Краткая аннотация

В современном мире технологии Интернета Вещей окружают нас во всех сферах деятельности, будь то поиск в Интернете, социальные сети или взаимодействие с окружающим миром. Различные устройства (виртуальные/реальные) постоянно взаимодействуют с человеком или друг другом, формируя огромные системы, генерирующие информационные потоки, анализ которых позволяет взглянуть по-новому на различные сферы.

Мы развиваем технологии, позволяющие по-новому взглянуть на взаимодействие окружающих нас устройств и систем. Основной набор методик и подходов в современном Интернете Вещей – граничные вычисления. Они включают в себя коммуникацию между устройствами, распределение ресурсов, а также решение сложных задач на малопроизводительных системах. Концепция граничных вычислений требует подготовки исследователей и специалистов, обладающих определёнными знаниями и навыками, а также понимаем возможного развития Интернета Вещей в будущем. Наиболее актуальные для таких специалистов технологии: компьютерные сети различных видов – проводные: Ethernet, PPPoE, беспроводные (в том числе самоорганизующиеся): Wi-Fi, Bluetooth, BLE, ZigBee; технологии обработки данных – язык Python с библиотеками для обработки данных (numpy, pandas и т.п.) и машинного обучения (sklearn); базы данных (реляционные, графовые, NoSQL); скриптовые языки программирования – Bash; системные языки программирования (C/C++, Rust); веб-технологии – язык Java на базовом уровне; сетевое и системное администрирование; электроника и электротехника на базовом уровне.

Направления работы

1. Разработка программного обеспечения для кластера из одноплатных компьютеров для организации вычислений в «Граничном слое» Интернета Вещей с применением экспериментальной распределенной программно-аппаратной архитектуры. Проект предполагает реализацию управляющего сервера, слоя хранения и распределения данных, слой самоорганизации кластера на основе доступных устройств.
   Примеры решаемых задач:
   • Организация распределенного кластера на основе доступных устройств (ресурсов).
   • Разработка метода конфигурирования и объединения устройств для организации кластерных вычислений.
   • Анализ статических и потоковых данных с применением Машинного Обучения.
2. Разработка системы опроса и сбора данных с устройств на базе сети LoRaWan, ZigBee, BLE и т.д. Существует огромное количество устройств, генерирующие данные, часто, эти устройства находятся в различных сетях, и организовать взаимодействие между ними не всегда возможно. Однако, данные генерируемые этими устройствами могут качественно улучшить взаимодействие с системой или дать новые знания. В данном проекте стоит задача разработать сервер опроса и взаимодействия с устройствами в гетерогенных сетях с целью их объединения в единую информационную систему с визуализацией темпоральных данных.
   Примеры решаемых задач:
   • Получение данных с устройствов, использующие различные сети коммуникации и сетевые протоколы.
   • Анализ полученных данных с использованием машинного обучения, прогнозирование.
3. Разработка системы жестового взаимодействия с устройствами Интернета Вещей с использованием средств носимых устройств (телефон, браслеты, “умные часы”.
   Примеры решаемых задач:
   • Отдача команд на устройств для их включения / выключения.
   • Взаимодействие с информационными системами (авторизация, получение данных).
4. Разработка системы распознавания жестов с использованием глубинных камер для взаимодействия с устройствами Интернета Вещей. Проект направлен на развитие одного из вариантов взаимодействия с окружением посредством распознавания жестов в пространстве.
   Примеры решаемых задач:
   • Cпособ взаимодействия с активными устройствами по средствам распознавания жестов.

Стек технологий

1) User and Organizations

• Инструменты гибкой разработки (Agile)
• Тайм-менеджмент и планирование временем

2) System Modeling

• Системное моделирование (UML)
• Анализ требований

3) Software Development

• Программирование на языке Python, Java, C. а также Apache2/PHP/JS,
• Базы Данных MySQL, innoDB, SQlite
• Использование библиотек и платформ: Tensorflow Lite, машинного обучения (sklearn), librealsense, Spring, ReactJS.

Кем станет студент по завершению магистратуры

В зависимости от выполняемых задач внутри проекта выпускник может стать:

• исследователем
• системным архитектором
• инженером-программистом
• проектировщиком систем Интернета Вещей
• инженером машинного обучения

Пререквизиты (входные требования)

Для участия в проекте необходимы базовые знания по следующим направлениям:

• дискретная математика
• математическая статистика
• теория алгоритмов
• математическая оптимизация
• математическая логика
• машинное обучение
• программирование на языках Python, C, Java
• базовое понимание принципов работы компьютерных сетей