Las simulaciones de rendimiento de edificios pueden informar sobre fugas de privacidad de IoT en edificios

Jul 19, 2023

Scientific Reports volumen 13, Número de artículo: 7602 (2023) Citar este artículo

567 Accesos

83 Altmetric

Detalles de métricas

A medida que los dispositivos IoT se vuelven más baratos, más pequeños y más ubicuos, pueden revelar más información que su diseño previsto y amenazar la privacidad del usuario. Los sensores de calidad ambiental interior (IEQ) previamente instalados para el ahorro de energía y el control de la salud interior han surgido como una vía para inferir información confidencial de los ocupantes. Por ejemplo, los sensores de luz son un conducto conocido para inspeccionar el estado de ocupación de la habitación con luces sensibles al movimiento. Las señales de luz también pueden inferir datos confidenciales, como la identidad del ocupante y la información de la pantalla digital. Para limitar el alcance excesivo del sensor, exploramos la selección de ubicaciones de sensores como metodología. Específicamente, en esta exploración de prueba de concepto, demostramos el potencial de los modelos de simulación basados ​​en la física para cuantificar la cantidad mínima de posiciones necesarias para capturar inferencias sensibles. Mostramos cómo un solo sensor bien ubicado puede ser suficiente en contextos de construcción específicos para capturar de manera integral sus estados ambientales y cómo sensores adicionales bien ubicados pueden contribuir a inferencias más granulares. Contribuimos con un flujo de trabajo adaptable al edificio y agnóstico del dispositivo para capturar respetuosamente la actividad inferible de los ocupantes y profundizar en las implicaciones de incorporar simulaciones de edificios en esquemas de detección en el mundo real.

Debido a la mayor conciencia de las medidas de reducción de energía en los edificios durante las últimas dos décadas, se han introducido numerosos avances tecnológicos para monitorear los cambios en las condiciones interiores. Los sensores y actuadores se han integrado cada vez más en los edificios para reducir el consumo total de energía y mejorar la comodidad de los ocupantes1,2. Por ejemplo, los sistemas de automatización de edificios pueden reducir el consumo de energía de un edificio al atenuar la iluminación artificial cuando se detecta suficiente luz natural en el edificio3. El edificio también puede utilizar sensores de ocupación y calidad del aire para reducir la demanda de energía de las unidades de calefacción, ventilación y aire acondicionado (HVAC) en previsión de la presencia o la comodidad de los ocupantes4. La cantidad de sensores instalados en edificios solo crecerá con el aumento de los precios de la energía y los beneficios conocidos de los entornos inteligentes5. Sin embargo, aún existen numerosos desafíos para el uso de datos recopilados por sensores para mejorar la utilidad de los ocupantes.

En primer lugar, y fundamentalmente, los sensores tienen diferentes frecuencias de recopilación de datos, por lo que los investigadores no pueden simplemente comprar cualquier sensor ambiental e instalarlo para capturar toda la actividad que ocurre en el interior. La frecuencia de recopilación de datos restringe los tipos de comportamientos de los ocupantes que se pueden inferir. Por ejemplo, el teorema de muestreo de Nyquist-Shannon demuestra que es necesario muestrear a más del doble del componente de frecuencia más alta de la señal para invertirla correctamente6. Las diferencias de escala de tiempo significan que los investigadores no pueden usar una cámara de una imagen por 30 segundos para capturar el comportamiento de los sujetos que ocurren cada 15 segundos sin perder datos. Aumentar la frecuencia, en el otro extremo, puede causar otros efectos no deseados, como el alias de la señal. Todavía se requiere que un investigador (diseñador o administrador de instalaciones) decida las especificaciones del sensor instalado, como la frecuencia, el modo y la variable observada; el acto mismo de comprar el hardware restringe a perpetuidad el comportamiento observable aguas abajo.

En segundo lugar, las ubicaciones de los sensores tienen un gran efecto en la utilidad posterior de los datos recopilados por el sensor, pero la ubicación a menudo se pasa por alto o comienza aleatoriamente y luego se mejora iterativamente7. Los sensores desplegados en posiciones incorrectas pueden dar como resultado lecturas incorrectas8,9, pero puede parecer más conveniente instalar sensores y comenzar a recopilar datos lo antes posible. Además, los sensores instalados anteriormente para evaluar un edificio pueden volverse insuficientes o indeseables para los nuevos usos del espacio. Por ejemplo, algunos residentes pueden mudarse, lo que hace que los sensores anteriores en ubicaciones que ya no están ocupadas sean redundantes. Del mismo modo, pueden mudarse residentes adicionales, lo que hace que la cobertura anterior sea inadecuada para el nuevo uso del espacio. Optimizar la posición y la cantidad de sensores puede resultar en un menor consumo de energía y mejores lecturas, pero es un desafío incorporar y mantener las consideraciones de contextos cambiantes y objetivos de detección para una cantidad de sensores escalable manualmente.

Por último, en la conveniencia de recopilar cada vez más datos, los sensores instalados pueden exponer inadvertidamente más información de la necesaria para su uso previsto, lo que genera preocupaciones de privacidad para los ocupantes. Por ejemplo, el paradigma de "detección por proxy" demuestra cómo las mediciones de proxy como \(\hbox {CO}_2\) pueden inferir el recuento de ocupantes y la actividad10,11. Otros sensores también han observado información granular similar sobre la actividad de los ocupantes. Por ejemplo, las actividades de cocina se pueden observar a través de la fluctuación de PM 2.512. El uso granular de dispositivos también se puede desagregar de manera efectiva a través del monitoreo de carga no intrusivo13. Por ejemplo, electrodomésticos como cafeteras y secadores de cabello pueden tener firmas únicas de uso de energía relacionadas con los procesos de puesta en marcha y la composición física del electrodoméstico. Al instalar un monitor de carga a nivel de circuito, el uso total de energía se puede desagregar de las contribuciones individuales en función de las firmas únicas del dispositivo, lo que permite inferencias invasivas de la actividad de los ocupantes sin necesidad de instalar ningún sensor dentro del edificio. Otros ejemplos, como el uso de cámaras y amplificación de movimiento, han permitido a los investigadores exagerar la vibración de las bolsas de refrigerios y aplicar ingeniería inversa a los sonidos descifrables utilizando datos visuales14.

