as a communication support for IoT solutions based on edge computing, given its stability, low power consumption and the possibility of covering long distances. Likewise, we integrated an architecture that allows data collection from generic external sources. Especially audio sources, targeting two basic services: a voice messaging system that allows users who cannot read or write to make voice notes, and an audio compression service to extract the main features of the audio input and use it to develop intelligent audio analytics based on Machine Learning. We combine IoT and Edge computing in a frugal innovation approach, to propose an "ingenious" solution, in terms of minimum resource utilization and sustainability, to build a basic support for an IoT system in rural areas. We include an MQTT proxy to integrate low-cost and low-power devices into a LoRa-based messaging system. Through a REST interface, we show how our platform can be used to distribute sensor information from rural communities. In addition, MQTT allows this data to be provided to external "data lakes" so that it can be used for tasks such as reporting, visualization, advanced analytics, and machine learning. We describe a generic edge/fog architecture, using microservices, an MQTT-based system that can collect ingress data, manage its persistence, and coordinate data integration with the cloud using a specific service called an aggregator. The edge stations have a dedicated channel with the aggregator that is based on LoRa to enable long-range transmissions with low power consumption. / Agradezco al Gobierno de los Estados Unidos Mexicanos a través del Consejo Nacional de Ciencia y Tecnología (CONACYT) y al Gobierno de Chiapas mediante el Consejo de Ciencia y Tecnología del Estado de Chiapas (COCYTECH) por brindarme la oportunidad de mejoramiento profesional y académico por medio del programa de becas “CONACYT - Gobierno del Estado de Chiapas” en la convocatoria del 2017. / Nakamura Pinto, MK. (2022). Diseño de un sistema de mensajería instantánea para redes comunitarias [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/188948

<p dir="ltr">Federated Learning (FL), a novel subclass of Artificial Intelligence, decentralizes the learning process by enabling participants to benefit from a comprehensive model trained on a broader dataset without direct sharing of private data. This approach integrates multiple local models into a global model, mitigating the need for large individual datasets. However, the decentralized nature of FL increases its vulnerability to adversarial attacks. These include backdoor attacks, which subtly alter classification in some categories, and byzantine attacks, aimed at degrading the overall model accuracy. Detecting and defending against such attacks is challenging, as adversaries can participate in the system, masquerading as benign contributors. This thesis provides an extensive analysis of the various security attacks, highlighting the distinct elements of each and the inherent vulnerabilities of FL that facilitate these attacks. The focus is primarily on backdoor attacks, which are stealthier and more difficult to detect compared to byzantine attacks. We explore defense strategies effective in identifying malicious participants or mitigating attack impacts on the global model. The primary aim of this research is to evaluate the effectiveness and limitations of existing server-level defenses and to develop innovative defense mechanisms under diverse threat models. This includes scenarios where the server collaborates with clients to thwart attacks, cases where the server remains passive but benign, and situations where no server is present, requiring clients to independently minimize and isolate attacks while enhancing main task performance. Throughout, we ensure that the interventions do not compromise the performance of both global and local models. The research predominantly utilizes 2D and 3D datasets to underscore the practical implications and effectiveness of proposed methodologies.</p>

Tesis por compendio / [ES] Edge Computing es un modelo de computación emergente basado en acercar el procesamiento a los dispositivos de captura de datos en las infraestructuras Internet of things (IoT). Edge computing mejora, entre otras cosas, los tiempos de respuesta, ahorra anchos de banda, incrementa la seguridad de los servicios y oculta las caídas transitorias de la red. Este paradigma actúa en contraposición a la ejecución de servicios en entornos cloud y es muy útil cuando se desea desarrollar soluciones de inteligencia artificial (AI) que aborden problemas en entornos de desastres naturales, como pueden ser inundaciones, incendios u otros eventos derivados del cambio climático. La cobertura de estos escenarios puede resultar especialmente difícil debido a la escasez de infraestructuras disponibles, lo que a menudo impide un análisis de los datos basado en la nube en tiempo real. Por lo tanto, es fundamental habilitar técnicas de IA que no dependan de sistemas de cómputo externos y que puedan ser embebidas en dispositivos de móviles como vehículos aéreos no tripulados (VANT), para que puedan captar y procesar información que permita inferir posibles situaciones de emergencia y