BIG DATA SENSING, COMPRESSION AND COMMUNICATION

Il corso si propone di fornire agli studenti le conoscenze fondamentali e le competenze pratiche relative all'acquisizione, all'elaborazione, alla compressione dei dati, alle architetture di rete per l'IoT e alle comunicazioni wireless LPWAN.

Descrittori di Dublino

Conoscenza e capacità di comprensione (knowledge and understanding): Il corso si propone di fornire agli studenti conoscenze e capacità di comprensione relative alle tecniche e agli algoritmi per l'acquisizione, la rappresentazione e l'elaborazione di dati eterogenei (ad es. telemetria da sensori, audio, immagini digitali e video) raccolti in ambienti intelligenti. Gli studenti analizzeranno i metodi di compressione dati lossless e lossy e i principi del compressive sensing. Verranno inoltre approfondite le architetture di rete per l'Internet of Things, il paradigma del Social Internet of Things (SIoT) e le tecnologie di comunicazione wireless (LoRa/LoRaWAN, Sigfox, MQTT, Wi-Fi) per il trasferimento massivo di Big Data.

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): Al termine del corso, gli studenti saranno in grado di manipolare, elaborare e ricostruire dati eterogenei acquisiti da ambienti smart, implementare, valutare e confrontare algoritmi di compressione dati e progettare catene di trasmissione per sistemi IoT. Gli studenti sapranno configurare pipeline di ingestione dati con MQTT, valutare tecnologie LPWAN (LoRa e Sigfox) e realizzare applicazioni pratiche di acquisizione dati, telemetria e trasmissione wireless utilizzando microcontrollori Arduino e ricetrasmettitori LoRa.

Autonomia di giudizio (making judgements): Gli studenti acquisiranno autonomia di giudizio e capacità critica nell'analizzare e confrontare soluzioni architetturali e algoritmiche in scenari realistici di Big Data e IoT. Sapranno valutare i compromessi tra rapporto di compressione, complessità computazionale e distorsione del segnale, nonché selezionare i protocolli di comunicazione wireless e le architetture IoT più idonee in funzione di vincoli di throughput, raggio di copertura, consumo energetico e navigabilità della rete.

Abilità comunicative (communication skills): Gli studenti saranno in grado di comunicare con chiarezza e rigore metodologico concetti, metodologie di progettazione, modelli architetturali e soluzioni tecniche relative al sensing, alla compressione e alla trasmissione per Big Data e IoT. Sapranno descrivere l'architettura delle soluzioni software sviluppate, documentare i risultati delle attività sperimentali di laboratorio (telemetria da sensori, prestazioni di collegamenti radio) ed esporre relazioni tecniche sia a interlocutori specialisti che non specialisti.

Capacità di apprendimento (learning skills): Gli studenti svilupperanno capacità di apprendimento tali da consentire loro di tenersi costantemente aggiornati sull'evoluzione tecnologica nel settore del Big Data sensing, della compressione dati e delle comunicazioni IoT. Acquisiranno la metodologia per consultare autonomamente standard internazionali (IEEE, IETF), specifiche tecniche (LoRaWAN, Sigfox, MQTT) e letteratura scientifica recente, applicando tali competenze in successivi percorsi di studio avanzato o in progetti di ingegneria in ambito industriale.

[1] A. Rezzani, Big Data Analytics: Il manuale del data scientist, Apogeo Maggioli Editore.

[2] V. Lombardo, A. Valle, Audio e multimedia, 4a edizione, Apogeo Maggioli Editore.

[3] D. Salomon, Data Compression: The Complete Reference, 4a edizione, Springer.

[4] Z. Li, M. Drew, Fundamentals of Multimedia, Pearson.

[5] Z. Han, H. Li, W. Yin, Compressive Sensing for Wireless Networks, Cambridge University Press.

[6] F. Wu, Advances in Visual Data Compression and Communication: Meeting the Requirements of New Applications, CRC Press.

[7] U. Raza, P. Kulkarni, M. Sooriyabandara, "Low Power Wide Area Networks: An Overview", IEEE Communications Surveys and Tutorials, vol. 19, no. 2, pp. 855-874, 2017.

[8] C. Yang, D. Puthal, S. P. Mohanty, E. Kougianos, "Big Sensing Data Curation in Cloud Data Center for Next Generation IoT and WSN", IEEE Consumer Electronics Magazine, 2017.

[9] M. Lavric, V. Popa, "Internet of Things and LoRa™ Low-Power Wide-Area Networks: A survey", Proc. of 2017 International Symposium on Signals, Circuits and Systems (ISSCS), 2017.

[10] Sigfox Technical Overview, Technical White Paper and System Specifications.

[11] Standard e raccomandazioni IEEE per reti locali wireless (IEEE 802.11 / Wi-Fi).

[12] L. Atzori, A. Iera, G. Morabito, "The Social Internet of Things (SIoT) – When social networks meet the Internet of Things: Concept, architecture and network characterization", Computer Networks, vol. 56, no. 16, pp. 3594-3608, 2012.

[13] Diapositive delle lezioni, note dei docenti, simulatori software dimostrativi usati a lezione, esercitazioni di laboratorio con relativo codice e sketch (repository BDS26) resi disponibili tramite la piattaforma didattica d'ateneo.

