建物のパフォーマンス シミュレーションにより、建物内の IoT プライバシー漏洩を知ることができる

Jul 19, 2023

Scientific Reports volume 13、記事番号: 7602 (2023) この記事を引用

567 アクセス

83 オルトメトリック

メトリクスの詳細

IoT デバイスが安価、小型になり、より広く普及するにつれて、意図した設計よりも多くの情報が明らかになり、ユーザーのプライバシーが脅かされる可能性があります。 以前は省エネや屋内の健康状態の監視のために設置されていた屋内環境品質 (IEQ) センサーが、居住者の機密情報を推測する手段として登場しました。 たとえば、光センサーは、動きを感知するライトを使用して部屋の占有状況を検査するための既知の経路です。 光信号は、乗員の身元やデジタル画面情報などの機密データを推測することもできます。 センサーのオーバーリーチを制限するために、方法論としてセンサーの配置の選択を検討します。 具体的には、この概念実証の探査では、敏感な推論を捕捉するために必要な位置の最小数を定量化する物理ベースのシミュレーション モデルの可能性を実証します。 適切に配置された単一のセンサーが特定の建物の状況においてその環境状態を全体的に捉えるのに十分であることと、適切に配置された追加のセンサーがより詳細な推論にどのように貢献できるかを示します。 私たちは、デバイスに依存せず、建物に適応したワークフローを提供して、推定可能な居住者のアクティビティを丁寧に捕捉し、現実世界のセンシング スキームに建物のシミュレーションを組み込むことの意味について詳しく説明します。

過去 20 年間で建物のエネルギー削減対策に対する意識が高まったため、室内条件の変化を監視するために数多くの技術的進歩が導入されました。 居住者の快適性を向上させながら全体のエネルギー消費を削減するために、センサーとアクチュエーターが建物にますます統合されるようになってきています1、2。 たとえば、ビルディングオートメーションシステムは、建物内に十分な日光が感知されている場合に人工照明を暗くすることで、建物のエネルギー消費を削減できます3。 また、建物は在室センサーと空気質センサーを利用して、在室者の存在や快適さを予測して暖房換気空調 (HVAC) ユニットによってエネルギー需要を削減することもできます4。 建物に設置されるセンサーの数は、エネルギー価格の上昇とスマート環境の既知の利点に応じて増加する一方です5。 しかし、センサーで収集したデータを使用して乗員の利便性を向上させるには、依然として多くの課題が存在します。

まず基本的に、センサーにはさまざまなデータ収集頻度があるため、研究者は単に環境センサーを購入して設置し、屋内で起こっているすべての活動を捕捉することはできません。 データ収集の頻度により、推定できる乗員の行動の種類が制限されます。 たとえば、ナイキスト・シャノンのサンプリング定理は、信号を正しく反転するには、信号の最高周波数成分の 2 倍以上でサンプリングする必要があることを示しています6。 時間スケールの違いは、研究者が 30 秒ごとに 1 つの画像を使用するカメラを使用して、データを失わずに 15 秒ごとに発生する被験者の行動を捉えることができないことを意味します。 一方、周波数を上げると、信号のエイリアシングなどの望ましくない影響が生じる可能性があります。 研究者 (設計者または施設管理者) は、周波数、モード、観測変数など、設置されたセンサーの仕様を決定する必要があります。 ハードウェアを購入するという行為自体が、ダウンストリームでの観察可能な動作を永続的に制限します。

第二に、センサーの配置は、センサーが収集したデータの下流の有用性に大きな影響を与えますが、位置決めはしばしば見落とされたり、ランダムに開始され、その後反復的に改善されたりすることがよくあります7。 センサーを不適切な位置に設置すると、不正確な測定値が得られる可能性があります 8,9 が、センサーを設置してできるだけ早くデータの収集を開始した方が便利だと感じる場合もあります。 さらに、建物を評価するために設置された以前のセンサーは、空間の新しい用途には不十分になったり、望ましくないものになる可能性があります。 たとえば、一部の住民が引っ越して、占有されなくなった場所にあった以前のセンサーが不要になる可能性があります。 同様に、追加の居住者が入居する可能性があり、以前の適用範囲ではスペースを新たに使用できなくなります。 センサーの位置と数を最適化すると、エネルギー消費が削減され、読み取り値が向上しますが、センサーの数を手動で調整するために、変化するコンテキストとセンシング目的の考慮事項を組み込み、維持するのは困難です。

