Revisión sistemática de la literatura sobre Ciudades
inteligentes e Internet de las cosas
Systematic review of the
literatura on Smart cities and the internet of things
Carlos
Luis Lobatón Arenas (0000-0002-0209-9337)
Roberto
Pérez Astonitas (0000-0001-7886-8019)
Roberto
Carlos Santacruz (0000-0001-8802-9083)
Italo
Maldonado Ramirez
(0000-0002-3147-3519)
Fredy
Velayarce Vallejos
(0000-0003-0254-5074)
Universidad
Nacional Toribio Rodríguez de Mendoza
Resumen:
La tecnología de Internet de
las cosas y la computación en la niebla desempeñan un papel destacado en la
construcción de ciudades inteligentes, que promueven en gran medida el
intercambio y la gestión de información urbana. Las tecnologías de red
emergentes se pueden utilizar para facilitar la construcción de ciudades
inteligentes, favoreciendo el desarrollo de los negocios urbanos, la industria
y otras organizaciones, así como la gestión del turismo, transporte, seguridad
ciudadana, entre otros. Por lo tanto, la realización de una ciudad
inteligente mejorará en gran medida la fuerza de desarrollo integral de la
ciudad. Analizamos las ventajas de la computación en la niebla, los algoritmos
de seguridad, las aplicaciones utilizada, las técnicas, metodologías, métodos
de privacidad y seguridad, arquitecturas de software, big data, blockchain y
Deep Learnig para proponer una aplicación con una arquitectura que resuelve
eficazmente los problemas de la ciudad inteligente.
Palabra-clave: Smart City, IoT, Cloud, big
data, blockchain.
Abstract
Internet
of things technology and fog computing play a prominent role in building smart
cities, greatly promoting urban information exchange and management. Emerging
network technologies can be used to facilitate the construction of smart
cities, favoring the development of urban businesses, industry and other
organizations, as well as the management of tourism, transportation, citizen
security, among others. Therefore, the realization of a smart city will greatly
enhance the comprehensive development strength of the city. We analyze the
advantages of fog computing, security algorithms, applications used,
techniques, methodologies, privacy and security methods, software
architectures, big data, blockchain and Deep Learnig to propose an application
with an architecture that solves effectively smart city problems.
Keyword:
Smart City, IoT, Cloud, big data, blockchain.
1.
Introducción
Con el creciente progreso de
la ciencia y la tecnología, la construcción urbana ha realizado nuevos
desarrollos, especialmente después de la aplicación de la tecnología de
Internet de las cosas y la tecnología de computación en la nube, optimizando
todos los aspectos de la ciudad para lograr el objetivo de la construcción
urbana. Con el desarrollo de la tecnología, las ciudades inteligentes se
han convertido gradualmente en una tendencia de desarrollo inevitable, por lo
que debemos centrarnos en explorar el papel de la computación en la nube y la
tecnología de Internet de las cosas en las ciudades inteligentes y promover la
realización de ciudades inteligentes, para mejorar la calidad de vida de los
ciudadanos.
El objetivo de este estudio
es investigar los avances que se han llevado a cabo en seguridad pública,
servicios urbanos y otros campos dentro de una ciudad inteligente, teniendo en cuenta los algoritmos, técnicas,
infraestructura, plataformas, metodologías, arquitectura, seguridad e
inteligencia artificial, que se ha utilizado para su implementación. Para ello,
se plantea la realización de una revisión de la literatura basada en una
metodología formal, como es la propuesta por
El documento está organizado
de la siguiente manera. La Sección 2, describe la metodología empleada para
llevar a cabo el proceso de revisión sistemática de la literatura, enfatizando
en la estrategia de búsqueda diseñada. La Sección 3 presenta los resultados,
esto es, se responde de manera detallada a cada una de las preguntas de
investigación (PIs) formuladas en base al análisis de los estudios primarios
recuperados. También, se discuten brevemente dichos resultados. Finalmente, en
la Sección 4 se describen las conclusiones.
2.
Metodología
La revisión sistemática de la
literatura implica identificar, evaluar e interpretar los estudios más
relevantes sobre un tema en particular. Para llevar a cabo el proceso de
revisión sistemática para el estudio planteado se empleó la metodología
propuesta por
2.1.Preguntas de investigación
El marco de una Smart City ha
despertado un gran interés entre los investigadores especialistas en poder
presentar soluciones que ayuden a mejor e implementar servicios tecnológicos,
hacia las ciudades inteligentes. Es así como surgió la siguiente pregunta,
¿cómo las tecnologías de información han coadyuvado en la seguridad de los
ciudadanos? Para responder esta pregunta, estratégicamente se plantearon las
siguientes interrogantes, PIs específicas.
·
PI1: ¿Qué tipos de algoritmos eficiente utilizan los sistemas
basado en IoT Smart City Framework?
PI2: ¿Qué tipo de
aplicaciones utilizando el internet de las cosas se pueden utilizar para el
desarrollo de las ciudades inteligentes?
¿Qué técnicas y dispositivos utilizan en su arquitectura?
· PI3: ¿Qué tipo de
infraestructuras o plataformas se han diseñado como soporte y soluciones
tecnológicas finales para implementar los sistemas de seguridad de las Smart
City?
· PI4: ¿Qué técnicas,
infraestructuras, metodologías y arquitecturas se han desarrollado para
implementar una Smart City?
· PI5: ¿Qué métodos de
privacidad y protección de datos utilizan los sistemas IoT para gestionar una
Smart City?
· P16: ¿Cómo puede incorporarse
la inteligencia artificial y sus técnicas para el procesamiento de datos en el
desarrollo de las aplicaciones para una Smart City?
2.2.Estrategias de búsqueda
La búsqueda realizada en este
estudio consideró trabajos disponibles en la literatura que han abordado los
sistemas de seguridad personal y rastreo de contactos, desde distintas
perspectivas, esto es, teórica y, experimental o práctica. Para buscar y
recuperar los estudios primarios a partir de los cuales se pudo responder las
PIs planteadas, se eligió una estrategia de búsqueda que se dividió en tres
pasos: definición de las fuentes de información (FI), formulación de la
ecuación de búsqueda, y selección de los estudios primarios recuperados en las
FI.