L'esame consiste in una prova orale volta ad accertare sia le conoscenze teoriche sia le competenze pratiche acquisite durante il corso. La prova comprende la discussione delle attività pratiche ed esercitative di laboratorio (analisi di segnali in Python, benchmark di algoritmi di compressione, telemetria e trasmissione di immagini tramite Arduino e moduli LoRa) e una verifica orale sui contenuti teorici e metodologici dell'insegnamento. La prova d'esame è finalizzata a valutare in modo approfondito la preparazione dello studente, la capacità di analisi e di ragionamento sugli argomenti trattati durante il corso, nonché l'adeguatezza del linguaggio tecnico utilizzato.

Tali prove potranno avere luogo per via telematica, qualora le condizioni lo dovessero richiedere.

Criteri di attribuzione del voto finale

Per l'attribuzione del voto finale si seguiranno di norma i seguenti criteri:

• Non approvato: lo studente non ha acquisito i concetti di base e non è in grado di svolgere gli esercizi o illustrare le attività pratiche di laboratorio.
• 18–23: lo studente dimostra una padronanza minima dei concetti teorici fondamentali, con modesta capacità di esposizione e collegamento tra gli argomenti; riesce a discutere le attività di laboratorio con la guida dei docenti.
• 24–27: lo studente dimostra una buona padronanza dei contenuti del corso e un appropriato linguaggio tecnico; affronta le attività applicative e di laboratorio in autonomia, commettendo solo lievi imprecisioni.
• 28–30 e lode: lo studente possiede una conoscenza approfondita e completa di tutti i contenuti dell'insegnamento; è in grado di esporli con chiarezza, rigore metodologico e spirito critico, collegando autonomamente i diversi aspetti (sensing, compressione, architetture SIoT e comunicazioni wireless); illustra e discute le attività sperimentali e i modelli architetturali in modo brillante ed esente da errori.

Studenti con disabilità e/o DSA

Gli studenti con disabilità e/o DSA dovranno contattare con sufficiente anticipo rispetto alla data dell'esame i docenti, il referente CInAP del DMI (prof.ssa Daniele) e il CInAP per comunicare che intendono sostenere l'esame fruendo delle opportune misure compensative.

Si precisa che tali domande hanno carattere puramente indicativo: le domande effettivamente proposte in sede d'esame potranno divergere, anche in modo significativo, da quelle riportate in questa lista.

Durante le lezioni e le attività di laboratorio verranno svolti degli esercizi e dimostrazioni pratiche simili a quelli che gli studenti dovranno affrontare nel loro esame finale. Ulteriori esercizi e materiale didattico verranno resi disponibili nel corso delle lezioni sulla piattaforma di ateneo.

1. Quali sono le caratteristiche fondamentali dei Big Data (le V) e quali sfide specifiche introducono nelle pipeline di sensing e negli ambienti smart distribuiti?

2. Enunciare il teorema del campionamento di Nyquist-Shannon, spiegare il fenomeno dell'aliasing dal punto di vista matematico e come viene implementato il filtraggio anti-aliasing nell'acquisizione di audio digitale.

3. Confrontare l'audio digitale non compresso (PCM) con la codifica audio percettiva lossy, illustrando il ruolo dei modelli psicoacustici e come le soglie di mascheramento consentano elevati rapporti di compressione senza un degrado percepibile della qualità.

4. Descrivere le fasi sequenziali della pipeline di compressione JPEG baseline: trasformazione dello spazio colore, DCT, applicazione della matrice di quantizzazione e codifica entropica.

5. Spiegare come gli algoritmi di compressione video sfruttano la ridondanza temporale tramite la stima e la compensazione del movimento, illustrando il ruolo e le differenze dei frame I, P e B.

6. Illustrare i fondamenti e i requisiti del Compressive Sensing: spiegare il concetto di sparsità del segnale nei domini trasformati, la Restricted Isometry Property (RIP) delle matrici di misura e la ricostruzione tramite ottimizzazione convessa (minimizzazione della norma L1).

7. Descrivere il paradigma del Social Internet of Things (SIoT): illustrare le cinque relazioni fondamentali tra oggetti (POR, C-LOR, C-WOR, OOR, SOR) e come le relazioni sociali garantiscano una navigabilità scalabile della rete e il service discovery.

8. Descrivere l'architettura publish/subscribe del protocollo MQTT, spiegando il funzionamento del broker, le differenze operative e le garanzie offerte dai livelli di Quality of Service (QoS 0, 1, 2) nello streaming di telemetria da sensori IoT.

9. Confrontare le tecnologie LoRa/LoRaWAN e Sigfox evidenziandone le differenze in termini di modulazione del livello fisico (CSS vs. UNB), frequenze operative, copertura, bit rate, scalabilità, efficienza energetica e vincoli di duty cycle.

10. Attività di laboratorio: spiegare l'architettura di una catena di trasmissione dati IoT con Arduino e moduli LoRa, illustrando come i dati di un sensore ambientale (es. DHT11) o payload binari (es. immagini) vengono frammentati, trasmessi e ricostruiti da un ricevitore con interfaccia grafica in Python.