最後に、設置されたセンサーは、より多くのデータを収集する便宜上、意図した用途に必要以上に多くの情報を誤って公開する可能性があり、居住者のプライバシーに関する懸念につながります。 たとえば、「プロキシによるセンシング」パラダイムは、\(\hbox {CO}_2\) などのプロキシ測定がどのように乗員数と活動を推測できるかを示しています10,11。 同様の詳細な乗員活動情報が他のセンサーでも観察されています。 たとえば、調理活動は PM 2.512 の変動を通じて観察できます。 アプライアンスの使用状況は、非侵入型の負荷監視によって効果的に細分化することもできます13。 たとえば、コーヒーメーカーやヘアドライヤーなどの家電製品には、起動プロセスや家電製品の物理的構成に関連する固有のエネルギー使用量の特徴がある可能性があります。 回路レベルで負荷モニターを設置することにより、総エネルギー使用量をアプライアンスの固有のシグネチャに基づいて個々の寄与から分離することができ、建物自体の内部にセンサーを設置することなく、居住者の活動を侵襲的に推論することが可能になります。 カメラや運動増幅などの他の例では、研究者がスナックの袋の振動を誇張したり、視覚データを使用して解読可能な音をリバースエンジニアリングしたりすることができました14。

機械学習やその他の計算手法を利用して屋内環境から機密データを取得するプロジェクトが増えているため、私たちは代わりに、センサーからの推測可能な情報を減らし、建物の占有者のプライバシーを保護するのに役立つ同様の計算手法が存在するかどうかを検討します。 センサーの設置がセンシングの潜在的な行き過ぎを回避するのに役立つ有望な手段の 1 つは、シミュレーションとセンサーの配置の交差点にあります15。 シミュレーションは従来、設計段階でさまざまな建物の性能特性を評価するために使用されてきました。 たとえば、建物の向きや窓の配置は、デイライト オートノミー 16 と呼ばれるスコアを使用して調査および定量化できます。 気象条件と太陽の動きを、建物の位置、サイズ、材質、窓と部屋の向きと組み合わせてシミュレーションすることで、建築家は日光が効果的に当たる年間の合計時間を明らかにすることができます。人工照明の代わりになります。 HVAC についても同様のシミュレーションと指標があり、建物が使用される時間、部屋のサイズ、予想される占有人数、総エネルギー使用量、および必要な空気流量を予測して定量化できます17。 建物の音響特性も、音楽ホールの残響を長くし、教室の残響を短くするなど、空間の使用目的に合わせて設計および調整することができます18。 これらのシミュレーションが使用されるパイプラインのタイミングは、デジタル ツインの基本的な議論を表します19。 具体的には、シミュレーション モデルは、乗員のアクティビティを通知するセンサーの配置を最適化するのに役立ちます。また、スマート環境に永続的な影響を与えるために、物理ツインと並行してリアルタイムで実行する必要はありません。

ロボットを使用して定期的に環境をサンプリングし、静的環境センサーの最適な位置を繰り返し発見するセンサー位置最適化の手動または自律的な方法と比較して、シミュレーションは、次のコストで無制限の仮想センサー位置をテストするための低コストの代替手段を可能にします。計算能力。 さらに、研究者は、治験審査委員会（IRB）のプロトコルや環境のロジスティクス（建物内でのパーティーや講演者のイベントを避けるためなど）をナビゲートする代わりに、シミュレーションを使用することで、双方にとって重要な混乱を引き起こす可能性のある広範囲にわたる複雑さを回避できます。研究管理者と研究参加者。 研究者 (設計者やその他の意思決定者) は、物理環境と相互作用する前に、さまざまな環境要因またはユーザー関連要因がダウンストリーム信号の変化にどのような影響を与えるかを確認するために、無制限の what-if シナリオを実行できます。 たとえば、人工エージェントを使用して居住者の動きをシミュレートして、緊急時の空間の移動のしやすさを評価したり 21、過去の空の情報を使用して太陽の動きをシミュレートしたり 22、確率モデルを使用して居住者の建物との相互作用をシミュレートしたりできます。コントロール23。

この論文では、敏感な推論を捕捉するために必要な位置の最小数を定量化する物理ベースのシミュレーション モデルの可能性を実証します。 適切に配置された単一のセンサーが特定の建物の状況においてその環境状態を全体的に捉えるのに十分であることと、適切に配置された追加のセンサーがより詳細な推論にどのように貢献できるかを示します。 具体的には、アクセシビリティと幾何学的に依存する性質のため、テスト ケースとして照明シミュレーションに焦点を当てます。 研究に関する 2 つの質問に答えます。

RQ1: 現実世界で見つかった照明の推論をシミュレーションで見つかった推論に変換する際の課題は何ですか? そして、

RQ2: 照明シミュレーションをどのように使用すれば、空間利用に関するいくつかの仮定が与えられた場合に、一連の光センサーの位置がどの程度有益であるかを知ることができますか?