A medida que más proyectos utilizan el aprendizaje automático y otros métodos computacionales para recuperar datos confidenciales del entorno interior, consideramos si existen métodos computacionales similares para ayudar a reducir la información inferible de los sensores y proteger la privacidad de los ocupantes del edificio. Una vía prometedora que puede ayudar a las instalaciones de sensores a superar el posible exceso de detección es la intersección de las simulaciones y las ubicaciones de los sensores15. Tradicionalmente, las simulaciones se han utilizado para evaluar diferentes atributos de rendimiento del edificio durante la fase de diseño. La orientación de los edificios y la ubicación de las ventanas, por ejemplo, se pueden explorar y cuantificar utilizando una puntuación llamada autonomía de la luz del día16. Las simulaciones de las condiciones climáticas y el movimiento del sol, junto con la ubicación del edificio, el tamaño, el material y la orientación de la ventana y la habitación, permiten a los arquitectos descubrir la cantidad total de tiempo durante todo un año cuando la luz del día puede efectivamente sustituir a la iluminación artificial. Se pueden encontrar simulaciones y métricas similares para HVAC, donde dadas las horas en que el edificio estará ocupado, se puede predecir y cuantificar el tamaño de la habitación, la ocupación esperada, el uso total de energía y el flujo de aire requerido17. Las cualidades acústicas de un edificio también se pueden diseñar y adaptar para que coincidan mejor con el uso previsto del espacio, como reverberaciones más largas para salas de música y reverberaciones más cortas para aulas18. El momento en la tubería durante el cual se utilizan estas simulaciones representa un discurso fundamental en los gemelos digitales19. Específicamente, un modelo de simulación puede ayudar a optimizar la colocación de sensores para informar sobre la actividad de los ocupantes, y no necesita ejecutarse en tiempo real en paralelo al gemelo físico para que tenga un impacto duradero en el entorno inteligente.

En comparación con los métodos manuales o autónomos de optimización de la posición del sensor, en los que se utilizan robots para tomar muestras del entorno de forma rutinaria y descubrir iterativamente las posiciones más óptimas para los sensores ambientales estáticos20, las simulaciones permiten una alternativa de bajo costo para probar posiciones ilimitadas de sensores virtuales a costa de potencia de cálculo. Además, en lugar de navegar por los protocolos de las juntas de revisión institucional (IRB) o la logística del entorno (p. ej., para evitar una fiesta o un evento de orador en el edificio), las simulaciones permiten a los investigadores evitar una amplia gama de complejidades que pueden causar interrupciones no triviales para ambos. administradores del estudio y participantes del estudio. Los investigadores (diseñadores u otros tomadores de decisiones) pueden ejecutar escenarios hipotéticos ilimitados para ver cómo los diferentes factores ambientales o relacionados con el usuario pueden afectar los cambios en la señal descendente antes de interactuar con el entorno físico. Por ejemplo, el movimiento de los ocupantes se puede simular usando agentes artificiales para evaluar la facilidad de navegar por el espacio en caso de emergencias21, el movimiento del sol se puede simular usando información histórica del cielo22 y los modelos estocásticos se pueden usar para simular la interacción de los ocupantes con el edificio. controles23.

En este artículo, demostramos el potencial de los modelos de simulación basados ​​en la física para cuantificar la cantidad mínima de posiciones necesarias para capturar inferencias sensibles. Mostramos cómo un solo sensor bien ubicado puede ser suficiente en contextos de construcción específicos para capturar de manera integral sus estados ambientales y cómo sensores adicionales bien ubicados pueden contribuir a inferencias más granulares. Específicamente, nos enfocamos en las simulaciones de iluminación como un caso de prueba debido a su accesibilidad y naturaleza geométricamente dependiente. Respondemos dos preguntas de investigación:

RQ1: ¿Cuáles son los desafíos al traducir las inferencias de iluminación encontradas en el mundo real a las inferencias encontradas en las simulaciones? Y,

RQ2: ¿Cómo se puede usar la simulación de iluminación para informarnos sobre cuán informativos son los supuestos sobre el uso del espacio de un conjunto de posiciones de sensores de luz?

Abogamos por el uso de la simulación como una herramienta estándar para (1) identificar la ubicación ideal para los sensores y minimizar la cantidad de sensores distribuidos y (2) identificar la información potencial que los sensores pueden recopilar cuando se implementan en la vida real al mostrar las capacidades de las simulaciones. para calcular exhaustivamente los estados del edificio que contienen actividad granular de los ocupantes. En otras palabras, mostramos cómo el entorno simulado permite a los investigadores evaluar los efectos que la posición de los sensores y la geometría del edificio pueden tener en las inferencias de la actividad de los ocupantes. El flujo de trabajo demuestra una vía para que los futuros investigadores verifiquen las posibles inferencias de las posiciones de los sensores existentes o utilicen el "ajuste de las posiciones de los sensores" como método para limitar el exceso de inferencia de los sensores.

Consideramos el escenario en el que un investigador está tratando de determinar el estado de encendido y apagado de las luminarias individuales. Dada la naturaleza aditiva de la luz, nos acercamos a descomponer la contribución de luz sumada en un punto del sensor en el edificio al formularlo como un problema de suma perfecta con un umbral de ruido \(\epsilon\). Dado que la intensidad de la luz disminuye igual al inverso del cuadrado de la distancia desde la fuente, y cada luminaria tiene datos fotométricos, mover la ubicación final de un sensor de luz a una distancia variable lejos de las fuentes de luz puede permitir desagregar las contribuciones individuales. Por ejemplo, podemos utilizar la geometría y la caída de la intensidad de la luz por distancia para coordinar huellas dactilares únicas para cada luminaria en el rango. Además, tener la capacidad de utilizar todo el espacio del edificio como posibles áreas de ubicación permite a los investigadores explorar exhaustivamente la capacidad de utilizar conjuntos de posibles posiciones de sensores que tradicionalmente requieren repetidas pruebas y errores para capturar.

