En los últimos años, hemos visto una tendencia creciente hacia la computación al extremo de la red (edge computing), en la que las tareas de procesamiento de datos se realizan más cerca de los dispositivos y los sensores que las generan. Esto permite una latencia más baja y un mejor rendimiento, ya que los datos no tienen que ser transferidos a través de redes lejanas para ser procesados en servidores remotos. Además, a medida que la tecnología IoT continúa evolucionando, es cada vez más común ver la computación incorporada directamente en la capa IoT. Es decir, los dispositivos IoT no solo son capaces de recopilar los datos y enviarlos, sino que también pueden procesarlos, analizarlos y tomar decisiones basadas en estos, sin la necesidad de transferirlos a otros sistemas de procesamiento de datos.

Los datos recogidos por los dispositivos IoT cada vez demandan más precisión y confianza, puesto que son críticos para las aplicaciones y, por lo tanto, es importante asegurarse de que estos son correctos y no han sido modificados por terceros malintencionados. Esto es lo que se conoce como «trusted data», o sea, datos de confianza. Además, es importante que los datos se puedan transportar desde Internet hasta el dispositivo IoT, y viceversa, y que se pueda realizar el routing de datos a través de la red IoT para que lleguen a su destino correctamente. El routing en IoT es una tarea compleja, puesto que la red está compuesta por nodos que pueden moverse y pueden ser temporales y, por tanto, estos tienen que ser capaces de comunicarse de manera eficiente.

A medida que la cantidad de datos generados por dispositivos IoT aumenta, es necesario el procesamiento local de los datos en la fuente para reducir la latencia y el consumo de energía en su transmisión. Aquí es donde la tecnología TinyML entra en juego. Los dispositivos TinyML son pequeños dispositivos informáticos equipados con modelos de aprendizaje automático (machine learning) que realizan tareas de procesamiento de datos sin la necesidad de conexión a la red. Además, el uso de la tecnología de aprendizaje federado permite entrenar modelos de forma distribuida sin que se tengan que compartir los datos con un servidor central. En este contexto, los dispositivos TinyML requieren un protocolo de enrutamiento de datos fiable para la transmisión de información entre dispositivos IoT con un consumo de energía bajo y una cobertura amplia.

El grupo de investigación Redes de Computadores y Sistemas Distribuidos (CNDS) de la Universitat Politècnica de Catalunya – BarcelonaTech (UPC) está liderando el proyecto LoRaMesher, que tiene como objetivo ofrecer un servicio avanzado de comunicación inalámbrica LoRa para la interconexión de aplicaciones en la capa IoT. Los dispositivos IoT conectados por LoRa construyen una red en malla, de forma que se pueden comunicar entre sí a través de los mismos nodos de la red, tal y como ocurre en Internet. En el marco de este proyecto, se están prototipando diferentes aplicaciones, como por ejemplo la monitorización del viento en festivales de música, la detección avanzada de incendios forestales o como comunicación alternativa a las redes wifi en caso de emergencia. La tecnología LoRaMesher también puede ser utilizada para ofrecer una conectividad de bajo tráfico y sin operador en zonas rurales y remotas, donde las redes tradicionales son inexistentes. Así, esta tecnología puede tener un impacto significativo en muchos sectores, incluyendo la agricultura y la industria forestal.

Imagen: Conexión de dispositivos IoT utilizando la red de comunicación inalámbrica LoRa.