Definición de las FI. El primer paso de la estrategia de
búsqueda fue identificar y definir qué FIs se emplearían para realizar la
revisión sistemática. En este caso en particular se seleccionaron las revistas digitales
(ACM, IEEE Xplore) y dos bases de datos documentales (Scopus y Web of Science).
Ambos tipos de FIs son especializadas en el campo de la Computación e indexan
trabajos de impacto.
Cadena de búsqueda. Para realizar la búsqueda de los estudios primarios,
a partir de los cuales se pudiera responder a las PIs formuladas, se definió
una cadena de búsqueda la cual se detalla como sigue: ((“citizen security”) OR ("smart
city”) AND ("internet of things") AND ("cloud")). Dicha
cadena de búsqueda se adaptó para ser aplicada en cada una de las FIs
seleccionadas.
Criterios de inclusión y exclusión. Los criterios de inclusión
definidos para este estudio estuvieron enfocados en considerar sólo aquellas
propuestas que analizarán y emplearán mecanismos de IoT y Cloud, para los
sistemas de Smart City. De manera complementaria, se definieron cuatro
criterios de exclusión orientados a descartar estudios que no aportaran
información relevante a la investigación. Estos criterios de exclusión fueron
los siguientes: documentos repetidos, documentos escritos en un idioma diferente
al inglés, documentos inaccesibles, y documentos publicados antes del 2017. Los
artículos recuperados con la cadena de búsqueda que no cumplieron estos
criterios no fueron analizados. La
selección de los estudios se realizó en dos etapas; (i) lectura del título,
resumen, y las conclusiones de cada artículo, y (ii) lectura completa de los
artículos. De los artículos recuperados quedaron por analizar de forma
exhaustiva 42 estudios.
3.
Resultados y discusión
En base a la información y
resultados descritos en los artículos sujetos a estudio, en esta sección, se
presentan los resultados y se responde a cada una de las PIs formuladas en esta
investigación. Dichos resultados se resumen como sigue:
·
PI1: ¿Qué
tipos de algoritmos eficiente utilizan los sistemas basado en IoT Smart City Framework?
Analizando las
investigaciones más importantes sobre seguridad y privacidad de los medios en
redes de sensores inalámbricos (WSN), se ha propuesto un Efficient Algorithm
for Media-based Surveillance System (EAMSuS) en la red IoT para Smart City
Framework, que fusiona dos algoritmos introducidos por otros investigadores
para el enrutamiento y la seguridad de paquetes WSN, mientras recupera el nuevo
estándar de compresión de medios, High Efficiency Codificación de video
(HEVC). El análisis experimental muestra la eficacia del esquema propuesto
en términos de privacidad de los usuarios, seguridad de los medios y nodo sensor.requisitos de memoria. Este
esquema se puede integrar con éxito en la red IoT del próximo concepto de Smart City
Explorando la tecnología de
procesamiento de información de ciudades inteligentes (SCI) basada en Internet
de las cosas (IoT) y la computación en la nube, promoviendo la construcción de
ciudades inteligentes en la dirección del intercambio e interconexión permitirá
construir un sistema SCI basado en las islas de información. El monitoreo
inteligente del entorno, el transporte inteligente y la prevención inteligente
de epidemias en la capa de aplicación del sistema SCI se diseñan por
separado. Proponiendo un algoritmo de optimización multiobjetivo para el
método de asignación de recursos de la máquina virtual de computación en la
nube (método CC-VMRA), y se analiza y simula la aplicación de la tecnología de
computación en la nube y IoT en el sistema de información de la ciudad
inteligente para la verificación del rendimiento. Los resultados muestran
que el algoritmo de optimización multiobjetivo en el método CC-VMRA puede
reducir en gran medida la cantidad de servidores físicos en el sistema SCI
(menos de 20), y la varianza no es superior a 0,0024, lo que puede permitir que
el clúster de servidores logre mejores efectos de equilibrio de carga
El prototipo de sistema de
estacionamiento en la calle inteligente en tiempo real basado en IoT (RTSSPS
basado en IoT) con accesibilidad de datos para facilitar a los residentes y
conductores la ubicación de un espacio de estacionamiento gratuito en las calles,
cuenta con la arquitectura RTSSPS basada en IoT y se divide en tres partes:
módulo de estacionamiento en la calle inteligente centrado en WSN basado en
IoT, módulo de estacionamiento en la calle inteligente centrado en datos basado
en IoT y módulo de estacionamiento en la calle inteligente centrado en la nube
basado en IoT con algoritmo de estacionamiento en la calle, evaluación y
direcciones futuras
La predicción precisa del
estado del vehículo basada en los datos adquiridos por el sistema de red
vehicular juega un papel importante en la mejora de la seguridad del tráfico en
la sección de transporte. Sin embargo, es difícil predecir con precisión
el estado del vehículo debido al entorno de la carretera altamente dinámico y
al comportamiento de varios conductores. Se proponemos un algoritmo de
filtro de Kalman adaptativo (KF) cuantificado de dos niveles basado en el
modelo de promedio móvil autorregresivo (MA) para predecir el estado del
vehículo (incluida la dirección de movimiento, el carril de conducción, la
velocidad del vehículo y aceleración). Primero, proponemos un sistema de
red vehicular para adquirir los datos del vehículo mediante el intercambio de
datos de tráfico entre la unidad a bordo y la unidad de carretera
(RSU). Luego, predecimos el estado del vehículo en el servidor de nube de
borde (ECS) equipado en la RSU. Específicamente, Utilizamos el modelo
MA autorregresivo para predecir la aceleración del vehículo en el momento
siguiente. Luego, la aceleración pronosticada del vehículo se usa como una
variable de entrada del modelo KF adaptativo para predecir la ubicación y la
velocidad del vehículo en el momento siguiente, en el cual se cuantifica la
ubicación pronosticada del vehículo en la dirección de movimiento y el carril
de conducción. Finalmente, el ECS transmite el estado previsto a otras
RSU. A través de la comunicación con la unidad de carreteras, todos los
vehículos que se mueven en la intersección pueden compartir estados de
vehículos entre sí. Al hacerlo se puede mejorar de manera eficiente la
seguridad del tráfico en la intersección
PI2: ¿Qué tipo de
aplicaciones utilizando el internet de las cosas se pueden utilizar para el
desarrollo de las ciudades inteligentes?
