De installatie en configuratie van iot-netwerken is nog steeds een omslachtig proces. Onderzoekers van de KU Leuven werken aan een autonome techniek, met plug-and-play als einddoel.
De kosten om apparaten te verbinden met de cloud zijn niet enkel te herleiden tot het prijskaartje van de componenten. Ook de installatie is een factor. Dan gaat het met name om de werkuren die nodig zijn om de iot-toestellen te plaatsen en te configureren.
Dit zogeheten commissioningproces kunnen we opdelen in drie kerntaken. Als eerste moeten we nieuwe apparaten opnemen in een netwerk. Vervolgens moet elk toestel de juiste instellingen toegewezen krijgen. Deze instellingen kunnen sterk variëren van applicatie tot applicatie. De laatste stap is het onderhoud. Als een toestel uitvalt, moeten we dit kunnen detecteren, zodat we het kunnen vervangen of herstellen.
Er zijn al verschillende softwarepakketten op de markt die de commissioning proberen te vergemakkelijken. Die pakketten hebben echter allerhande nadelen. Vaak zijn ze erg kostbaar in aanschaf, hangen ze vast aan één specifieke applicatie of is er een dure opleiding nodig om ze efficiënt te kunnen gebruiken.
De commissioning is over de jaren al veel verbeterd, maar bij het opzetten van grote netwerken blijft het een omslachtig proces. De schaalbaarheid van sommige oplossingen kan beperkt zijn of een grotere investering vergen. Veel liever zouden we hebben dat de netwerken zich volledig autonoom opzetten en configureren. Plug-and-play is het einddoel.
Device lifecycle management for fleets of IoT devices
Microchip gives insight on device management, what exactly is it, how to implement it and how to roll over the device management during the roll out phase when the products are in the field. Read more. .
Authenticatie
Het is heel belangrijk dat toestellen verbinding maken met het correcte netwerk. Niemand wil dat een buitenstaander de plc’s in de productieafdeling kan bedienen of gevoelige data uit het netwerk kan halen. Er zijn verschillende draadloze standaarden met elk hun eigen voor- en nadelen. Wifi is vooral gericht op hoge datasnelheden. Zigbee en bluetooth zijn dan weer ontwikkeld om allerlei apparaten te verbinden voor niet-tijdkritieke toepassingen, doorgaans over kortere afstand.
Authenticatie tussen draadloos verbonden apparaten is meestal gebaseerd op wachtwoorden. Dat levert geen probleem op als we slechts enkele toestellen met elkaar verbinden. Wanneer het er enkele honderden of zelfs duizenden zijn, wordt het heel omslachtig. Er zijn verschillende mogelijkheden om dit te vereenvoudigen.
Ten eerste kunnen we een authenticatiecode hard programmeren in alle apparaten binnen hetzelfde netwerk. Dit kunnen we doen door een gehasht wachtwoord op te slaan samen met een unieke salt, willekeurige extra data die de kans op woordenboekaanvallen verkleinen. De hashfunctie pseudonimiseert alles en geeft een code met vaste lengte terug. Dit maakt het bijna onmogelijk om de originele wachtwoorden te ontrafelen. Zo moeten we ook het communicatiekanaal encrypten.
Een andere manier is om de authenticatie te baseren op de fysieke locatie van een toestel. Met een nfc-tag kunnen we het correcte netwerk doorgeven (opnieuw met eventueel bijhorende authenticatiecode). Dit zorgt voor een dubbele zekerheid: de installateur moet al toegang hebben tot het gebouw waar het netwerk staat opgesteld en er is geen mogelijkheid om verbinding te maken met een verkeerd netwerk.
Beacons
Om netwerken zichzelf te laten configureren, is extra informatie nodig. De locatie van de toestellen blijkt daarvoor zeer nuttig. Deze locatie kan enerzijds absoluut zijn, bijvoorbeeld: deze (draadloze) schakelaar bevindt zich in fabriekshal A. Anderzijds kan zij ook relatief worden bepaald: toestel B bevindt zich in dezelfde ruimte als apparaat C. Op basis van de nabijheid kunnen we toestellen automatisch koppelen.
De uitdaging wordt nu hoe we de locatie gaan bepalen. Gps is indoor zeer onnauwkeurig en heeft soms helemaal geen bereik. Een populair alternatief vormen beacons. Geplaatst op strategische plekken in een gebouw gebruiken deze de signaalsterkte om de locaties te schatten van toestellen. Helaas is de signaalsterkte een heel onvoorspelbare en onnauwkeurige eigenschap.
Maar is een hoge nauwkeurigheid wel steeds nodig? Is het voor de configuratie belangrijk om te weten waar in een fabriek of kantoorgebouw een toestel precies staat? Vaak niet. Als we de globale ruimte of zone weten, hebben we al heel veel informatie. Bovendien is nauwkeurige indoor plaatsbepaling een kostbare zaak. Hiervoor is vaak dure apparatuur nodig die soms ook veel plaats inneemt.
