Kaynak kısıtlı gömülü sistemler için yapay zeka destekli iç ortam hava kalitesi analizi ve güvenli yazılım güncelleme mimarisi

Abstract

Bu çalışmada, kapalı alan hava kalitesinin (IAQ) çok boyutlu öznitelik uzayında anlık olarak izlenmesi ve analiz edilmesi ile kaynak kısıtlı gömülü sistemlerin kablosuz ağ üzerinden (OTA) güvenli, parçalı ve hata toleranslı biçimde güncellenebilmesi amacıyla Edge AI destekli bir sistem mimarisi geliştirilmiştir. Geleneksel iç ortam hava kalitesi izleme yaklaşımlarında kullanılan statik eşik tabanlı değerlendirmelerin ve ham verilerin işlenmesinde bulut bağlantısına duyulan bağımlılığın; ağ bağlantısının kesilmesi, iletişim maliyetleri ve verilerin uzak sunuculara aktarılması gibi çeşitli kısıtlar oluşturabildiği değerlendirilmektedir. Benzer şekilde, kaynakları sınırlı mikrodenetleyicilerde monolitik firmware güncellemeleri, güncelleme paketinin cihaz belleğinde geçici olarak tutulmasını gerektirebildiğinden bellek kullanımı ve güncelleme sırasında oluşabilecek bağlantı veya güç kesintileri açısından ek riskler oluşturabilmektedir.

Çalışma kapsamında SVM, Rastgele Orman (RF), Çok Katmanlı Algılayıcı (MLP), 1D-CNN, LSTM ve GRU tabanlı makine öğrenmesi ve derin öğrenme modelleri karşılaştırmalı olarak değerlendirilmiştir. Modellerin performansları doğruluk, F1-skoru, bellek kullanımı ve çıkarım gecikmesi gibi ölçütler üzerinden incelenmiş ve Raspberry Pi Pico W platformunun kaynak kısıtları dikkate alınmıştır. Bu değerlendirmeler sonucunda çalışma durumu sınıflandırması için MLP, anomali tespiti için ise GRU modeli nihai modeller olarak belirlenmiştir. Her iki model TinyML uyumlu gösterime dönüştürülerek Raspberry Pi Pico W üzerinde yerel çıkarım gerçekleştirecek şekilde uç cihaza aktarılmıştır. Diğer modeller ise karşılaştırmalı performans değerlendirmesi amacıyla kullanılmıştır.

Önerilen OTA güncelleme mekanizması, model ve firmware bileşenlerinin kaynak kısıtlı uç cihaza parçalı olarak aktarılmasını sağlayacak şekilde tasarlanmıştır. Güncelleme dosyası sunucudan chunk tabanlı olarak alınmakta ve alınan parçalar doğrudan Flash belleğe yazılmaktadır. Dosyanın tamamı oluşturulduktan sonra bütün dosya üzerinde SHA-256 tabanlı bütünlük doğrulaması gerçekleştirilmekte; doğrulamanın başarılı olması durumunda AES-CBC ile şifrelenmiş içerik çözülerek hedef alana yazılmaktadır. Güncelleme sırasında paket bütünlüğünün doğrulanamaması, eksik veya hatalı veri alınması ya da donanımsal bir kesinti meydana gelmesi durumunda sistem güncelleme işlemini tamamlamadan Güvenli Mod (Mod 1)'a geri dönmektedir. Gerçekleştirilen hata senaryosu testlerinde, güncelleme işleminin başarısız olduğu durumlarda cihazın temel çalışma moduna geri dönebildiği gözlenmiştir.

Sistem; sıcaklık, nem, TVOC, eCO2 ve ışık şiddeti (LUX) gibi çevresel parametreleri yerel olarak işleyerek çalışma durumu sınıflandırması ve anomali tespiti gerçekleştirmektedir. Böylece veri işleme ve yapay zekâ çıkarımının uç cihaz üzerinde gerçekleştirilmesi hedeflenmiştir. Deneysel sonuçlar, seçilen MLP ve GRU modellerinin Raspberry Pi Pico W üzerinde yerel çıkarım için uygulanabilir olduğunu; önerilen OTA mekanizmasının ise gerçekleştirilen hata senaryoları altında güncelleme başarısızlıklarının ardından cihazın temel çalışma moduna geri dönmesini sağladığını göstermiştir.This study presents an Edge AI-supported system architecture designed to enable real-time monitoring and analysis of indoor air quality (IAQ) in a multidimensional feature space, while also supporting secure, chunk-based, and fault-tolerant over-the-air (OTA) updates for resource-constrained embedded systems. Conventional indoor air quality monitoring approaches commonly rely on static threshold-based assessments and may depend on cloud connectivity for processing and analyzing raw sensor data. Such approaches can introduce limitations related to network availability, communication overhead, and the transmission of environmental data to remote servers. Similarly, monolithic firmware update mechanisms for resource-constrained microcontrollers may require temporary storage of the update package within the device memory, resulting in additional memory requirements and potential risks in the event of communication or power interruptions during the update process.

Within the scope of this study, machine learning and deep learning models based on Support Vector Machine (SVM), Random Forest (RF), Multilayer Perceptron (MLP), one-dimensional Convolutional Neural Network (1D-CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) architectures were comparatively evaluated. Model performance was assessed using metrics including accuracy, F1-score, memory usage, and inference latency, while considering the resource constraints of the Raspberry Pi Pico W platform. Based on these evaluations, the MLP model was selected for operating-state classification, whereas the GRU model was selected for anomaly detection. Both models were converted into TinyML-compatible representations and deployed on the edge device to perform local inference on the Raspberry Pi Pico W. The remaining models were used for comparative performance evaluation.

The proposed OTA update mechanism was designed to support the chunk-based transfer of firmware and model components to the resource-constrained edge device. During the update process, the update file is downloaded from the server in chunks, and the received chunks are written directly to Flash memory. Once the complete file has been received, SHA-256-based integrity verification is performed on the entire file. If the integrity verification is successful, the AES-CBC-encrypted content is decrypted and subsequently written to the target storage area. If data integrity verification fails, incomplete or corrupted data are received, or a hardware interruption occurs during the update process, the system terminates the update operation and returns to Safe Mode (Mode 1). The conducted fault-scenario tests demonstrated that the device was able to return to its basic operating mode following unsuccessful update attempts.

The system locally processes environmental parameters, including temperature, humidity, TVOC, eCO2, and illuminance (LUX), to perform operating-state classification and anomaly detection. Accordingly, data processing and AI inference are performed locally on the edge device. The experimental results indicate that the selected MLP and GRU models are applicable for local inference on the Raspberry Pi Pico W. Furthermore, under the fault scenarios evaluated in this study, the proposed OTA mechanism enabled the device to return to its basic operating mode following unsuccessful update operations.