¿Qué técnicas y dispositivos utilizan en su arquitectura?
Las ciudades inteligentes
proporcionan nuevas aplicaciones basadas en la tecnología de Internet de las cosas (IoT). Además, las redes definidas por software(SDN) ofrecen la posibilidad
de controlar la red en función de los requisitos de las aplicaciones. Uno
de los principales problemas que surgen cuando ocurre una emergencia es
minimizar el tiempo de demora en el envío de recursos de emergencia para reducir
los daños tanto humanos como materiales. Se propone un nuevo sistema de
control basado en la integración de SDN e IoT en entornos de ciudades
inteligentes. Este sistema de control actúa cuando ocurre una emergencia y
modifica dinámicamente las rutas del tráfico urbano normal y de emergencia con
el fin de reducir el tiempo que necesitan los recursos de emergencia para
llegar al área. La arquitectura se basa en un conjunto de redes IoT
compuesto por semáforos, cámaras de tráfico y un algoritmo. El algoritmo
controla la solicitud de recursos y la modificación de rutas con el fin de
facilitar el movimiento de las unidades de servicios de emergencia
La Industria 4.0 proporciona
automatización a través de un sistema ciberfísico (CPS), la interconexión de
las entidades del sistema de bus con el Internet industrial de las cosas
(IIoT), la disponibilidad de información remota a través de la computación en
la nube y las disciplinas científicas (interacción humano-computadora,
inteligencia artificial, máquina aprendizaje, etc.) de integración. El
enfoque de optimización de simulación basado en eventos discretos se encarga
del consumo de energía del autobús de acuerdo con las necesidades de los
pasajeros de la ciudad en tiempo real y los niveles de fricción en la carretera
City Scanner es un enfoque
drive-by con una arquitectura de detección modular, que permite la adquisición
de datos masiva rentable en una multitud de características de la
ciudad. El marco de City Scanner sigue un régimen de IoT centralizado para
generar una visualización casi en tiempo real de los datos detectados. La
plataforma de detección se montó sobre camiones de basura y se recopilaron
datos de vehículos durante ocho meses en Cambridge, MA, EE. UU. Los datos
adquiridos se transmitieron a la nube para su procesamiento y análisis
posterior
El Internet de los vehículos
(IoV) es una convergencia de Internet móvil y el Internet de las cosas (IoT),
donde los vehículos funcionan como nodos u objetos inteligentes en movimiento
dentro de la red de detección. En esta nueva arquitectura universal para IoV
que se puede utilizar para diferentes modelos de comunicación en ciudades
inteligentes se consta de siete capas: capa de identificación de vehículos,
capa de objetos, capa entre dispositivos intra, capa de comunicación, capa de
servidores y servicios en la nube, capa de computación multimedia y de big data
y capa de aplicación
se aplicó un sistema para la
detección y clasificación de hechos delictivos en un subsistema de
videovigilancia en tiempo real en el Centro de Comando y Control de Seguridad
Ciudadana de la Policía Nacional de Colombia. Fue desarrollado utilizando
Deep Learning, específicamente una Red Convolucional Basada en Regiones Más
Rápida (R-CNN) para la detección de actividades delictivas tratadas como
"objetos" para ser detectados en video en tiempo real. Con el
fin de maximizar la eficiencia del sistema y reducir el tiempo de procesamiento
de cada cuadro de video, se utilizó el modelo AlexNet previamente entrenado de
CNN (Convolutional Neural Network) y el entrenamiento fino se llevó a cabo con
un conjunto de datos construido para este proyecto, formado por objetos de
uso común en actividades delictivas como armas de fuego cortas y armas
blancas. Además, el sistema fue capacitado para la detección de robos en
las calles, pudiendo generar alarmas al detectar robos en la calle, armas de
fuego cortas y armas blancas, mejorando la conciencia situacional y facilitando
la toma de decisiones estratégicas
El uso de la computación en
la niebla y el procesamiento de eventos complejos en relación con el contexto
de la ciudad inteligente, se propone un conjunto de aplicaciones desarrolladas
para abordar la violencia de género, que es un problema importante en muchas
jurisdicciones. El sistema de código abierto de Aplicación de Vigilancia
y Alarma por Violencia de Género (SAVIA), cuyo objetivo principal es garantizar
la seguridad de las mujeres bajo la protección de órdenes de
alejamiento. En el sistema SAVIA propuesto, la vigilancia se realiza
mediante aplicaciones móviles / servidor que evalúan continuamente la ubicación
tanto de las víctimas como de los agresores y, si se infringe una orden de
alejamiento, el sistema genera múltiples alertas que se envían tanto a la
víctima como a la policía
MUSANet, es una arquitectura
jerárquica, distribuida y sensible al contexto para recopilar, procesar y
distribuir datos en ciudades inteligentes, aplicada en el monitoreo y la
predicción de llegadas de autobuses en el transporte público y las condiciones
climáticas. Se basa en una arquitectura de tres niveles distribuida en la nube,
la niebla y el borde, y admite el procesamiento de eventos complejos (CEP) en
todos ellos
Impulsados por los
apremiantes requisitos de seguridad pública, las ciudades modernas se están
transformando en entornos ciberfísicos. Este patrón aislado se vuelve
insostenible en escenarios de toda la ciudad que generalmente requieren
agregar, administrar y procesar múltiples transmisiones de video generadas
continuamente por fuentes ISS distribuidas. Por lo tanto, se requiere un
enfoque coordinado para habilitar un ISS interoperable para áreas
metropolitanas, facilitando la sostenibilidad tecnológica evitando la
saturación del ancho de banda de la red. Para cumplir con estos
requisitos, se combina varios enfoques y tecnologías, como, Internet de
las cosas, computación en la nube, computación de borde y big data, en un marco
común para permitir un enfoque unificado para implementar una ISS a escala
urbana, allanando así el camino para la vigilancia inteligente metropolitana
La integración de tecnologías
vehiculares basadas en IoT enriquecerá los servicios, sin embargo, dependiendo
de los diferentes requisitos y modelos de diseño para redes y arquitectura,
dicha integración necesita el desarrollo de nuevas arquitecturas y marcos de
comunicación. Se propone un marco novedoso para el diseño arquitectónico y
de comunicaciones para integrar de manera efectiva las nubes de redes
vehiculares con IoT, denominado VCoT, para materializar nuevas aplicaciones que
brinden varios servicios de IoT a través de nubes vehiculares, poniendo
especial énfasis en las aplicaciones de ciudades inteligentes implementadas,
operadas y controladas a través de redes vehiculares basadas en
LoRaWAN. LoraWAN, al ser una nueva tecnología, ofrece posibilidades de
comunicación eficientes y de largo alcance
· PI3: ¿Qué tipo de
infraestructuras o plataformas se han diseñado como soporte y soluciones
tecnológicas finales para implementar los sistemas de seguridad de las Smart
City?