私たちは、(1) センサーの理想的な位置を特定し、分散するセンサーの数を最小限に抑えるため、(2) シミュレーションの機能を示すことでセンサーが実生活に展開されたときに収集できる潜在的な情報を特定するための標準ツールとしてシミュレーションを使用することを提唱します。居住者の詳細な活動を含む建物の状態を網羅的に計算します。 言い換えれば、シミュレートされた環境を使用して、研究者がセンサーの位置と建物の形状が居住者の活動の推論に与える影響をどのように評価できるかを示します。 このワークフローは、将来の研究者が既存のセンサー位置の推論の可能性を検証したり、センサー推論の行き過ぎを制限する方法として「センサー位置の調整」を使用したりするための道を示しています。

研究者が個々の照明器具のオンとオフの光の状態を確認しようとしているシナリオを考えます。 光の加法的な性質を考慮して、ノイズ閾値 \(\epsilon\) を使用した完全和問題として定式化することで、建物内のセンサー ポイントでの合計された光の寄与を分解することに取り組みます。 光の強度は光源からの二乗距離の逆数に等しく減少し、各照明器具には測光データがあるため、光センサーの最終配置を光源から可変距離に移動することで、個々の寄与を細分化することができます。 たとえば、幾何学形状と距離による光強度の低下を利用して、範囲内の各照明器具の固有の指紋を調整できます。 さらに、建物空間全体を潜在的な配置領域として利用できるため、研究者は、従来はキャプチャするために試行錯誤を繰り返す必要があった潜在的なセンサー位置のセットを利用する能力を徹底的に調査することができます。

\(L= [l_0, l_1,... l_{n-1}]\) とします。ここで、L は n 個の個別の光源状態の構成ベクトル \(l_i\in \{0,1\}\) です。 次に、構成 L が与えられた任意の位置 s について、寄与ベクトル \(X(s,L) = [x_0, x_1, ..., x_{n-1}]\) がわかります。ここで、各位置からの寄与は光源 \(x_i\) は、距離と障害物によって変更された各光の状態 \(l_i\) に対応します。 可能な構成の最大数は、各光源で設定されたパワーのカーディナリティ、つまり \(2^{n}\) に等しくなります。

完全和ソルバーを使用すると、目標合計 \({{\textbf {K}}}\)、しきい値 \(\epsilon\)、および個々の寄与のリスト \([x_0,x_1,...x_ {n-1}]\) を計算し、合計すると \({{\textbf {K}}}\pm \epsilon\) になるすべての可能な組み合わせを含むリストのリストを返します。 各リストは制約に適合する可能な構成に対応しますが、最終的に正しい構成は 1 つだけであるため、 \(\text {Accuracy} = \frac{|L \cap L_{\text {infer) を使用して各推論の精度を計算します。 }}|}{|L \cup L_{\text {infer}}|}\) を実行し、平均を返します。

複数のポイントからのセンサーの読み取り値は、常に同じ照明構成を裏付けるわけではありません。 これを克服するために、投票ベクトル \(V(s,L) = \begin{bmatrix} v_{0}, v_{1}, ... v_{n} \end{bmatrix を使用して、位置ずれしたライト構成の推論を曖昧さをなくします。 }\) を各センサーから取得します。ここで、\(v_{i}\) は、照明器具がオンであると判断された場合は 1、照明がオフであると判断された場合は -1、光が検出できない場合は 0 (つまり、センサーが照明器具の範囲外にあります)。 最終的な推論は、合計された投票に基づいて選択されます。 値がゼロより大きい場合、照明器具はオンです。 最終値がゼロ未満の場合、照明器具はオフであると見なされます。

現実世界のセンシングを建築シミュレーションに一般化するために、誤差しきい値 \(\tau\) を導入し、識別ベクトル \(D_{\tau }\) を次のように定義します。

たとえば、寄与度 \(X(s,L) = [1, 2, 4]\) が与えられた場合、誤差しきい値が \(\tau = 1\) の場合、 \(D_{1}(X(s ,L)) = [0, 0, 1]\) および区別性スコア \({{\textbf {D}}}_{1} = \sum {D_{1}} = 1\)。 ただし、同じ寄与に対して \(\tau = 0.5\) とすると、 \(D_{0.5}(X(s,L)) = [1, 1, 1]\) となるため、 \({{\textbf { D}}}_{0.5} =3\)。 識別ベクトルの合計は、特定の位置で検出可能な照明状態の総数を解読するのに役立ち、クレジットを割り当てるときにセンサーの解像度を考慮します。 このスコアをシミュレーションで利用します。シミュレーション内の仮想光センサーには、追加のルーメン劣化やその他の測定ノイズ項がありません。