determinar así el curso de acción más adecuado de manera autónoma. Históricamente, se hacía frente a este tipo de problemas utilizando los VANT como dispositivos de recogida de datos con el fin de, posteriormente, enviar esta información a la nube donde se dispone de servidores capacitados para analizar esta ingente cantidad de información. Este nuevo enfoque pretende realizar todo el procesamiento y la obtención de resultados en el VANT o en un dispositivo local complementario. Esta aproximación permite eliminar la dependencia de un centro de cómputo remoto que añade complejidad a la infraestructura y que no es una opción en escenarios específicos, donde las conexiones inalámbricas no cumplen los requisitos de transferencia de datos o son entornos en los que la información tiene que obtenerse en ese preciso momento, por requisitos de seguridad o inmediatez. Esta tesis doctoral está compuesta de tres propuestas principales. En primer lugar se plantea un sistema de despegue de enjambres de VANTs basado en el algoritmo de Kuhn Munkres que resuelve el problema de asignación en tiempo polinómico. Nuestra evaluación estudia la complejidad de despegue de grandes enjambres y analiza el coste computacional y de calidad de nuestra propuesta. La segunda propuesta es la definición de una secuencia de procesamiento de imágenes de catástrofes naturales tomadas desde drones basada en Deep learning (DL). El objetivo es reducir el número de imágenes que deben procesar los servicios de emergencias en la catástrofe natural para poder tomar acciones sobre el terreno de una manera más rápida. Por último, se utiliza un conjunto de datos de imágenes obtenidas con VANTs y relativas a diferentes inundaciones, en concreto, de la DANA de 2019, cedidas por el Ayuntamiento de San Javier, ejecutando un modelo DL de segmentación semántica que determina automáticamente las regiones más afectadas por las lluvias (zonas inundadas). Entre los resultados obtenidos se destacan los siguientes: 1- la mejora drástica del rendimiento del despegue vertical coordinado de una red de VANTs. 2- La propuesta de un modelo no supervisado para la vigilancia de zonas desconocidas representa un avance para la exploración autónoma mediante VANTs. Esto permite una visión global de una zona concreta sin realizar un estudio detallado de la misma. 3- Por último, un modelo de segmentación semántica de las zonas inundadas, desplegado para el procesamiento de imágenes en el VANTs, permite la obtención de datos de inundaciones en tiempo real (respetando la privacidad) para una reconstrucción virtual fidedigna del evento. Esta tesis ofrece una propuesta para mejorar el despegue coordinado de drones y dotar de capacidad de procesamiento de algoritmos de deep learning a dispositivos edge, más concretamente UAVs autónomos. / [CA] Edge Computing és un model de computació emergent basat a acostar el processament als dispositius de captura de dades en les infraestructures Internet of things (IoT). Edge computing millora, entre altres coses, els temps de resposta, estalvia amplades de banda, incrementa la seguretat dels serveis i oculta les caigudes transitòries de la xarxa. Aquest paradigma actua en contraposició a l'execució de serveis en entorns cloud i és molt útil quan es desitja desenvolupar solucions d'intel·ligència artificial (AI) que aborden problemes en entorns de desastres naturals, com poden ser inundacions, incendis o altres esdeveniments derivats del canvi climàtic. La cobertura d'aquests escenaris pot resultar especialment difícil a causa de l'escassetat d'infraestructures disponibles, la qual cosa sovint impedeix una anàlisi de les dades basat en el núvol en temps real. Per tant, és fonamental habilitar tècniques de IA que no depenguen de sistemes de còmput externs i que puguen ser embegudes en dispositius de mòbils com a vehicles aeris no tripulats (VANT), perquè puguen captar i processar informació per a inferir possibles situacions d'emergència i determinar així el curs d'acció més adequat de manera autònoma. Històricament, es feia front a aquesta mena de problemes utilitzant els VANT com a dispositius de recollida de dades amb la finalitat de, posteriorment, enviar aquesta informació al núvol on es disposa de servidors capacitats per a analitzar aquesta ingent quantitat d'informació. Aquest nou enfocament pretén realitzar tot el processament i l'obtenció de resultats en el VANT o en un dispositiu local complementari. Aquesta aproximació permet eliminar la dependència d'un centre de còmput remot que afig complexitat a la infraestructura i que no és una opció en escenaris específics, on les connexions sense fils no compleixen els requisits de transferència de dades o són entorns en els quals la informació ha d'obtindre's en aqueix precís moment, per requisits de seguretat o immediatesa. Aquesta tesi doctoral està composta de tres propostes principals. En primer lloc es planteja un sistema d'enlairament d'eixams de VANTs basat en l'algorisme de Kuhn Munkres que resol el problema d'assignació en temps polinòmic. La nostra avaluació estudia la complexitat d'enlairament de grans eixams i analitza el cost computacional i de qualitat de la nostra proposta. La segona proposta és la definició d'una seqüència de processament d'imatges de catàstrofes naturals preses des de drons basada en Deep learning (DL).L'objectiu és reduir el nombre d'imatges que han de processar els serveis d'emergències en la catàstrofe natural per a poder prendre accions sobre el terreny d'una manera més ràpida. Finalment, s'utilitza un conjunt de dades d'imatges obtingudes amb VANTs i relatives a diferents inundacions, en concret, de la DANA de 2019, cedides per l'Ajuntament de San Javier, executant un model DL de segmentació semàntica que determina automàticament les regions més afectades per les pluges (zones inundades). Entre els resultats obtinguts es destaquen els següents: 1- la millora dràstica del rendiment de l'enlairament vertical coordinat d'una xarxa de VANTs. 