Las Smart Cities combinan los
avances en Internet de las cosas, Big Data, Redes Sociales y
Tecnologías de Cloud Computing con demanda de aplicaciones ciberfísicas en
áreas de interés público, como Salud, Seguridad Pública y
Movilidad. Las plataformas de middleware pueden proporcionar una
infraestructura integrada que habilita soluciones para ciudades inteligentes
combinando dispositivos urbanos heterogéneos y proporcionando instalaciones
unificadas de alto nivel para el desarrollo de aplicaciones y servicios.
InterSCity, es una plataforma de ciudad inteligente de código abierto basada en
microservicios que permite el desarrollo colaborativo de sistemas, aplicaciones y aplicaciones a gran escala. Los microservicios son un estilo arquitectónico que
promueve la modularidad de un sistema en términos de un
conjunto de servicios distribuidos, detallados e independientes que colaboran a
través de protocolos de red como servicios web o llamadas a procedimientos remotos
El modelo de computación en la nube es responsable de la
información de big data a través de la computación ampliamente distribuida en la nube. La construcción de
ciudades inteligentes, equivale a recopilar, analizar y almacenar los datos
relacionados con las TI. Con el desarrollo de dispositivos móviles de
Internet, como teléfonos inteligentes, tabletas inteligentes, relojes
inteligentes e Internet más ubicuo, diferentes sistemas tecnológicos están
estrechamente vinculados, entre los que se encuentran el big data, la
computación en la nube e Internet. La arquitectura del sistema de información
urbana se basa en la arquitectura de la UIT
(Unión Internacional de Telecomunicaciones). La arquitectura del sistema
se basa en una arquitectura de tres niveles de conocimiento, redes y
aplicaciones. Al implementar y configurar varios tipos de sensores, la
información en la ciudad se recopila rápidamente en múltiples direcciones y se
transmite al sistema a través de cada red de transporte de aplicaciones de
archivos
Los entornos conectados como
Internet de las cosas (IoT) crean una plataforma para que los dispositivos
inteligentes conectados compartan datos de forma colaborativa y proporcionen
abundantes recursos informáticos en el borde de la red. La computación en
la niebla permite el procesamiento y almacenamiento de datos en el borde de la
red, lo que promete reducir el consumo de ancho de banda y hacer que la
vigilancia inteligente de la ciudad sea más efectiva y eficiente
· PI4: ¿Qué técnicas,
infraestructuras, metodologías y arquitecturas se han desarrollado para implementar una Smart City?
Las tecnologías de red
emergentes, como la computación en la niebla y el Internet de las cosas, se
pueden utilizar para facilitar la construcción de ciudades inteligentes,
favoreciendo el desarrollo de los negocios urbanos, la industria, así como la
gestión del turismo y el transporte. Analizando las ventajas de la computación
en la niebla, se propone una arquitectura IoT que resuelve eficazmente los
problemas de procesamiento de big data y escalabilidad de la red, en capas para
hacer que la operación de la ciudad sea más coordinada, eficiente y armoniosa a
través de diversas percepciones inteligentes, procesamiento de información y
medios de transmisión de red
La transmisión de datos de
larga distancia a los centros de datos remotos en la nube conduce a un mayor
retraso y consumo de ancho de banda. En las ciudades inteligentes, las
aplicaciones sensibles a los retrasos tienen requisitos estrictos en términos
de tiempo de respuesta. Para reducir la latencia y el consumo de ancho de
banda, la informática de borde juega un papel fundamental. Los dispositivos inteligentes
con recursos limitados en el núcleo de la red necesitan descargar tareas
computacionalmente complejas a los dispositivos periféricos ubicados en su
vecindad y tener recursos relativamente más altos.