Sea \(L= [l_0, l_1,... l_{n-1}]\), donde L es un vector de configuración de n estados de fuente de luz individuales \(l_i\in \{0,1\}\). Entonces, para cualquier ubicación s, dada una configuración L, vemos el vector de contribución \(X(s,L) = [x_0, x_1, ..., x_{n-1}]\), donde las contribuciones de cada fuente de luz \(x_i\) corresponde a cada estado de luz \(l_i\) modificado por distancia y obstrucción. El número máximo de configuraciones posibles es entonces igual a la cardinalidad de la potencia establecida con cada fuente de luz, o \(2^{n}\).

Dado un solucionador de suma perfecto, podemos tomar una suma objetivo \({{\textbf {K}}}\), un umbral \(\epsilon\) y una lista de contribuciones individuales \([x_0,x_1,...x_ {n-1}]\) y devolver una lista de listas que contienen todas las combinaciones posibles de contribuciones que suman \({{\textbf {K}}}\pm \epsilon\). Cada lista corresponde a una posible configuración que se ajusta a las restricciones, pero dado que, en última instancia, solo una configuración es correcta, calculamos la precisión de cada inferencia usando \(\text {Precisión} = \frac{|L \cap L_{\text {infer }}|}{|L \cup L_{\text {inferir}}|}\) y devolver la media.

Las lecturas del sensor de múltiples puntos no siempre corroboran las mismas configuraciones de iluminación. Para superar esto, eliminamos la ambigüedad de las inferencias de configuración de luces desalineadas mediante el uso de un vector de votación \(V(s,L) = \begin{bmatrix} v_{0}, v_{1}, ... v_{n} \end{bmatrix }\), de cada sensor, donde \(v_{i}\) es 1 si se determina que la luminaria está encendida, −1 si se determina que la luz está apagada y 0 si no se puede detectar la luz (es decir, el sensor está fuera del alcance de la luminaria). La inferencia final se elige en base a los votos sumados. Si el valor es mayor que cero, la luminaria está encendida. Si el valor final es inferior a cero, consideramos la luminaria apagada.

Para generalizar la detección del mundo real a las simulaciones de construcción, introducimos un umbral de error \(\tau\) y definimos un vector de distinción \(D_{\tau }\) como:

Por ejemplo, dada una contribución, \(X(s,L) = [1, 2, 4]\), si el umbral de error \(\tau = 1\), entonces \(D_{1}(X(s ,L)) = [0, 0, 1]\) y la puntuación de distinción \({{\textbf {D}}}_{1} = \sum {D_{1}} = 1\). Sin embargo, dado \(\tau = 0.5\) para la misma contribución, \(D_{0.5}(X(s,L)) = [1, 1, 1]\), entonces \({{\textbf { D}}}_{0.5} =3\). La suma del vector de distinción nos ayuda a descifrar el número total de estados de iluminación detectables en una posición determinada y explica la resolución del sensor al asignar crédito. Utilizamos esta puntuación en nuestras simulaciones, donde los sensores de luz virtual en la simulación no tienen la degradación del lumen adicional y otros términos de ruido de medición.

Para nuestras inferencias de actividad, tenemos en cuenta \(j=3\) ángulos de puerta (es decir, \(\{0^{\circ }, 45^{\circ }\), \(90^{\circ }\} \)), para puertas \(m=2\). Para encontrar la puntuación de distinción para cada estado de aplicación dado, a es entonces:

Debido a que elegir la combinación mínima de ubicaciones de sensores que pueden detectar todas las aplicaciones posibles es un problema NP-Hard conocido llamado Problema de cobertura mínima (MSC), por simplicidad, visualizamos los estados inferibles solo para el escenario de un solo sensor. Finalmente, mostramos un conjunto de ejemplo de ubicaciones de sensores de luz que pueden capturar nuestra variable latente y los estados de luz del edificio utilizando un algoritmo conocido para el problema MSC: la aproximación de cobertura de conjuntos codiciosos (GSCA)24. Para ver si un conjunto de sensores de luz captura la información dinámica del edificio, podemos usar todos los estados de la aplicación como el universo de estados para cubrir un umbral \(<\tau\) contra todas las demás filas de ubicaciones de sensores para la misma columna de estado de la aplicación para informar a los miembros, para encontrar el subconjunto mínimo de ubicaciones de sensores necesarios para cubrir la totalidad de los estados de la aplicación. Nuestro objetivo es el uso de puertas debido a su naturaleza fija. La apertura y el cierre de puertas tienen un gran efecto en la iluminación percibida por los sensores, con el potencial de bloquear secciones de iluminación por completo de manera consistente. Además, el uso de la puerta es una visión más profunda del uso del espacio que los sensores de luz no esperan. Usar el baño, el dormitorio o la sala de estar naturalmente implica abrir y cerrar luces y puertas. En este caso, donde la iluminación no se apaga automáticamente, ser capaz de discernir el movimiento de la puerta incluso cuando todas las luces están encendidas permite hacer inferencias más granulares sobre el uso del espacio.

Como se muestra en la Fig. 1, incluso para una sola fuente de luz, el ángulo del estado de reposo de una puerta puede afectar significativamente la señal de luz detectada final. Usando estos métodos, realizamos dos experimentos: (1) implementamos sensores de luz en el entorno residencial modelado para explorar desafíos del mundo real con la detección de estados de luz y la fusión de inferencias de múltiples sensores, y (2) modelamos el edificio residencial y simulamos un conjunto de elementos de construcción dinámicos para analizar el número de estados de luz y estados latentes que se pueden observar. El estudio del mundo real se realizó primero como un control de cordura; si podemos colocar sensores arbitrariamente usando solo la inteligencia humana, no es necesario utilizar simulaciones para respaldar las ubicaciones de los sensores. El estudio de simulación se llevó a cabo para ver si el espacio de simulación corroboraría los hallazgos encontrados en nuestro estudio del mundo real y también para medir la cantidad mínima de sensores que pueden capturar un conjunto de comportamiento luminoso disruptivo.