2- La proposta d'un model no supervisat per a la vigilància de zones desconegudes representa un avanç per a l'exploració autònoma mitjançant VANTs. Això permet una visió global d'una zona concreta sense realitzar un estudi detallat d'aquesta. 3- Finalment, un model de segmentació semàntica de les zones inundades, desplegat per al processament d'imatges en el VANTs, permet l'obtenció de dades d'inundacions en temps real (respectant la privacitat) per a una reconstrucció virtual fidedigna de l'esdeveniment. / [EN] Edge Computing is an emerging computing model based on bringing data processing and storage closer to the location needed to improve response times and save bandwidth. This new paradigm acts as opposed to running services in cloud environments and is very useful in developing artificial intelligence (AI) solutions that address problems in natural disaster environments, such as floods, fires, or other events of an adverse nature. Coverage of these scenarios can be particularly challenging due to the lack of available infrastructure, which often precludes real-time cloud-based data analysis. Therefore, it is critical to enable AI techniques that do not rely on external computing systems and can be embedded in mobile devices such as unmanned aerial vehicles (UAVs) so that they can capture and process information to understand their context and determine the appropriate course of action independently. Historically, this problem was addressed by using UAVs as data collection devices to send this information to the cloud, where servers can process it. This new approach aims to do all the processing and get the results on the UAV or a complementary local device. This approach eliminates the dependency on a remote computing center that adds complexity to the infrastructure and is not an option in specific scenarios where wireless connections do not meet the data transfer requirements. It is also an option in environments where the information has to be obtained at that precise moment due to security or immediacy requirements. This study consists of three main proposals. First, we propose a UAV swarm takeoff system based on the Kuhn Munkres algorithm that solves the assignment problem in polynomial time. Our evaluation studies the takeoff complexity of large swarms and analyzes our proposal's computational and quality cost. The second proposal is the definition of a Deep learning (DL) based image processing sequence for natural disaster images taken from drones to reduce the number of images processed by the first responders in the natural disaster. Finally, a dataset of images obtained with UAVs and related to different floods is used to run a semantic segmentation DL model that automatically determines the regions most affected by the rains (flooded areas). The results are 1- The drastic improvement of the performance of the coordinated vertical take-off of a network of UAVs. 2- The proposal of an unsupervised model for the surveillance of unknown areas represents a breakthrough for autonomous exploration by UAVs. This allows a global view of a specific area without performing a detailed study. 3- Finally, a semantic segmentation model of flooded areas, deployed for image processing in the UAV, allows obtaining real-time flood data (respecting privacy) for a reliable virtual reconstruction of the event. This thesis offers a proposal to improve the coordinated take-off of drones, to provide edge devices with deep learning algorithms processing capacity, more specifically autonomous UAVs, in order to develop services for the surveillance of areas affected by natural disasters such as fire detection, segmentation of flooded areas or detection of people in danger. Thanks to this research, services can be developed that enable the coordination of large arrays of drones and allow image processing without needing additional devices. This flexibility makes our approach a bet for the future and thus provides a development path for anyone interested in deploying an autonomous drone-based surveillance and actuation system. / I would like to acknowledge the project Development of High-Performance IoT Infrastructures against Climate Change based on Artificial Intelligence (GLOBALoT). Funded by Ministerio de Ciencia e Innovación (RTC2019-007159-5), of which this thesis is part. / Hernández Vicente, D. (2023). Analysis Design and Implementation of Artificial Intelligence Techniques in Edge Computing Environments [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192605 / Compendio