アクティビティの推論では、\(j=3\) のドアの角度 (つまり、\(\{0^{\circ }, 45^{\circ }\)、\(90^{\circ }\}) を考慮します。 \))、\(m=2\) ドア用。 指定された各アプリケーション状態 a の個別性スコアを見つけるには、次のようになります。

考えられるすべてのアプリケーションを検出できるセンサー位置の最小の組み合わせを選択することは、最小セット カバー (MSC) 問題と呼ばれる既知の NP ハード問題であるため、簡単にするために、単一センサー シナリオのみの推論可能な状態を視覚化します。 最後に、MSC 問題の既知のアルゴリズムである貪欲集合カバー近似 (GSCA)24 を使用して、潜在変数と建物の照明状態をキャプチャできる光センサー位置のセットの例を示します。 一連の光センサーが動的建物情報をキャプチャしているかどうかを確認するには、アプリケーション状態全体を状態の世界として使用して、同じアプリケーション状態列の他のすべてのセンサー位置行に対してしきい値 \(<\tau\) をカバーします。メンバーシップに通知し、アプリケーションの状態全体をカバーするために必要なセンサーの場所の最小限のサブセットを見つけます。 固定的な性質を持つドアの使用をターゲットとしています。 ドアの開閉はセンサーが認識する照明に大きな影響を与え、照明の一部が常に完全に遮断される可能性があります。 さらに、ドアの使用状況は、光センサーでは予想されない空間の使用状況についてのより深い洞察になります。 バスルーム、ベッドルーム、リビングルームを使用すると、当然照明やドアの開閉が必要になります。 この場合、照明が自動的に消えないため、すべての照明が点灯しているときでもドアの動きを識別できるため、スペースの使用状況についてより詳細な推論を行うことができます。

図 1 に示すように、単一の光源であっても、ドアの静止状態の角度は、最終的に検出される光信号に大きな影響を与える可能性があります。 これらの方法を使用して、私たちは 2 つの実験を実施しました。(1) モデル化された住宅環境に光センサーを導入して、光の状態を検出し、複数のセンサーからの推論を融合するという現実世界の課題を調査しました。(2) 住宅の建物をモデル化し、シミュレーションを行いました。観察できる明状態と潜在状態の数を分析するための一連の動的構築要素。 実際の調査は、まず健全性チェックとして実施されました。 人間の知能のみを使用してセンサーを任意に配置できれば、センサーの配置をサポートするためにシミュレーションを利用する必要はありません。 シミュレーション研究は、シミュレーション空間が現実世界の研究で見つかった結果と裏付けられるかどうかを確認するため、また一連の発光的に破壊的な動作を捕捉できるセンサーの最小数を測定するために実施されました。

建物要素と照明の間の関係を使用して、物理環境の変化を知ることができます。

実際の世界では、集合住宅のすべてのランプを 800 ルーメン 10 ワットの Philips Hue A19 ランプで改造し、各セットのライトを対応する照明器具にグループ化しました。 たとえば、2 つから 3 つのランプを各照明スイッチに関連付けることができます。 Hue API と Python を使用して各 Philips Hue ランプを制御し、照明スイッチを手動で変更する必要性を制限しました。 次に、センサーとして有効検知範囲が 0 ～ 88,000 ルクスの CQRobot TSL2591X 光センサーに接続された Raspberry Pi 4 を使用し、I2C インターフェイスを使用して Pi と通信しました。 ジッターを考慮するため、状態遷移中の光強度の変化により、コードが照明構成の設定 L を 3 秒間変更した後、4.7 Hz で収集された 3 秒間の平均ルクス値をベースラインとして使用しました。 図 2 に示すように、光源の近さを、光センサーを各位置と向きに設置するためのガイドとして使用しました。具体的には、異なる壁上のセンサーの位置を視覚的に探し、センサーが異なる光からの光を捕捉できるようにしました。ソース。 次に、センサー システムを各位置に移動し、Raspberry Pi を使用して照明の遷移を自動化し、後処理のために最終データを CSV ファイルにエクスポートしました。 私たちが報告する最終的な精度は結果で説明されます。ここで、グラウンド トゥルースは、ライトの状態を自動化するために使用した入力コマンドです。 初期のセンサー セットを設置するために、すべての照明器具が到達できるテストベッドの壁を特定し、図 2 に示す床から 7 フィートの高さでそれらの壁に 7 つのセンサーを設置しました。アイデアは、以下が可能かどうかを確認することです。人の往来の影、家具の反射、電化製品や物体からのその他の LED によって引き起こされるデータ内のノイズを避ける場所にセンサーを設置します。 これにより、シミュレーション実験でドアの順列を検討する前に、ドアが開いている静的なシナリオでの建物の照明状態を正確に検出できます。