Las relaciones entre los elementos de construcción y la iluminación se pueden utilizar para informar sobre los cambios en el entorno físico.

En el mundo real, adaptamos todas las lámparas de un edificio residencial de apartamentos con lámparas Philips Hue A19 de 800 lúmenes y 10 vatios y agrupamos cada juego de luces en su luminaria correspondiente. Por ejemplo, se pueden asociar de dos a tres lámparas con cada interruptor de luz. Controlamos cada lámpara Philips Hue utilizando Hue API y Python para limitar la necesidad de modificar los interruptores de luz manualmente. Luego usamos Raspberry Pi 4s conectados con sensores de luz CQRobot TSL2591X con un rango de detección efectivo de 0–88,000 Lux como nuestro sensor, comunicándonos usando la interfaz I2C con el Pi. Para tener en cuenta las fluctuaciones, usamos los valores medios de lux durante 3 segundos como líneas de base, recopilados a 4,7 Hz después de que nuestro código cambiara la configuración de configuración de iluminación L durante 3 segundos debido a los cambios en la intensidad de la luz durante las transiciones de estado. Usamos la proximidad de las fuentes de luz como guía para instalar los sensores de luz en cada ubicación y orientación, como se muestra en la Fig. 2. Específicamente, buscamos visualmente las posiciones de los sensores en diferentes paredes, lo que les permitió capturar la luz de diferentes fuentes de luz. fuentes. Luego, movimos nuestro sistema de sensores en cada posición y automatizamos las transiciones de iluminación usando Raspberry Pi, exportando los datos finales a un archivo CSV para el procesamiento posterior. La precisión final que informamos se explica en los resultados, donde la verdad básica es el comando de entrada que usamos para automatizar los estados de luz. Para instalar un conjunto inicial de sensores, identificamos paredes en el banco de pruebas que todas las luminarias pueden alcanzar y luego colocamos siete sensores en esas paredes, siete pies por encima del piso que se muestra en la Fig. 2. La idea es ver si es posible instale sensores en ubicaciones que eviten el ruido en los datos causado por las sombras en el tráfico humano, el reflejo de los muebles y otros LED de electrodomésticos y objetos. Esto nos permite detectar con precisión el estado de iluminación del edificio para el escenario de puerta abierta estática antes de sumergirnos en las permutaciones de puertas en el experimento de simulación.

Diseño de edificios e iluminación. Los números indican las posiciones del sensor de luz y las letras indican las fuentes de luz. Las líneas discontinuas indican los límites geométricos que usamos para buscar nuestras paredes candidatas para instalar los sensores.

En una simulación, utilizamos saltamontes para parametrizar múltiples movimientos de puerta y simulamos cada una de las combinaciones de ángulo de puerta asignadas usando Rhino25. Luego usamos el plug-in de saltamontes honeybee26 como lo hicimos en nuestro trabajo anterior27 para extraer las contribuciones de iluminación en cada punto del sensor. En esencia, el complemento actúa como un middleware que toma la geometría del edificio y los archivos de iluminación fotométrica (archivos IES) que describen la distribución de intensidad geométrica de la luz y los pasa al motor de renderizado de iluminación radiance28. Se supuso que el experimento se realizaría de noche con ventanas cubiertas para evitar fuentes de luz externas. Usamos el material predeterminado de simulación para todos los objetos de pared, piso, techo, puerta y ventana. Para los archivos de iluminación fotométrica, utilizamos luces de techo genéricas empotradas para las luminarias A, B, C, E y F y una luminaria de aplique de pared genérica para D. Automatizamos las entradas al flujo de trabajo del saltamontes y exportamos los archivos de texto que convertimos para el procesamiento posterior utilizando módulos de Python dentro de grasshopper. El proceso devuelve una representación de luz con trazado de rayos del edificio para cada posición de sensor virtual definida. Extraemos cada valor de iluminación para el posprocesamiento pasándolo a través de los solucionadores Perfect Sum y el algoritmo GSCA. Este flujo de trabajo nos permitió explorar posibles diferencias de iluminación en el entorno general sin necesidad de colocar físicamente nuevos sensores, cambiar qué luminarias estaban encendidas y apagadas y mover las puertas en el mundo real.

Primero realizamos un estudio de factibilidad para explorar los desafíos potenciales de recopilar datos de sensores manualmente. Luego usamos las experiencias que aprendimos para informar nuestro modelado del edificio en el espacio de simulación. A continuación resumimos el experimento del mundo real y el experimento de simulación.

La Figura 3 muestra la dispersión de la precisión individual para esas ubicaciones. La mediana de la precisión de las inferencias estuvo generalmente por encima del 80 %, y la ubicación 6 tuvo la mediana de precisión más baja. Sospechamos que esto se debe a que la dirección en la que mira el sensor es directamente opuesta a la luminaria F y las luces reflejadas en la pared son menos potentes que la caída de intensidad debido a la distancia. En general, aún encontramos que es posible desagregar todos los estados de luz posibles usando un solo sensor (es decir, un sensor de luz ubicado en la posición 4), pero muchos factores pueden contribuir a las inferencias imperfectas. Por ejemplo, cuando un ocupante cierra la puerta de cualquier habitación, los sensores externos pierden la información sobre el estado de la luz en esa habitación. También experimentamos situaciones en las que el estado de luz inferido de las señales no se alinea entre sí, porque el ruido en el entorno y el sensor era mayor que la resolución requerida para diferenciar los estados. Por ejemplo, la contribución de iluminación de dos fuentes de luz diferentes puede sumar lo mismo (por ejemplo, 2 + 5 y 3 + 4, ambos iguales a 7), lo que genera lecturas ambiguas. Esto nos llevó a utilizar un mecanismo de votación para reducir el error general del sistema, que se describe con más detalle en la sección "Métodos".