Utilizando una técnica de cifrado simétrico ligero, establecemos una
conexión segura entre los dispositivos de núcleo inteligente para la transmisión multimedia .hacia los dispositivos de borde
registrados y verificados. Al recibir los datos, los dispositivos
periféricos encriptan las transmisiones multimedia, las codifican y las
transmiten a los centros de datos en la nube
Las tecnologías de big data pueden ofrecer
servicios de procesamiento y almacenamiento de datos en un entorno de IoT , mientras que el análisis de datos permite a los empresarios tomar
mejores decisiones. Las aplicaciones de IoT son las principales fuentes de
big data
El procesamiento de datos
eficiente es una necesidad para cumplir con los requisitos diversificados y
estrictos de muchas aplicaciones emergentes de IoT. Debido a los recursos
de almacenamiento y computación limitados, los dispositivos de IoT han recurrido
a la poderosa computación en la nube para procesar sus datos. Sin embargo,
la computación en la nube remota y centralizada puede introducir un retraso de
comunicación inaceptable, ya que su ubicación física está lejos de los
dispositivos de IoT. Se ha introducido la nube perimetral para superar
este problema al acercar la nube a los dispositivos de IoT. La
orquestación y cooperación entre la nube y el perímetro proporciona una
arquitectura informática crucial para las aplicaciones de IoT. La inteligencia
artificial (IA) es una herramienta poderosa para permitir la orquestación
inteligente en esta arquitectura
Las redes de vehículos
conectados se han convertido en una parte esencial de la ciudad inteligente, ya
que brindan un tráfico de datos masivo, así como importantes recursos
informáticos, de comunicación y de almacenamiento en caché. Como los dos
tipos de servicios típicos en la ciudad inteligente, el tráfico tolerante al
retraso y sensible al retraso requiere una calidad de servicio (QoS) / calidad
de experiencia (QoE) muy diferente, y podría entregarse a través de las rutas
con diferentes características para cumplir con su QoS / Requisitos de QoE con
los costos más bajos. La arquitectura de red de vehículos novedosa en el
escenario de la ciudad inteligente, se podrá mitigar la congestión de la
red con la optimización conjunta de las redes, el almacenamiento en caché y los
recursos informáticos. La computación en la nube en los centros de datos,
así como la computación de borde móvil en el nodo B evolucionado y las unidades
integradas, se toman como paradigmas para proporcionar recursos informáticos y
de almacenamiento en caché. El principio de control programable que se
originó a partir del paradigma de redes definidas por software se ha
introducido en esta arquitectura para facilitar la optimización del sistema y
la integración de recursos. Con el modelado cuidadoso de los servicios, la
movilidad del vehículo y el estado del sistema, se propone un esquema de
gestión conjunta de recursos y se formula como un proceso de decisión de Markov
parcialmente observable para minimizar el costo del sistema, que consiste tanto
en la sobrecarga de la red como en el tiempo de ejecución de la computación
La computación en la niebla
se ha considerado un paradigma de computación asequible y sostenible para
habilitar los servicios de IoT de ciudad inteligente. Sin embargo, sigue
siendo un gran desafío para los desarrolladores programar sus servicios para
aprovechar los beneficios de la computación en la niebla. Los
desarrolladores tienen que averiguar muchos detalles, como cómo configurar y
administrar dinámicamente las tareas de procesamiento de datos en la nube y los
bordes y cómo optimizar la asignación de tareas para una latencia mínima y un
consumo de ancho de banda mínimo. Además, la mayoría de los marcos de
cálculo de niebla existentes carecen de modelos de programación de servicios o
definen un modelo de programación basado únicamente en sus propios modelos e
interfaces de datos privados. El modelo de programación de FogFlow permite a
los desarrolladores de servicios de IoT programar servicios de IoT elásticos
fácilmente en la nube y los bordes. Además, admite interfaces estándar
para compartir y reutilizar datos contextuales entre servicios
Las arquitecturas de red de
IoT son intrínsecamente heterogéneas, incluida la red de sensores inalámbricos,
la red de fidelidad inalámbrica, la red de malla inalámbrica, la red de
comunicación móvil y la red vehicular. En cada unidad de red, Los
dispositivos inteligentes utilizan métodos de comunicación apropiados para
integrar información digital y objetos físicos, que brindan a los usuarios
nuevas aplicaciones y servicios interesantes. Sin embargo, la complejidad
de los requisitos de las aplicaciones, la heterogeneidad de las arquitecturas
de red y las tecnologías de comunicación imponen muchos desafíos en el
desarrollo de aplicaciones para el internet de las cosas heterogéneo
(HetIoT). La arquitectura HetIoT de cuatro capas que consta de sensores, redes,
computación en la nube y aplicaciones
Mediante el uso de Internet
de las cosas y el análisis de big data, se puede desarrollar la ciudad
inteligente y la industria inteligente. Por eso, el nuevo enfoque
denominado industria de ciudades inteligentes basado en big data
(SCIB). Esto ayuda a mejorar el rendimiento y a desarrollar la ciudad
inteligente y la industria inteligente incluso mediante el uso de análisis de
big data. Aquí, los datos se recopilan de la ciudad inteligente y los
dispositivos industriales, como la atención médica, los sistemas educativos, la
gestión de la congestión y la red eléctrica. Estos datos se formarán como
un big data y se pasarán a la adquisición de datos para su
digitalización. Además, se almacenará con la ayuda del proceso de
computación en la nube
El modelo de ciudad
inteligente para las grandes ciudades de todo el mundo para mejorar y mejorar
significativamente la calidad de vida de los habitantes, mejorar la utilización
de los recursos de la ciudad y reducir los costos operativos, incluye varias
tecnologías heterogéneas como los sistemas ciberfísicos (CPS), Internet de las
cosas (IoT), redes de sensores inalámbricos (WSN), computación en la nube y
vehículos aéreos no tripulados (UAV). Sin embargo, se necesitan protocolos
de comunicación y redes eficientes para proporcionar la coordinación y el
control necesarios de los diversos componentes del sistema
La aparición del nuevo
paradigma de la computación en la arquitectura de la computación en la nube ha
hecho necesario superar las limitaciones inherentes de la computación en la
nube, como el conocimiento de la ubicación, la escalabilidad, la eficiencia energética,
la movilidad, los cuellos de botella del ancho de banda y el retraso de la
latencia. Para abordar estos problemas se propone un marco de arquitectura
de nube híbrida eficiente junto con la comunicación Li-Fi para una red de IoT
centrada en el ser humano, donde también presenta la arquitectura de la nube
local para reducir la demora de latencia y el costo del ancho de banda y para
mejorar la eficiencia, seguridad, confiabilidad y disponibilidad
Las ciudades inteligentes
dependen en gran medida del uso de diversas tecnologías de software, hardware y
comunicaciones para mejorar las operaciones en áreas como la atención médica,
el transporte, la energía, la educación, la logística y muchas otras, al tiempo
que se reducen los costos y el consumo de recursos. Una de las tecnologías
prometedoras para respaldar estos esfuerzos es la nube de cosas (CoT). CoT
proporciona una plataforma para vincular las partes cibernéticas de una ciudad
inteligente que se ejecutan en la nube con las partes físicas de la ciudad
inteligente, incluidos residentes, vehículos, redes eléctricas, edificios,
redes de agua, hospitales, y otros recursos. Otra tecnología útil es
Fog Computing, que extiende el paradigma tradicional de Cloud Computing al
borde de la red para permitir soporte localizado y en tiempo real para
servicios de ciudad inteligente mejorados en el funcionamiento. Sin
embargo, el enfoque de middleware orientado a servicios (SOM) puede ayudar a resolver
algunos de los desafíos de desarrollar y operar servicios de ciudades
inteligentes utilizando CoT y Fog Computing
Una plataforma de
software de IoT basada en datos es esencial para realizar utilidades
inteligentes manejables y sostenibles y para desarrollar aplicaciones novedosas
sobre ellas. Aquí, se propone la arquitectura de software orientada a
servicios para abordar actividades operativas clave en una utilidad
inteligente: el tejido de IoT para la gestión de recursos y la
plataforma de datos y aplicaciones para la toma de decisiones. Este diseño
utiliza estándares de Web Abierta y protocolos de red en evolución, recursos en
la nube y de borde, y plataformas de transmisión de big data
· PI5: ¿Qué métodos de privacidad y protección de datos
utilizan los sistemas IoT para gestionar una Smart City?
