Ein TDD-Rahmenwerk für automatisierte Überwachung im Internet der Dinge mit maschinellem Lernen

Robuste, fehlertolerante und verfügbare Systeme sind grundlegend für die Einführung des Internet der Dinge (IoT) in kritischen Bereichen wie Finanzen, Gesundheit und Sicherheit. Die IoT-Infrastruktur wird oft genutzt, um eine große Menge an Daten zu sammeln, um die geschäftlichen Anforderungen von Smart Cities, Industrie 4.0 und Smart Home zu erfüllen, aber es gibt die Möglichkeit, diese Daten zu nutzen, um ein IoT-System intrinsisch auf autonome Weise zu überwachen. Ein auf testgetriebener Entwicklung (TDD) basierender Ansatz für die automatische Modulbewertung von ESP32- und ESP8266-IoT-Entwicklungsgeräten basierend auf unüberwachtem maschinellen Lernen (ML) wird vorgeschlagen, um den Status von IoT-Geräten zu überwachen. Ein Rahmenwerk, das Geschäftsziele, nicht-funktionale Anforderungen, die Ingenieursansicht, dynamische Systemevaluierung und Empfehlungsphasen umfasst, wird vorgeschlagen, um mit dem TDD-Entwicklungstool genutzt zu werden. Der Vorschlag wird in akademischen und Smart-Home-Studienfällen mit 25 Geräten bewertet, die aus 15 verschiedenen Firmware-Versionen bestehen, die innerhalb einer Woche gesammelt wurden, mit insgesamt über 550.000 IoT-Statusabfragen. Der K-Means-Algorithmus wurde auf verfügbare Freispeicherkapazität, interne Temperatur und Wi-Fi-Level-Metriken angewendet, um die IoT-Geräte während der Entwicklung automatisch zu überwachen, um Verstöße gegen die Gerätespezifikationen zu identifizieren und Einblicke in die Konfiguration der Überwachungsfrequenz verschiedener Firmware-Versionen zu bieten. Nach besten Wissen der Autoren handelt es sich um den ersten TDD-Ansatz für die automatische Bewertung von IoT-Modulen, der maschinelles Lernen auf der Grundlage realer Testdaten verwendet. Die IoT-Statusüberwachung und die Python-Skripte für das Modelltraining und die Inferenz mit dem K-Means-Algorithmus sind unter einer Creative-Commons-Lizenz verfügbar.