Cuando automatizamos los estados de iluminación, también nos dimos cuenta de que, a diferencia de lo que puede suceder en las simulaciones, el encendido y apagado de las luces en el mundo real no es instantáneo. Específicamente, al encender las luces, hay un tiempo de inicio distinguible cuando la luz comienza a atenuarse después de que se acciona el interruptor y se acerca a su brillo final después de un retraso. Además, al reacondicionar las luminarias, notamos que no todas las luces usaban las mismas bombillas y que probablemente las áreas más frecuentadas tenían bombillas que se reemplazaban con más frecuencia. Esto sugiere que hacer un seguimiento del uso de la luz en un edificio también puede ser útil para rastrear qué luces deben reemplazarse y tener en cuenta la degradación del brillo de las lámparas con el tiempo. Finalmente, encontramos que la cantidad de sensores, microcontroladores y salidas disponibles también imponen un límite a la cantidad de posiciones que se pueden probar a la vez. Además de comprar un cable de extensión largo para mover nuestro aparato de detección por el edificio, también nos habíamos adherido a un procedimiento de mover sensores, instalar sensores, pasar por todos los estados de luz y desinstalar sensores para detectar cada posición.

Precisión de inferencia de estado de luz para cada una de las 7 posiciones para 64 estados de iluminación posibles para posiciones seleccionadas manualmente. Los triángulos marcan la precisión media para cada ubicación del sensor, mientras que la línea que cruza el centro del cuadro marca la precisión media.

Compilación de la puntuación de distinción \({{\textbf {D}}}_{0.01}\) mapas de calor para cada configuración de edificio. Además de la resolución del sensor, la configuración física del edificio también puede alterar sistémicamente los estados inferibles del conjunto de sensores. Tenga en cuenta que la escala de la Figura ((a) a (i) está en una escala de 64, mientras que la escala agregada en (j) está en una escala de 576.

Utilizando la información que aprendimos del experimento del mundo real, desarrollamos una simulación de iluminación que se desvió de las simulaciones de iluminación tradicionales para explorar ubicaciones donde las instalaciones de sensores estáticos pueden brindarnos la mayor cantidad de información. Específicamente, en nuestra simulación de iluminación, incluimos paredes en lugar de usar el plano de trabajo tradicional, un plano imaginario ubicado al nivel de un escritorio donde se realiza el trabajo, porque no estamos interesados ​​​​en la utilización del espacio sino en la capacidad de instale sensores estáticos reales y detecte diferentes comportamientos en el espacio (por ejemplo, el comportamiento del interruptor de luz). Los resultados de la simulación se muestran en la Fig. 4. Las figuras 4a a 4i representan los diferentes estados de los elementos de construcción dinámicos, y el mapa de calor muestra la puntuación de distinción \({{\textbf {D}}}_{0.01}\ ) valor de 0 a 64, que representa el número de estados colectivos que puede detectar un sensor colocado en la ubicación. La Figura 4a representa una simulación típica de detección de luz, donde no se considera el movimiento de elementos de construcción adicionales. En este escenario, se pueden utilizar muchas posiciones en el centro de la habitación a las que pueden llegar todas las luces para inferir el estado de iluminación de todas las luminarias. En la Fig. 4b–i, mostramos que estas posiciones intermedias informativas disminuyen a medida que las puertas se cierran y bloquean las contribuciones de iluminación de diferentes fuentes. En la Fig. 4d y e, cuando todas las puertas todavía están parcialmente abiertas, vemos una ligera reducción en las áreas que aún pueden hacer todas las inferencias específicas. Sin embargo, en la Fig. 4c, f, g, h e i, vemos que la inferencia total posible disminuye visiblemente de la mitad a las tres cuartas partes.

La figura 4j representa la ubicación única más informativa que representa todos los estados de puerta posibles. Así como hay ubicaciones informativas en el medio, también observamos que hay puntos de información perdida, zonas oscuras que tienen un potencial de inferencia más bajo. Este es el resultado del choque de combinaciones de aportes de luz que conducen a lecturas ambiguas. De manera comparable, mientras que la Fig. 4i tiene un menor número de posibles inferencias en el medio, también hay menos "puntos oscuros" informativos como resultado de las colisiones. La figura 4k muestra cómo Greedy Set Cover Aproximation (GSCA) encontró una ubicación única que puede detectar todos los estados de luz, pero la figura 4l muestra que la mejor ubicación anterior ya no es válida cuando consideramos la apertura y el cierre de puertas. Más específicamente, podemos ver un conjunto de sensores que se colocan en las profundidades de las habitaciones lejos de las áreas ruidosas del centro, lo que ayuda a eliminar la ambigüedad de las lecturas cuando las señales de iluminación están enturbiadas por la reflexión y la atenuación en el área central.

La conclusión clave de nuestro estudio es que: la posición del sensor es importante y las simulaciones se pueden usar para cuantificar cuán importante es la posición. Al cuantificar la información inferible en la simulación, los operadores de edificios pueden ajustar el espectro de utilidad de privacidad para saber dónde debe ocurrir la instalación del sensor antes del despliegue. La cantidad y la ubicación de los sensores se pueden modificar para eliminar deliberadamente posibles inferencias basadas en los atributos físicos del entorno. Incluso después de la implementación, la simulación aclara dónde se encuentra la instalación actual en este espectro y las formas de navegar esta compensación. En nuestro escenario, esta compensación entre privacidad y utilidad es exactamente el puntaje de distinción, un valor cuantificable entre cero y el número total de estados que estamos considerando.

Para responder a RQ1: descubrimos que la información de la ubicación del sensor también depende de la resolución del sensor. Paradójicamente, cuantas más contribuciones de diferentes fuentes de luz detecte un par sensor-ubicación, más posibilidades de que haya lecturas ambiguas en el solucionador de suma perfecta debido a la cantidad de posibles combinaciones y fluctuaciones en las señales del sensor. Estas fluctuaciones, que se muestran en la Fig. 1, significan una distinción vital entre los sensores del mundo real y los virtuales en las simulaciones. Agregar más sensores en el mundo físico, por defecto, no aumenta la precisión de la inferencia final del estado de la luz. El requisito de una detección precisa se basa en que la mayoría de los votos emitidos sean precisos. Para conocer el nivel más bajo de resolución permisible para una detección precisa antes de comprar un sensor, las simulaciones pueden ser una herramienta útil para ayudar con la planificación. En la simulación, la resolución de los sensores virtuales es determinista bajo los mismos parámetros, y se pueden realizar ajustes para simular diferentes resoluciones de sensores mediante la introducción de términos de ruido adicionales. Además, al agregar más información sobre la actividad, las simulaciones se pueden mejorar para tener en cuenta las diferentes frecuencias de muestreo al discretizar los puntos de muestra en función de una función de respuesta continua. Con suficientes recursos computacionales, se pueden usar permutaciones de diferentes políticas de muestreo y descripciones de sensores para optimizar la precisión, la redundancia y la eficiencia de la inferencia. Con las simulaciones, los investigadores pueden lograr inferencias más intrusivas con menos sensores, menos muestras y menos energía en comparación con las simulaciones.