En la infraestructura
convencional basada en la nube de IoT, los datos confidenciales de IoT se
almacenaron en un tercer proveedor de servicios en la nube. Sin embargo,
de esta manera, los datos privados de IoT pueden ser revelados por el servidor
en la nube, ya que el servidor en la nube conoce todos los datos almacenados en
él. Existe un mecanismo de seguro descentralizado basado en la técnica
blockchain para almacenar los datos importantes generados en el sistema
IoT. Este mecanismo resuelve eficazmente los problemas de confiabilidad,
seguridad y privacidad de los datos que se pueden encontrar en el sistema
convencional de nube de IoT
Un sistema de gestión de
datos descentralizado para un transporte inteligente y seguro que utiliza
blockchain e Internet de las cosas en un entorno de ciudad inteligente
sostenible para resolver el problema de la vulnerabilidad de los datos. Un
sistema de movilidad de transporte inteligente exige la creación de un sistema
de tránsito interconectado para garantizar flexibilidad y eficiencia. Este
artículo presenta conocimientos previos y luego proporciona una arquitectura de
datos basada en Hyperledger Fabric que admite un sistema de transporte
inteligente, confiable y seguro
El crecimiento continuo de
datos para el almacenamiento impulsa el rápido desarrollo de todo el mercado de
almacenamiento debido a la gran cantidad de datos generados. Al
proporcionar almacenamiento y administración de datos, el sistema de almacenamiento
en la nube se convierte en una parte indispensable de la nueva
era. Actualmente, los gobiernos, las empresas y los usuarios individuales
están migrando activamente sus datos a la nube. Una cantidad tan enorme de
datos puede crear una riqueza magnánima. Sin embargo, esto aumenta el
posible riesgo, por ejemplo, acceso no autorizado, fuga de datos, divulgación
de información confidencial y divulgación de privacidad
La implementación de la
capacidad de computación en la nube dentro de la red de acceso por radio puede
enfrentar serias amenazas de seguridad, que se derivan no solo de las
tecnologías y redes existentes, sino también del propio IoT basado en MA-MEC. Por
lo tanto, las soluciones para abordar las amenazas de seguridad se investigan
desde la perspectiva de la capa física, ya que las tecnologías de seguridad de
la capa física tienen las ventajas de lograr un secreto perfecto, baja
complejidad computacional y consumo de recursos, y una buena adaptación a los
cambios de canal. Específicamente la codificación segura de escuchas
telefónicas, la asignación de recursos, el procesamiento de señales y la
cooperación de múltiples nodos, junto con la generación y autenticación de
claves de capa física, para hacer frente a los desafíos de seguridad emergentes
Blockchain con su naturaleza
descentralizada, transparente y segura ha surgido como una tecnología
disruptiva para la próxima generación de numerosas aplicaciones
industriales. Uno de ellos es Cloud of Things habilitado por la
combinación de computación en la nube e Internet of Things. En este
contexto, blockchain proporciona soluciones innovadoras para abordar los
desafíos en Cloud of Things en términos de descentralización, privacidad de
datos y seguridad de la red, mientras que Cloud of Things ofrece funcionalidades
de elasticidad y escalabilidad para mejorar la eficiencia de las operaciones de
blockchain. Por lo tanto, un nuevo paradigma de integración de blockchain
y Cloud of Things, llamado BCoT, ha sido ampliamente considerado como un
habilitador prometedor para una amplia gama de escenarios de aplicación
Las ciudades inteligentes
pueden ofrecer nuevas aplicaciones y servicios para aumentar la vida diaria de
los ciudadanos en la toma de decisiones, el consumo de energía, el transporte,
la atención médica y la educación. A pesar de la visión potencial de las
ciudades inteligentes, los problemas de seguridad y privacidad deben abordarse
con cuidado, para diseñar una ciudad inteligente segura, identificar las
soluciones de seguridad y privacidad existentes y presentar desafíos de
seguridad y privacidad en ciudades inteligentes
La razón clave del fallo de
las aplicaciones de ciudad inteligente habilitadas para la nube y la IoT son
las prácticas de seguridad inadecuadas en las primeras etapas de
desarrollo. se propone un marco para recopilar los requisitos de seguridad
durante la fase de desarrollo inicial de aplicaciones de ciudad inteligente
habilitadas para IoT asistidas en la nube. Su arquitectura de tres capas
incluye análisis de partes interesadas con privacidad preservada (PPSA),
modelado y validación de requisitos de seguridad (SRMV) y asistencia segura en
la nube (SCA)
· P16: ¿Cómo puede
incorporarse la inteligencia artificial y sus técnicas para el procesamiento de
datos en el desarrollo de las aplicaciones para una Smart City?