建物と照明のレイアウト。 数字は光センサーの位置を示し、アルファベットは光源を示します。 破線は、センサーを設置する壁の候補を探すために使用した幾何学的境界を示しています。

シミュレーションでは、バッタを利用して複数のドアの動きをパラメータ化し、割り当てられた各ドア角度の組み合わせを Rhino25 を使用してシミュレートしました。 次に、以前の研究 27 と同様に、バッタ プラグイン Honeybee 26 を使用して、各センサー ポイントでの照明の寄与を抽出しました。 本質的に、プラグインは、建物のジオメトリと、光の幾何学的強度分布を記述するフォトメトリック照明ファイル (IES ファイル) を取得し、それらを照明レンダリング エンジンの放射輝度に渡すミドルウェアとして機能します28。 実験は、外部の光源を避けるために窓を覆い、夜間に行われることを想定しました。 すべての壁、床、天井、ドア、窓のオブジェクトにシミュレーションのデフォルトのマテリアルを使用しました。 フォトメトリック照明ファイルの場合、器具 A、B、C、E、F には一般的なフラッシュマウント ドーム ライトを使用し、D には一般的なウォール スコーン器具を使用しました。グラスホッパー ワークフローへの入力を自動化し、変換したテキスト ファイルをエクスポートします。 Grashopper 内の Python モジュールを使用した後処理用。 このプロセスは、定義された仮想センサー位置ごとに建物のレイ トレース ライト レンダリングを返します。 後処理のために各照明値を抽出するには、Perfect Sum ソルバーと GSCA アルゴリズムを通過させます。 このワークフローにより、新しいセンサーを物理的に配置したり、照明器具のオン/オフを変更したり、現実世界でドアを移動したりすることなく、環境全体の潜在的な照明の違いを調査することができました。

私たちはまず、センサー データを手動で収集する際の潜在的な課題を調査するための実現可能性調査を実施しました。 次に、学んだ経験を利用して、シミュレーション空間での建物のモデリングを情報化しました。 以下に実実験とシミュレーション実験をまとめます。

図 3 は、これらの場所の個々の精度の広がりを示しています。 推論の精度の中央値は通常 80% 以上で、位置 6 の精度の中央値が最も低かった。 これは、センサーが向いている方向が照明器具 F の正反対であること、および壁からの反射光が距離による強度の低下よりも影響が小さいためであると考えられます。 全体として、単一のセンサー (つまり、位置 4 にある光センサー) を使用して、考えられるすべての光の状態を分解することが可能であることがわかりましたが、多くの要因が不完全な推論に寄与する可能性があります。 たとえば、居住者がいずれかの部屋のドアを閉めると、その部屋の照明の状態に関する情報が外部のセンサーから失われてしまいます。 また、環境とセンサーのノイズが状態を区別するために必要な分解能よりも大きかったため、信号の推定された光の状態が互いに一致しない状況も経験します。 たとえば、2 つの異なる光源からの照明の寄与が合計すると同じになる可能性があります (たとえば、2 + 5 と 3 + 4 が両方とも 7 に等しい) ため、読み取り値があいまいになります。 このため、投票メカニズムを利用してシステム全体のエラーを削減することにしました。これについては「方法」セクションで詳しく説明します。

照明状態を自動化したとき、シミュレーションで起こることとは異なり、現実世界では照明のオンとオフの切り替えが瞬時に行われないことにも気づきました。 具体的には、照明を点灯する場合、スイッチを入れた後に照明が暗くなり始め、遅れて最終的な明るさに近づく際に、顕著な起動時間が発生します。 さらに、照明器具を改修したときに、すべての照明が同じ電球を使用しているわけではなく、おそらく頻繁に使用されるエリアではより頻繁に交換される電球があることに気づきました。 これは、建物内の照明の使用状況を追跡することは、どの照明を交換する必要があるかを追跡し、時間の経過によるランプの明るさの低下を考慮するのにも役立つことを示唆しています。 最後に、利用可能なセンサー、マイクロコントローラー、コンセントの数によっても、一度にテストできる位置の数に制限があることがわかりました。 建物内で感知装置を移動するために長い延長コードを購入することに加えて、センサーの移動、センサーの取り付け、すべての照明状態の実行、各位置を感知するためのセンサーの取り外しという手順も遵守していました。

手動で選択した位置の 64 の可能な照明状態に対する 7 つの位置それぞれの照明状態の推論精度。 三角形は各センサー位置の平均精度を示し、ボックスの中央を横切る線は中央精度を示します。

