기계 학습을 이용한 사물인터넷의 자동 모니터링을 위한 TDD 프레임워크

강력하고 결함 허용 가능하며 사용 가능한 시스템은 금융, 건강 및 안전과 같은 중요한 분야에서 사물인터넷(IoT) 채택의 기본입니다. IoT 인프라는 스마트 시티, 산업 4.0 및 스마트 홈의 비즈니스 요구를 충족하기 위해 대량의 데이터를 수집하는 데 종종 사용되지만, 이러한 데이터를 사용하여 IoT 시스템을 자율적으로 내재적 모니터링할 기회가 있습니다. 비지도 기계 학습(ML)을 기반으로 ESP32 및 ESP8266 IoT 개발 장치의 자동 모듈 평가를 위한 테스트 주도 개발(TDD) 접근 방식이 제안되어 IoT 장치 상태를 모니터링합니다. 비즈니스 동인, 비기능 요구사항, 공학적 관점, 동적 시스템 평가 및 권장 사항 단계로 구성된 프레임워크가 TDD 개발 도구와 함께 사용되도록 제안됩니다. 본 제안은 25개의 장치로 구성된 학술 및 스마트 홈 사례에서 평가되었으며, 여기에는 1주일 간 수집된 15개의 서로 다른 펌웨어 버전이 포함되어 있으며, 총 550,000회 이상의 IoT 상태 판독값이 포함됩니다. K-평균 알고리즘은 개발 중인 IoT 장치의 자동 모니터링을 위해 사용 가능한 무료 메모리, 내부 온도 및 Wi-Fi 레벨 메트릭에 적용되어 장치 제약 위반을 식별하고 다양한 펌웨어 버전의 모니터링 빈도 설정을 위한 통찰력을 제공합니다. 저자들에 따르면, 이는 실제 테스트베드 데이터를 기반으로 기계 학습을 사용하는 IoT 모듈 자동 평가를 위한 최초의 TDD 접근 방식입니다. IoT 상태 모니터링과 K-평균 알고리즘을 사용한 모델 훈련 및 추론을 위한 Python 스크립트는 Creative Commons 라이선스 하에 제공됩니다.