Kennis over de locatie vereenvoudigt eveneens het onderhoudsaspect. Een reparateur weet meteen waar hij moet zijn. En we kunnen apparaten eenvoudig opnieuw toevoegen, zonder dat we het netwerk handmatig hoeven te wijzigen.
Onvoorspelbaarheid
Door de grote verscheidenheid aan applicaties en omgevingen is het in de praktijk echter niet zo makkelijk om een eenduidige oplossing te geven. Een mogelijke aanpak is om elke ruimte of zone een master-beacon toe te wijzen. Deze beschikt over een controller met geheugen waarin de instellingen zijn opgeslagen van alle toestellen die kunnen worden toegevoegd. Om de juiste master-beacon te vinden, kunnen nieuw geplaatste apparaten wel de signaalsterkte gebruiken. Aan de KU Leuven hebben we een dergelijk systeem ontwikkeld op basis van Bluetooth Low Energy.
Om de afstand tussen zender en ontvanger te bepalen, hebben we log-normal shadowing gebruikt. Dit model schat het ontvangen vermogen aan de hand van het uitgezonden vermogen, het ontvangen vermogen bij een referentieafstand en de path loss-coëfficiënt, die de ruimtelijke verzwakking van elektromagnetische golven karakteriseert. Aan de hand van de extra verzwakking door obstakels en muren bepalen we of een nieuwe node in de nabijheid van een master-beacon is. Hiermee slagen we erin om in meer dan 95 procent van de gevallen een correcte verbinding met een master maken.
De fouten ontstaan door de onvoorspelbaarheid van de signaalsterkte. Een statische node op een vaste afstand van een master-beacon ondervond in de slechtste gevallen een verschil van soms 14 dB (3 dB verschil is ongeveer de helft van het vermogen). Daarbij komt nog het fast fading-effect. Door constructieve en destructieve interferentie ten gevolge van reflecties kan de signaalsterkte sterk variëren als we de node slechts enkele centimeters verplaatsen. BLE heeft als extra nadeel dat het adverteert op drie kanalen die op een verschillende frequentie zitten en zich dus anders gedragen, wat opnieuw een onvoorspelbare variatie in de signaalsterkte introduceert.
Er zijn weer twee manieren om met deze problemen om te gaan. Het eenvoudigste is om de installateur bij twijfel te laten ingrijpen en de juiste locatie van het toestel te laten ingeven. Nadeel hiervan is dat het systeem vaak in meer dan vijf procent van de incorrecte beslissingen om input zal vragen. Alternatief is om extra data te gebruiken om correcte verbindingen tot stand te brengen. Bij voorkeur halen we die extra data niet uit dure antenneopstellingen, maar uit een goedkope oplossing, bijvoorbeeld door goedkope sensoren toe te voegen aan onze toestellen.
Groeperen
Laat het nu net een trend zijn om apparaten te voorzien van allerhande goedkope sensoren om de directe omgeving in kaart te brengen. Machines in een fabriek wekken bijvoorbeeld verschillende distinctieve akoestische en mechanische signalen op die we kunnen registreren. Verder kunnen we onder meer de concentratie van sommige gassen meten, de lichtintensiteit, de luchtvochtigheid en de temperatuur. Met machine learning en andere ai-technieken kunnen we hieruit activiteiten afleiden, die weer informatie geven over de locatie van toestellen.
Voor elke node is er ook een aanzienlijke hoeveelheid gegevens waarvan we niet weten van welke locatie ze afkomstig zijn. Om dergelijke ongelabelde data correct te interpreteren, hebben we een unsupervised learning-techniek nodig, die de correlaties kan bepalen zonder voorbeelden. In ons geval wordt een netwerk steeds in een onbekende omgeving geplaatst waardoor we geen betrouwbare trainingsdata hebben.
Een veelgebruikte techniek is K-means clustering. Hiermee zijn groepen te creëren uit een grote hoeveelheid ongelabelde data. Onze groepen zijn de zones of ruimtes waar nodes in elkaars nabijheid zijn en onze data zijn de sensorgegevens. Het K-means-algoritme begint met een willekeurige initialisatie van de groepscentra en kijkt dan hoe dicht alle datapunten daarbij liggen. Vervolgens verlegt het de centra iteratief totdat het een optimale configuratie bereikt met alle punten op een zo klein mogelijke afstand. Uiteraard mag een punt niet bij twee centra horen. Hoe meer sensorinformatie er beschikbaar is, hoe meer datasets het algoritme heeft om mee te werken, hoe meer clusters we kunnen maken per master-beacon, hoe beter we de correlaties tussen de opgevangen signalen kunnen bepalen, hoe nauwkeuriger het systeem.
Het belangrijkste voordeel van toestellen groeperen is de schaalbaarheid: we kunnen groepjes blijven maken zolang er ruimtes of zones zijn. Een ander voordeel is de kostprijs: signaalsterkte is geen extra post in het hardwareontwerp en sensoren toevoegen is goedkoper dan een installateur alles manueel te laten configureren. Dit brengt een grootschalige oplossing binnen handbereik, waarmee we een herhaalde installatie en terugkerende onderhoudskosten kunnen reduceren tot een eenmalige ontwikkelpost.