Para responder a RQ2: descubrimos que utilizar simulaciones de iluminación con una formulación del problema de la suma perfecta con el problema de la cubierta fija nos permitió cuantificar la cantidad mínima de sensores de luz que se requieren para capturar el estado de iluminación del edificio, incluida la modificación de las puertas. Descubrimos que siempre que el sensor se coloque en una ubicación donde todas las fuentes de luz puedan alcanzar y dar como resultado una contribución diferente, teóricamente un solo sensor es suficiente para inferir todas las posibles configuraciones de luz en el edificio si la resolución es equivalente a \(\ tau\) es lo suficientemente pequeño. Sin embargo, a medida que se introducen puertas que pueden bloquear las contribuciones de iluminación de otras luminarias, la cantidad mínima de sensores necesarios para detectar el estado de iluminación del edificio se vuelve igual a la cantidad total de zonas independientes. Por ejemplo, tres habitaciones separadas requieren al menos tres sensores para detectar el estado de iluminación, independientemente del número de luminarias en cada habitación. El número mínimo de sensores requeridos aumenta de uno a 31 cuando consideramos el movimiento de las puertas como se ve en la Fig. 4k en comparación con la Fig. 4l. Esto indica que incluso los edificios residenciales simples sin reguladores de intensidad pueden dar lugar a entornos luminosos complejos si se tienen en cuenta los elementos de construcción habituales, como las puertas. A menos que los investigadores tuvieran miles de sensores colocados en cada centímetro del espacio, no podrían probar todo el espacio a la vez.

Finalmente, las simulaciones pueden ser mucho más rápidas en la búsqueda de posiciones óptimas. En nuestro experimento, nos llevó aproximadamente 30 minutos probar una posición en el mundo real, mientras que en el espacio de simulación cubrimos aproximadamente una ubicación de sensor cada 0,11 minutos de simulación (se pueden calcular aproximadamente 2800 puntos cada 5 minutos para los 64 diferentes estados de luz). Esto se aproxima a un aumento de 270 veces en la eficiencia cuando se usan simulaciones para probar posiciones en comparación con las pruebas del mundo real, sin tener en cuenta el tiempo de configuración en ninguno de los escenarios. Debido a que las simulaciones tampoco requieren que los investigadores estén físicamente presentes en el espacio, las simulaciones tienen una clara ventaja sobre las pruebas manuales como un paso importante para mejorar las implementaciones de sensores físicos. Con más escenarios de simulación que incorporan el movimiento humano y otras modalidades como el ruido y HVAC, el espacio digital se volverá cada vez más crítico no solo para el posicionamiento del sensor sino también para una gran variedad de tareas de selección. Desde qué tipo de sensores implementar, con qué frecuencia muestrear datos, qué información brindan en qué diferentes momentos del día y estaciones, con qué diferentes niveles de actividad de los ocupantes esperar y con qué sensores blandos29 combinar y hacer inferencias. , las simulaciones tendrán un papel cada vez más importante en el control y prueba del alcance de las inferencias en los edificios. Métodos como este demuestran que las simulaciones tienen el potencial de servir como sustituto para los expertos en el dominio. Si los expertos pueden digitalizar el conocimiento de las ubicaciones específicas de los sensores para la puesta en marcha del edificio, por ejemplo, pueden habilitar diseños de protección de la privacidad de los ocupantes accesibles y que cumplan con los códigos, al mismo tiempo que brindan disponibilidad para interactuar con otras simulaciones que utilizan el mismo modelo de construcción.

El trabajo que hemos completado representa tanto tareas de modelo predictivo, donde anticipamos el caso de uso del ocupante antes de instalar los sensores, como un paso hacia la reducción de la brecha entre el gemelo digital y el gemelo original. Las instalaciones de sensores pueden aprovechar más que solo su ubicación con respecto a elementos de construcción comunes, como pisos, paredes y puertas. Las ubicaciones de los sensores también pueden beneficiarse de estar al tanto de otros sensores en el contexto. El flujo de trabajo que demostramos permite exploraciones en el diseño de edificios que pueden ponerse en servicio de manera más efectiva con menos sensores. El desarrollo de métricas para cuantificar las posibles inferencias también proporciona una vía adicional para que los diseñadores e investigadores consideren la privacidad del usuario. Por ejemplo, podría haber "zonas silenciosas" dedicadas donde los sensores no pueden detectar ninguna actividad de los ocupantes como lo protegen las leyes de la física. Las simulaciones pueden ser una herramienta eficaz para competir con la escala de los desarrollos de sensores porque pueden proteger a sus usuarios de escenarios que aún no han sucedido e informar y ajustar modelos utilizando datos reales. Si bien la brecha entre los gemelos digital y original se está acortando, consideramos que sus distintas identidades conllevan ciertos beneficios. Por ejemplo, los gemelos digitales se pueden operar "fuera de línea" para explorar escenarios reactivos y predictivos que informen sobre la acción correctiva óptima sin interferir con las operaciones en el sistema real. Sin embargo, esto no quiere decir que las simulaciones no vayan a ser también una parte cada vez más importante de las operaciones en los sistemas de tiempo real. Las decisiones para navegar por los posibles incentivos divididos entre el operador del edificio y el ocupante probablemente dependerán de las circunstancias y pueden requerir actualizaciones de rutina para respaldar la nueva administración y los nuevos inquilinos. El operador de un edificio podría instalar sensores de luz en todas las habitaciones para evitar la complejidad de la inferencia, pero exponer información sobre el uso de la cocina, la sala de estar y el baño de los ocupantes que consideran privados. De manera similar, un ocupante podría instalar un sensor para comprender la iluminación en la sala de estar, pero accidentalmente filtrar los estados de iluminación de otras habitaciones al operador del edificio. Las decisiones sobre qué datos deben ocultarse por motivos de privacidad o qué datos deben estar disponibles para su utilidad requerirían la unión de ideologías con respecto a la propiedad del espacio, la propiedad de los datos, la ética, entre otras consideraciones. Independientemente de la perspectiva, el primer paso es mostrar de manera reproducible y basada en datos dónde se encuentra teóricamente una instalación de sensor en el espectro de privacidad-utilidad.