Con el creciente desarrollo
de Internet de las cosas (IoT) y tecnologías de comunicación como 5G, nuestro
mundo futuro se visualiza como una entidad interconectada donde miles de
millones de dispositivos brindarán un servicio ininterrumpido a nuestra vida
diaria y a la industria. Mientras tanto, estos dispositivos generarán
cantidades masivas de datos valiosos en el borde de la red, lo que requiere no
solo el procesamiento instantáneo de datos, sino también el análisis
inteligente de datos para liberar por completo el potencial del big data del
borde. Tanto la computación en la nube tradicional como la computación en
el dispositivo no pueden abordar suficientemente este problema debido a la alta
latencia y la capacidad de computación limitada, respectivamente. Afortunadamente,
la computación de borde emergente arroja luz sobre el problema al impulsar el
procesamiento de datos desde el núcleo de la red remota al borde de la red
local. reduciendo notablemente la latencia y mejorando la eficiencia. Además,
los recientes avances en el aprendizaje profundo han facilitado enormemente la
capacidad de procesamiento de datos, permitiendo un desarrollo emocionante de
aplicaciones novedosas, como la videovigilancia y la conducción
autónoma. Se cree que la convergencia de la informática de punta y el
aprendizaje profundo brinda nuevas posibilidades tanto para las investigaciones
interdisciplinarias como para las aplicaciones industriales
Con el creciente número de
vehículos en las ciudades cada año, se necesita más tiempo para encontrar
plazas de aparcamiento. Los métodos de solución desarrollados ya no son
suficientes. El tiempo que pasa esperando una plaza de aparcamiento en el
tráfico conlleva problemas como la energía, la contaminación ambiental y el
estrés. En este estudio, se desarrolló una nueva aplicación de
estacionamiento inteligente móvil basada en la nube y de aprendizaje profundo
para minimizar el problema de buscar espacios de estacionamiento. Dentro
de la aplicación se ha desarrollado un servicio basado en deep learning con
Long-short-term Memory (LSTM) para predecir la plaza de
aparcamiento. Aquí, Se proporciona acceso dinámico al modelo basado
en LSTM creado previamente a través del dispositivo móvil del usuario, y el
proceso de visualización de las tasas de ocupación de los parques en el lugar
deseado se realiza en el dispositivo móvil ingresando los parámetros
relevantes. Para demostrar la efectividad del modelo, se comparó con los
métodos Support Vector Machine, Random Forest y ARIMA. Los resultados han
confirmado la alta precisión y fiabilidad prometidas. Se han logrado
ahorros tanto de energía como de tiempo
Los dispositivos de Internet
de las cosas (IoT) podrían usarse para la recopilación de datos, que están
relacionados con situaciones de hacinamiento en una ciudad
inteligente. Los centros de datos de computación en la niebla ubicados en
diferentes zonas de una ciudad inteligente pueden procesar y analizar los datos
recopilados para ayudar a los pasajeros a trasladarse sin problemas con un
tiempo de espera mínimo en una situación de hacinamiento. El sistema de
asistencia a pasajeros basado en Q-learning está diseñado para ayudar a los
viajeros a encontrar estaciones de metro y autobús menos concurridas para
evitar largas colas de espera. Los datos de la congestión del tráfico y la
situación de hacinamiento se procesan en los centros de datos de cálculo de
niebla
En las grandes ciudades, el
10% de la circulación del tráfico se debe a los cruceros, ya que los
conductores pasan casi 20 minutos buscando aparcamiento gratuito. Por lo
tanto, es necesario desarrollar un sistema de predicción de disponibilidad de espacio
de estacionamiento que pueda informar a los conductores con anticipación sobre
la ocupación de los estacionamientos por ubicación, día y hora. Se propone
un marco basado en una red profunda de memoria a corto plazo para predecir la
disponibilidad de espacio de estacionamiento con la integración de Internet de
las cosas (IoT), tecnología en la nube y redes de sensores. Utilizando el
conjunto de datos de los sensores de estacionamiento de Birmingham para evaluar
el rendimiento de las redes profundas de memoria a corto plazo. Se
realizan tres tipos de experimentos para predecir la disponibilidad de espacio
de estacionamiento gratuito que se basa en la ubicación, los días de la semana
y las horas de trabajo del día. Los resultados experimentales demuestran
que el modelo propuesto supera a los modelos de predicción de última generación
Para garantizar la seguridad
y la protección en el entorno de la ciudad inteligente, este documento presenta
un enfoque novedoso que permite a las autoridades visualizar mejor las
amenazas, al identificar y predecir las zonas delictivas altamente reportadas
en la ciudad inteligente. Con este fin, primero investiga el agrupamiento
espacial jerárquico de aplicaciones con ruido basado en densidad (HDBSCAN) para
detectar los puntos calientes que tienen un mayor riesgo de que se produzcan
delitos. En segundo lugar, para la predicción de delitos, La Media
Móvil Estacional Auto-Regresiva Integrada (SARIMA) se explota en cada región
densa del crimen para predecir el número de incidentes delictivos en el futuro
con información espacial y temporal. El modelo propuesto de predicción de
delitos basado en HDBSCAN y SARIMA se evalúa en diez años de datos sobre
delitos (2008-2017) para la ciudad de Nueva York (NYC). La precisión del
modelo se mide considerando diferentes escenarios de tiempo, como el año, (es
decir, para cada año), y para la duración total considerada de diez años usando
una proporción de 80:20. El 80% de los datos se utilizó para entrenamiento
y el 20% para pruebas
4.
Conclusiones
La construcción de ciudades
inteligentes se ha convertido en un inevitable proceso de desarrollo urbano. Sin
embargo, para construir una ciudad inteligente, necesitamos lidiar con los
recursos urbanos existentes de manera racional, compensar las deficiencias de
la construcción urbana y construir un plan de desarrollo urbano a largo plazo
para que las ciudades inteligentes se puedan avanzar sin problemas. La
computación en la nube y la tecnología de Internet de las cosas se pueden
utilizar razonablemente en la construcción de ciudades inteligentes. La
tecnología de la información y de la comunicación se puede aplicar en la
industria médica, industria del transporte e infraestructura para cumplir
con los requisitos de desarrollo y promover la perfección de toda la
construcción de la ciudad inteligente. La construcción de ciudades
inteligentes se está desarrollando gradualmente. Aunque la computación en
la nube y la tecnología de Internet de las cosas son beneficiosas para una
amplia gama de aplicaciones, todavía existen muchas deficiencias que aún deben
mejorarse. Por lo tanto, de acuerdo con la situación real, necesitamos
usar racionalmente la tecnología existente para que la construcción de ciudades
inteligentes pueda tener un soporte técnico perfecto y de esta manera promover
la construcción sólida de ciudades inteligentes.
Abbas,
K. a.-L. (2021). Convergence of Blockchain and IoT for Secure Transportation
Systems in Smart Cities. Security and Communication Networks.
Ahmed,
E. a. (2017). The role of big data analytics in Internet of Things. Computer
Networks, 459-471.
Ali,
G. a. (2020). IoT based smart parking system using deep long short memory
network. Electronics, 1696.