各建物構成の個別性スコア \({{\textbf {D}}}_{0.01}\) ヒート マップのコンパイル。 センサーの解像度に加えて、建物の物理的構成もセンサー セットの推定可能な状態を体系的に変更する可能性があります。 図 ((a) ～ (i) のスケールは 64 点満点ですが、(j) の集計スケールは 576 点満点であることに注意してください。

実世界の実験から学んだ情報を利用して、静的センサーの設置が最も多くの情報を提供できる場所を探索するために、従来の照明シミュレーションから逸脱した照明シミュレーションを開発しました。 具体的には、照明シミュレーションでは、従来の作業面（作業を行う机の高さに設定された仮想の面）を使用する代わりに壁を含めました。これは、スペースの利用ではなく、むしろ作業を行う能力に興味があるためです。実際の静電気センサーを設置し、空間内のさまざまな動作 (照明スイッチの動作など) を検出します。 シミュレーションの結果を図 4 に示します。図 4a から図 4i は動的建築要素のさまざまな状態を表しており、ヒートマップは区別性スコア \({{\textbf {D}}}_{0.01}\ を示しています) ) 0 ～ 64 の値。その場所に設置されたセンサーが検出できる集合的な状態の数を表します。 図 4a は、追加の建築要素の移動が考慮されていない、典型的な光感知シミュレーションを表しています。 このシナリオでは、すべての照明が届く部屋の中央の多くの位置を使用して、すべての照明器具の照明状態を推測できます。 図 4b–i から、ドアが閉まり、さまざまな光源からの照明の寄与が遮断されると、これらの有益な中間位置が減少することがわかります。 図 4d と e では、すべてのドアがまだ部分的に開いているとき、すべての対象を絞った推論を行うことができる領域がわずかに減少していることがわかります。 ただし、図 4c、f、g、h、i で​​は、可能な推論の合計が明らかに半分から 4 分の 3 に減少していることがわかります。

図 4j は、考えられるすべてのドアの状態を考慮した最も有益な単一の位置を表しています。 中央には情報を提供する場所があると同時に、失われた情報のスポット、つまり推論の可能性が低いダークゾーンがあることも観察されています。 これは、曖昧な読み取りにつながる軽い寄与の組み合わせの衝突の結果です。 比較すると、図 4i では、中央で可能な推論の数が少なくなりますが、衝突の結果として情報が少ない「ダーク スポット」もあります。 図 4k は、貪欲集合カバー近似 (GSCA) がすべての光の状態を検出できる単一の位置をどのように見つけたかを示していますが、図 4l は、ドアの開閉を考慮すると、以前の最良の位置がもはや有効ではないことを示しています。 より具体的には、中心部の騒がしいエリアから離れた部屋の奥深くに一連のセンサーが配置されていることがわかります。これは、照明信号が中心部の反射や減衰によって濁っている場合に測定値を曖昧にするのに役立ちます。

私たちの研究から得られる重要な点は、センサーの位置が重要であり、シミュレーションを使用して位置がどれほど重要であるかを定量化できるということです。 シミュレーションで推論可能な情報を定量化することで、建物のオペレーターは、展開前にセンサーの設置場所に応じてプライバシーとユーティリティの範囲を調整できます。 センサーの数量と位置を変更して、環境の物理的属性に基づいて考えられる推論を意図的に排除することができます。 導入後でも、シミュレーションにより、現在のインストールがこの範囲のどの位置にあるか、およびこのトレードオフを回避する方法が明らかになります。 私たちのシナリオでは、プライバシーとユーティリティの間のこのトレードオフは、まさに識別性スコア、つまりゼロと検討している状態の総数の間の定量化可能な値です。

RQ1 の回答に向けて、センサーの位置の情報提供力はセンサーの解像度にも依存することがわかりました。 逆説的ですが、センサーと位置のペアによって感知されるさまざまな光源からの寄与が増えるほど、センサー信号の可能な組み合わせとジッターの数が原因で、完全和ソルバーでのあいまいな読み取り値が存在する可能性が高くなります。 図 1 に示すこれらのジッターは、シミュレーションにおける現実世界のセンサーと仮想センサーの間の重要な違いを示しています。 デフォルトでは、物理世界にセンサーを追加しても、最終的な光の状態の推論の精度は向上しません。 正確なセンシングの要件は、投じられた投票の大部分が正確であることに依存します。 センサーを購入する前に、正確なセンシングに許容される最低解像度レベルを知るには、シミュレーションが計画を支援する便利なツールとなります。 シミュレーションでは、仮想センサーの解像度は同じパラメーターの下で決定的であり、追加のノイズ項を導入することで、異なるセンサー解像度をシミュレートするように調整を行うことができます。 さらに、アクティビティに関する情報をさらに追加することで、連続応答関数に基づいてサンプル ポイントを離散化することで、さまざまなサンプリング周波数を考慮してシミュレーションを改善できます。 十分な計算リソースがあれば、さまざまなサンプリング ポリシーとセンサーの説明の順列を使用して、推論の精度、冗長性、効率を最適化できます。 シミュレーションを使用すると、研究者は、シミュレーションを使用しない場合と比較して、より少ないセンサー、より少ないサンプル、より少ないエネルギーで、より侵入的な推論を実現できます。