Una limitación de este estudio fue que se llevó a cabo en una unidad residencial más antigua, donde los edificios podrían no reflejar una comprensión más moderna del uso eficiente de las lámparas. La implicación de privacidad del uso de sensores en situaciones públicas y semipúblicas, como oficinas y bibliotecas, podría tener un impacto más amplio en la cantidad de personas afectadas. Otra limitación es nuestra suposición de vistas instantáneas en las simulaciones. No incorporamos el tiempo (análisis de señales en lugar de valores) como a través de funciones de respuesta de bulbo30. Esto puede limitar la capacidad de las simulaciones para reflejar el tiempo entre instantáneas y las inferencias adicionales que se pueden extraer como resultado de frecuencias de muestreo más realistas. Otra limitación es que solo recopilamos los niveles de intensidad de la luz, pero no analizamos más a fondo otras propiedades de la luz, como los colores de iluminación. Sospechamos que los colores pueden ser una vía importante para desambiguar aún más las señales de iluminación. Por ejemplo, las luces individuales podrían filtrarse primero por color, reduciendo el número total de posibles combinaciones y colisiones que podrían ocurrir. Otra limitación es que la participación de algunos muebles tiene el potencial de alterar el ambiente interior. Por ejemplo, tener un espejo en la pared puede alterar drásticamente el ambiente luminoso, similar a tener materiales absorbentes de luz en los pisos. Finalmente, nuestro trabajo no aborda la dificultad de construir un modelo de edificio representativo, ni los posibles rendimientos decrecientes de modelar el entorno con detalles más realistas. Si bien se pueden lograr numerosos beneficios con un modelo de edificio informativo, el costo de construir un modelo representativo puede eventualmente superar la demanda de proteger la privacidad de los ocupantes. El costo del modelo de construcción puede aumentar aún más cuando se requiere más tiempo de computación para calcular las interacciones físicas en el espacio, como aumentos en la cantidad de rebotes para simulaciones de iluminación o la cantidad de partículas en simulaciones de dinámica de fluidos computacional (CFD).

Demostramos un marco teórico para la selección de inferencia de actividad en interiores a través de experimentos de simulación y ubicaciones de sensores del mundo real. Mostramos cómo las simulaciones pueden cuantificar las actividades inferibles de los ocupantes utilizando una puntuación de distinción y cómo encontrar un conjunto matemáticamente mínimo de posiciones de sensor necesarias para detectarlas mediante la aplicación del concepto de cobertura fija. Las métricas resultantes para cuantificar actividades distinguibles permiten futuras implementaciones de sensores para considerar mejor la geometría del edificio y limitar el posible exceso de datos del sensor. Anticipamos que el uso del posicionamiento del sensor combinado con simulaciones de edificios crecerá como una técnica esencial para que los investigadores naveguen por el equilibrio entre privacidad y utilidad para los edificios inteligentes del mañana.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Cureau, RJ et al. Cerrando la brecha de las salas de prueba a las pruebas de campo para estudios de confort interior humano: una revisión crítica del potencial de sostenibilidad de los laboratorios vivos. Res. de energía Soc. ciencia 92, 102778 (2022).

Artículo Google Académico

Wagner, A., O'Brien, W. & Dong, B. Exploración del comportamiento de los ocupantes en edificios. (eds. Wagner, A., O'Brien, W., Dong, B.) (2018).

Lu, J., Birru, D. y Whitehouse, K. Uso de sensores de luz simples para lograr una recolección inteligente de la luz del día. En Actas del segundo taller de ACM sobre sistemas de detección integrados para la eficiencia energética en los edificios 73–78 (2010).

Yan, D., Feng, X., Jin, Y. y Wang, C. La evaluación de los modelos estocásticos de comportamiento de los ocupantes desde una perspectiva orientada a la aplicación: uso del modelo de comportamiento de iluminación como estudio de caso. Construcción de energía. 176, 151–162 (2018).

Artículo Google Académico

Zhou, W., Jia, Y., Peng, A., Zhang, Y. y Liu, P. El efecto de las nuevas características de IoT en la seguridad y la privacidad: nuevas amenazas, soluciones existentes y desafíos aún por resolver. IEEE Internet Things J. 6, 1606–1616 (2018).

Artículo Google Académico

Por, E., Kooten, MV y Sarkovic, V. Teorema de muestreo de Nyquist-Shannon (Universidad de Leiden, 2019).

Google Académico

Gautam, DK, Kotecha, P. y Subbiah, S. Agrupación eficiente de medios k y reducción codiciosa basada en la selección del espacio de búsqueda nodal para la optimización de la colocación de sensores en las redes de distribución de agua. Agua Res. 220, 118666 (2022).

Artículo CAS PubMed Google Académico

Ghahramani, A. et al. Burbuja de CO2 personal: variaciones dependientes del contexto y usabilidad de sensores portátiles. J. Construir. Ing. 22, 295–304 (2019).

Artículo Google Académico

Pantelic, J. et al. Nube personal de CO2: Mediciones de laboratorio de la concentración y dispersión metabólica de la zona de inhalación de CO2 en un escritorio de oficina típico. Exp. J. ciencia Reinar. Epidemiol. 30, 328–337 (2020).