Ang,
L.-M. a. (2018). Deployment of IoV for smart cities: applications,
architecture, and challenges. IEEE access, 6473-6492.
Anjomshoaa,
A. a. (2018). City scanner: Building and scheduling a mobile sensing platform
for smart city services. IEEE Internet of things Journal, 4567-4579.
Butt,
U. M. (2021). Spatio-Temporal Crime Predictions by Leveraging Artificial
Intelligence for Citizens Security in Smart Cities. IEEE Access,
47516-47529.
Canli,
H. a. (2021). Deep Learning-Based Mobile Application Design for Smart
Parking. IEEE Access, 61171-61183.
Castillo-Cara,
M. a.-R.-J.-B. (2019). SAVIA: Smart city citizen security application based
on fog computing architecture. IEEE Latin America Transactions,
1171-1179.
Chen,
N. a. (2018). Smart city surveillance at the network edge in the era of iot:
opportunities and challenges. Smart Cities, 153-176.
Cheng,
B. a. (2017). FogFlow: Easy programming of IoT services over cloud and edges
for smart cities. IEEE Internet of Things Journal, 696-707.
Dautov,
R. a. (2018). Metropolitan intelligent surveillance systems for urban areas
by harnessing IoT and edge computing paradigms. Software: Practice and
experience, 1475-1492.
Del
Esposte, A. d. (2019). Design and evaluation of a scalable smart city
software platform with large-scale simulations. Future Generation Computer
Systems, 427-441.
Ge,
C. a. (2020). A blockchain based decentralized data security mechanism for
the Internet of Things. Journal of Parallel and Distributed Computing,
1-9.
Jan,
M. A. (2019). SmartEdge: An end-to-end encryption framework for an
edge-enabled smart city application. Journal of Network and Computer
Applications, 1-10.
Jawhar,
I. a.-J. (2018). Networking architectures and protocols for smart city
systems. Journal of Internet Services and Applications, 1-16.
Jiang,
D. (2020). The construction of smart city information system based on the
Internet of Things and cloud computing. Computer Communications,
158-166.
Khattak,
H. A. (2019). Toward integrating vehicular clouds with IoT for smart city
services. IEEE Network, 65-71.
Kitchenham,
Barbara and Charters, Stuart. (2007). Guidelines for performing systematic
literature reviews in software engineering. (Citeseer, Ed.)
Kumar,
A. a. (2020). A novel simulated-annealing based electric bus system design,
simulation, and analysis for Dehradun Smart City. IEEE Access,
89395-89424.
Li,
M. a. (2018). Delay-tolerant data traffic to software-defined vehicular
networks with mobile edge computing in smart city. IEEE Transactions on
Vehicular Technology, 9073-9086.
Liu,
Z. (2018). Research on the Internet of Things and the development of smart
city industry based on big data. Cluster Computing, 789-795.
Memos,
V. A.-G. (2018). An efficient algorithm for media-based surveillance system
(EAMSuS) in IoT smart city framework. Future Generation Computer Systems,
619-628.
Meslin,
A. a. (2020). Scalable mobile sensing for smart cities: The musanet
experience. IEEE Internet of Things Journal, 5202-5209.
Mohamed,
N. a.-J.-M. (2017). SmartCityWare: A service-oriented middleware for cloud
and fog enabled smart city services. Ieee Access, 17576-17588.
Neelakantam,
G. a. (2020). Reinforcement Learning Based Passengers Assistance System for
Crowded Public Transportation in Fog Enabled Smart City. Electronics,
1501.
Nguyen,
D. C. (2020). Integration of blockchain and cloud of things: Architecture,
applications and challenges. IEEE Communications Surveys & Tutorials,
2521-2549.
Qian,
L. P. (2020). Vehicular Networking-Enabled Vehicle State Prediction via
Two-Level Quantized Adaptive Kalman Filtering. IEEE Internet of Things
Journal, 7181-7193.
Qiu,
T. a. (2018). How can heterogeneous internet of things build our future: A
survey. IEEE Communications Surveys & Tutorials, 2011-2027.
Rego,
A. a. (2018). Software Defined Network-based control system for an efficient
traffic management for emergency situations in smart cities. Future
Generation Computer Systems, 243-253.
Sharma,
P. K. (2018). Li-Fi based on security cloud framework for future IT
environment. Human-centric Computing and Information Sciences, 1-13.
Simmhan,
Y. a. (2018). Towards a data-driven IoT software architecture for smart city
utilities. Software: Practice and Experience, 1390-1416.
Sookhak,
M. a. (2018). Security and privacy of smart cities: a survey, research issues
and challenges. IEEE Communications Surveys & Tutorials,
1718-1743.
Su,
P. a. (2021). Smart city information processing under internet of things and
cloud computing. The Journal of Supercomputing, 1-20.
Suarez-Paez,
J. a.-G.-L. (2019). A novel low processing time system for criminal
activities detection applied to command and control citizen security centers.
Information, 365.
Tariq,
M. U. (2021). Security requirement management for cloud-assisted and internet
of things⇔ enabled smart city. Computers, Materials and Continua,
625-639.
Tariq,
M. U. (2021). Security Requirement Management for Cloud-Assisted and Internet
of Things-Enabled Smart City. CMC-COMPUTERS MATERIALS \ CONTINUA,
625-639.
Tomar,
P. a. (2018). A prototype of IoT-based real time smart street parking system
for smart cities. In Internet of Things and Big Data Analytics Toward
Next-Generation Intelligence (pp. 243-263). Springer.
Wang,
D. a. (2019). Enhancing information security via physical layer approaches in
heterogeneous IoT with multiple access mobile edge computing in smart city. IEEE
Access, 54508-54521.
Wang,
F. a. (2020). Deep learning for edge computing applications: A
state-of-the-art survey. IEEE Access, 58322-58336.
Wu,
Y. (2020). Cloud-edge orchestration for the internet-of-things: Architecture
and ai-powered data processing. IEEE Internet of Things Journal.
Yang,
P. a. (2020). Data security and privacy protection for cloud storage: A
survey. IEEE Access, 131723-131740.
Zhang,
C. (2020). Design and application of fog computing and Internet of Things
service platform for smart city. Future Generation Computer Systems, 630-640.