RQ2 への回答に向けて、セット カバー問題による完全和問題の定式化による照明シミュレーションを利用することで、ドアの変更を含む建物の照明状態を捕捉するために必要な光センサーの最小限の数を定量化できることがわかりました。 すべての光源が到達し、異なる寄与が得られる場所にセンサーが設置されている限り、理論的には、解像度が \(\ tau\) は十分に小さいです。 ただし、他の照明器具からの照明の影響を遮断できるドアが導入されると、建物の照明状態を感知するために必要なセンサーの最小数は、独立したゾーンの総数と等しくなります。 たとえば、3 つの別々の部屋では、各部屋の照明器具の数に関係なく、照明状態を検出するために少なくとも 3 つのセンサーが必要です。 図 4l と比較して図 4k に見られるように、ドアの動きを考慮すると、必要なセンサーの最小数は 1 から 31 に増加します。 これは、調光器のない単純な住宅建物であっても、ドアなどのありふれた建築要素を考慮すると、複雑な光環境をもたらす可能性があることを示しています。 研究者が空間の隅々に何千ものセンサーを設置しない限り、空間全体を一度にテストすることはできません。

最後に、シミュレーションは最適な位置の検索をはるかに高速化できます。 私たちの実験では、現実世界の 1 つの位置をテストするのに約 30 分かかりました。一方、シミュレーション空間では、シミュレーションの 0.11 分ごとにおよそ 1 つのセンサーの位置をカバーします (64 のポイントについて 5 分ごとに約 2800 点を計算できます)。異なる光の状態)。 これは、どちらのシナリオでもセットアップ時間を考慮せずに、シミュレーションを使用して位置をテストする場合、実際のテストと比較して効率が約 270 倍向上することになります。 シミュレーションでは研究者が宇宙に物理的に存在する必要もないため、物理センサーの展開を強化するための重要なステップとして、シミュレーションには手動テストに比べて明らかな利点があります。 人間の動きや、騒音や HVAC などの他のモダリティを組み込んだシミュレーション シナリオが増加するにつれ、デジタル空間はセンサーの位置決めだけでなく、無数の膨大な選択タスクにとってもますます重要になります。 どのような種類のセンサーを導入するか、どのような頻度でデータをサンプリングするか、センサーが 1 日のさまざまな時間帯や季節にどのような情報を提供するか、予想される乗員の活動のさまざまなレベル、およびどのソフト センサー 29 と組み合わせて推論するかに至るまで、 、シミュレーションは、建物内の推論の範囲を制御およびテストする上でますます重要な役割を担うことになります。 このような方法は、シミュレーションが分野専門家の代役として機能する可能性があることを示しています。 たとえば、専門家が建物の試運転のための特定のセンサーの配置に関する知識をデジタル化できれば、アクセス可能でコードに準拠した居住者のプライバシー保護設計を実現できると同時に、同じ建物モデルを使用して他のシミュレーションと対話するための可用性もさらに提供できます。

