Classificação de Recursos na IoT: Automação de Regras Fuzzy na Seleção de Preferências do Cliente

• Renato Dilli IFSul
• Patrick Fernandes UCPel / UFPel
• Eduardo Monks UFPel
• Renata Reiser UFPel
• Adenauer Yamin UCPel / UFPel

DOI: https://doi.org/10.5753/sbcup.2022.222782

Resumo

Na Internet das Coisas tem-se um elevado número de recursos de sensoriamento e/ou atuação, interconectados, sendo que cada um destes recursos pode oferecer diversos serviços. A especificação das preferências do cliente quanto à relevância dos atributos de QoS associados aos recursos geralmente é acompanhada de incertezas. Neste sentido, a Lógica Fuzzy é oportuna para lidar com dados incertos. Como parte da abordagem Fuzzy se faz necessário o emprego de regras, cuja especificação pode ganhar complexidade quando o número de atributos a serem considerados aumenta. A partir desta motivação decorre o objetivo deste trabalho que é a concepção de uma proposta para automação de regras Fuzzy, denominada IoT-DFR³. Dentre as suas principais características, destacam-se: (i) geração dinâmica de regras Fuzzy; (ii) seleção de preferências do cliente; (iii) classificação de recursos utilizando Lógica Fuzzy Tipo-2 Intervalar. Os resultados obtidos com a classificação de recursos aplicando as preferências do cliente e a geração automática de regras fuzzy são apresentados.

Palavras-chave: Internet das Coisas, Classificação de Recursos, Automação de Regras Fuzzy

Referências

Belouaar, H., Kazar, O., and Kabachi, N. (2018). A new model for web services selection based on fuzzy logic. Courrier du Savoir, 1(26):393–400.

Cabrera, N. (2014). Aplicação da Extensão de Zadeh para Conjuntos Fuzzy Tipo 2 Intervalar. PhD thesis, Universidade Federal de Uberlândia.

Dilli, R., Argou, A., Pernas, A., Reiser, R., and Yamin, A. (2018). EXEHDA-RR: Uma proposta para tratar incertezas e otimizar o processo de classificação de recursos na IoT. Simpósio Brasileiro de Computação Ubíqua - CSBC.

Ezenwoke, A. (2018). Fuzzy Hybrid Approach for Ranking and Selecting Services in Cloud-based Marketplaces. Journal of Artificial Intelligence, 11(1):9–17.

Khutade, P. A. and Phalnikar, R. (2014). QoS Aware Web Service Selection and Ranking Framework Based on Ontology. International Journal of Soft Computing and Engineering (IJSCE), 4(3):77–81.

Kumar, R. R., Mishra, S., and Kumar, C. (2017). Prioritizing the solution of cloud service selection using integrated MCDM methods under Fuzzy environment. Journal of Supercomputing, 73(11):4652–4682.

Mutlu, B., Sezer, E. A., and Akcayol, M. A. (2018). Automatic rule generation of fuzzy systems: A comparative assessment on software defect prediction. In 2018 3rd International Conference on Computer Science and Engineering (UBMK), pages 209–214. IEEE.

Santos, M. and Mendoza, B. (2018). Identificación borrosa de un cultivo experimental. In XXXIX Jornadas de Automática, pages 888–893. Área de Ingeniería de Sistemas y Automática, Universidad de Extremadura.

Schenfeld, M. C., Amaral, L., de Matos, E., and Hessel, F. (2016). Arquitetura para fog computing em sistemas de middleware para internet das coisas. In Anais do XLIII Seminário Integrado de Software e Hardware, pages 199–209, Porto Alegre, RS, Brasil. SBC.

Sclafani, P. (2021). Top 10 IoT Trends for 2022.

Tripathy, A. K. and Tripathy, P. K. (2018). Fuzzy QoS requirement-aware dynamic service discovery and adaptation. Applied Soft Computing Journal, 68(November):136–146.

Wang, L. X. and Mendel, J. M. (1992). Generating Fuzzy Rules by Learning from Examples. IEEE Transactions on Systems, Man and Cybernetics.

Xu, Z. and Yager, R. R. (2006). Some geometric aggregation operators based on intuitionistic fuzzy sets. International Journal of General Systems, 35(4):417–433.