Artículo CAS Google Académico

Jin, M., Bekiaris-Liberis, N., Weekly, K., Spanos, C. y Bayen, A. Detección por proxy: Detección de ocupación basada en la concentración de CO2 en interiores. UBICOMM 2015, 14 (2015).

Google Académico

Szczurek, A., Maciejewska, M. & Pietrucha, T. Determinación de ocupación basada en series temporales de concentración de CO2, temperatura y humedad relativa. Construcción de energía. 147, 142–154 (2017).

Artículo Google Académico

Yoon, YR, Lee, YR, Kim, SH, Kim, JW & Moon, HJ Un modelo no intrusivo basado en datos para la clasificación detallada de las actividades de los ocupantes en edificios residenciales utilizando datos ambientales y de uso de energía. Construcción de energía. 256, 111699 (2022).

Artículo Google Académico

Huchtkoetter, J. & Reinhardt, A. Sobre el impacto de la resolución de datos temporales en la precisión del monitoreo de carga no intrusivo. En Actas de la 7.ª Conferencia internacional ACM sobre sistemas para edificios, ciudades y transporte energéticamente eficientes 270–273 (2020).

Wadhwa, N. et al. Ampliación y análisis de vídeo euleriano. común ACM 60, 87–95 (2016).

Artículo Google Académico

Wagiman, KR, Abdullah, MN, Hassan, MY y Radzi, NHM Un nuevo método de ubicación óptima del sensor de luz de un sistema de control de iluminación interior para mejorar el rendimiento energético y el confort visual. J. Construir. Ing. 30, 101295 (2020).

Artículo Google Académico

Lm, I. Método aprobado: IES autonomía espacial de luz solar (SDA) y exposición solar anual (ASE). iluminar Ing. Soc.. https://www.ies.org/product/ies-spatial-daylight-autonomy-sda-and-annual-sunlight-exposure-ase (2013).

Shin, M. & Haberl, JS Zonificación térmica para el diseño de HVAC de edificios y simulación energética: una revisión de la literatura. Construcción de energía. 203, 109429 (2019).

Artículo Google Académico

Wang, C. & Kang, J. Desarrollo de simulación acústica por computadora para espacios de actuación: una revisión sistemática y metanálisis. En Building Simulation 1–17 (Springer, 2022).

Batty, M. Gemelos digitales (2018).

Belhaj, LA, Gosselin, S., Pouyllau, H. y Semet, Y. Optimización de la colocación de sensores inteligentes bajo objetivos energéticos. En 2016, Simposio de Redes e Infraestructura de la Información Global (GIIS) 1–7 (IEEE, 2016).

Li, N., Becerik-Gerber, B., Krishnamachari, B. & Soibelman, L. Un algoritmo de localización en interiores centrado en BIM para respaldar las operaciones de respuesta a emergencias contra incendios en edificios. automático Constr. 42, 78–89 (2014).

Artículo Google Académico

Aguilar-Carrasco , MT , Díaz-Borrego , J , Acosta , I , Campano , M . & Domínguez-Amarillo, S. Validación de herramientas de flujo de trabajo paramétrico de iluminación de Ladybug y Solemma usando casos de prueba CIE. J. Construir. Ing. Rev. 64, 105608 (2022).

Artículo Google Académico

Reinhart, CF Lightswitch-2002: Un modelo para el control manual y automatizado de iluminación eléctrica y persianas. Sol. Energía 77, 15–28 (2004).

Artículo ANUNCIOS Google Académico

Young, NE Algoritmos codiciosos de portada (1974–1979, chvátal, johnson, lovász, stein). Enciclopedia de algoritmos 379–381 (2008).

Cheng, RK Inside Rhinoceros 5 (Cengage Learning, 2013).

Google Académico

Roudsari, MS, Pak, M., Smith, A. et al. Ladybug: un complemento ambiental paramétrico para saltamontes para ayudar a los diseñadores a crear un diseño consciente del medio ambiente. En Actas de la 13.ª Conferencia Internacional de IBPSA celebrada en Lyon, Francia 3128–3135 (2013).

Heydarian, A., Pantazis, E., Wang, A., Gerber, D. y Becerik-Gerber, B. Hacia el diseño de edificios centrado en el usuario: identificación de las preferencias de iluminación del usuario final a través de entornos virtuales inmersivos. automático Constr. 81, 56–66 (2017).

Artículo Google Académico

Ward, GJ El sistema de renderizado y simulación de iluminación radiante. En Actas de la 21ª Conferencia Anual sobre Gráficos por Computadora y Técnicas Interactivas 459–472 (1994).

Agarwal, A., Munigala, V. y Ramamritham, K. Observabilidad: un enfoque basado en principios para el aprovisionamiento de sensores en edificios. En Actas de la 3ra Conferencia Internacional ACM sobre Sistemas para Entornos Construidos con Eficiencia Energética 197–206 (2016).

Sheinin, M., Schechner, YY & Kutulakos, KN ​​Imágenes computacionales en la red eléctrica. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones 6437–6446 (2017).

Descargar referencias

Este trabajo fue apoyado en parte por la subvención Virginia Commonwealth Cyber ​​Initiative (CCI) y la subvención n.º 1823325 de la Fundación Nacional de Ciencias (NSF).

Link Lab, Ingeniería Informática, Universidad de Virginia, Charlottesville, 22903, EE. UU.

alan wang

Link Lab, Informática, Universidad de Virginia, Charlottesville, 22903, EE. UU.

bradford campbell

Link Lab, Ingeniería de Sistemas y Medio Ambiente, Universidad de Virginia, Charlottesville, 22903, EE. UU.

Arsalan Heydarian

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

AW, BC, AH contribuyeron a la ideación. AW realizó los experimentos y analizó los resultados. Todos los autores revisaron el manuscrito.

Correspondencia a Arsalan Heydarian.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wang, A., Campbell, B. & Heydarian, A. Las simulaciones de rendimiento de edificios pueden informar sobre fugas de privacidad de IoT en edificios. Informe científico 13, 7602 (2023). https://doi.org/10.1038/s41598-023-34450-y

Descargar cita

Recibido: 01 enero 2023

Aceptado: 30 de abril de 2023

Publicado: 10 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-34450-y

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.