私たちが完了した作業は、センサーを設置する前に乗員のユースケースを予測する予測モデル タスクの両方を表していますが、デジタル ツインと元のツインの間のギャップを縮小するための一歩でもあります。 センサーの設置では、床、壁、ドアなどの一般的な建築要素に関する配置だけでなく、それ以上の利点を活用できます。 センサーの配置は、コンテキスト内の他のセンサーを認識することによっても利益を得ることができます。 私たちが実証するワークフローにより、より少ないセンサーでより効果的に運用できる建物の設計を検討することができます。 考えられる推論を定量化するための指標を開発することにより、設計者や研究者がユーザーのプライバシーを考慮するための追加手段も提供されます。 たとえば、物理法則によって保護されているため、センサーが乗員の活動を検出できない専用の「サイレント ゾーン」が存在する可能性があります。 シミュレーションは、まだ起こっていないシナリオからユーザーを保護し、実際のデータを使用してモデルに情報を与え、調整できるため、センサー開発の規模に対抗するための効果的なツールとなり得ます。 デジタルツインとオリジナルツインの溝は縮まりつつありますが、私たちは彼らの明確なアイデンティティが一定の利点をもたらすと考えています。 たとえば、デジタル ツインを「オフライン」で操作して、実際のシステムの操作を妨げることなく、最適な修正措置を通知する事後対応​​および予測シナリオを検討できます。 ただし、これは、シミュレーションがリアルタイム システムの操作においてますます重要な部分にならないということではありません。 建物運営者と占有者の間で潜在的なインセンティブを分割するための決定は、状況に依存する可能性が高く、新しい管理者と新しいテナントをサポートするために定期的な更新が必要になる場合があります。 建物の管理者は、推論の複雑さを回避するためにすべての部屋に光センサーを設置するかもしれませんが、プライベートとみなされる居住者のキッチン、リビングルーム、バスルームの使用に関する情報が公開される可能性があります。 同様に、居住者がリビング ルームの照明を把握するために 1 つのセンサーを設置したが、他の部屋の照明状態を誤って建物の管理者に漏洩してしまう可能性があります。 プライバシーのためにどのデータを隠すべきか、または実用のためにどのデータを利用できるべきかについての決定には、特にスペースの所有権、データの所有権、倫理などに関するイデオロギーを統合する必要があります。 観点に関係なく、最初のステップは、センサーの設置が理論的にプライバシーとユーティリティのスペクトルのどこに位置するかをデータ駆動型かつ再現可能な方法で示すことです。

この研究の限界の 1 つは、建物が照明器具の効率的な使用法に関するより現代的な理解を反映していない可能性がある、古い住宅ユニットで実施されたことです。 オフィスや図書館などの公共および半公共の場所でのセンサーの使用によるプライバシーへの影響は、影響を受ける人の数に広範な影響を与える可能性があります。 もう 1 つの制限は、シミュレーションにおけるスナップショット ビューの仮定です。 電球応答関数などによる時間 (値ではなく信号の分析) は組み込んでいません 30。 これにより、スナップショット間の時間を反映するシミュレーションの機能や、より現実的なサンプル レートの結果として引き出せる追加の推論が制限される可能性があります。 もう 1 つの制限は、光の強度レベルのみを収集し、照明の色などの光の他の特性を詳しく調べていないことです。 私たちは、色が照明信号の曖昧さをさらに明確にするための重要な手段になる可能性があると考えています。 たとえば、個々のライトを最初に色でフィルタリングして、考えられる組み合わせと発生する可能性のある衝突の総数を減らすことができるかもしれません。 もう 1 つの制限は、一部の家具が室内環境を変化させる可能性があることです。 たとえば、壁に鏡を設置すると、床に光を吸収する素材を設置したのと同様に、光環境が大幅に変化します。 最後に、私たちの研究は、代表的な建築モデルを構築することの難しさや、より現実的な詳細で環境をモデル化することによる潜在的な利益の逓減については扱っていません。 有益な建築モデルを使用すると多くの利点が得られますが、代表的なモデルを構築するコストが、最終的には居住者のプライバシーを保護するための需要を上回る可能性があります。 照明シミュレーションのバウンス数や数値流体力学 (CFD) シミュレーションの粒子数の増加など、空間内の物理的相互作用を計算するためにより多くの計算時間が必要になると、構築モデルのコストがさらに悪化する可能性があります。

シミュレーション実験と現実世界のセンサー配置を通じて、屋内活動推論選択の理論的枠組みを実証します。 シミュレーションで、識別スコアを使用して推測可能な乗員の活動を定量化する方法と、セット カバーの概念を適用して、乗員の活動を検出するために必要な数学的に最小のセンサー位置のセットを見つける方法を示します。 識別可能なアクティビティを定量化するための結果として得られるメトリクスにより、将来のセンサー導入時に建物の形状をより適切に考慮し、潜在的なセンサー データの超過を制限できるようになります。 私たちは、センサー測位と建物シミュレーションを組み合わせて使用​​することは、研究者が将来のスマート ビルディングに向けてプライバシーとユーティリティのトレードオフを乗り切るための不可欠な技術として成長すると予想しています。

現在の研究中に生成されたデータセット、および/または現在の研究中に分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

キュロー、RJ et al. 人間の室内快適性研究のための試験室から実地試験までのギャップを埋める: リビングラボの持続可能性の可能性についての批判的なレビュー。 エネルギー抵抗社会科学。 92、102778 (2022)。

記事 Google Scholar

Wagner, A.、O'Brien, W.、Dong, B. 建物内の居住者の行動の調査。 (Wagner, A.、O'Brien, W.、Dong, B. 編) (2018)。

Lu, J.、Birru, D.、Whitehouse, K. シンプルな光センサーを使用して、スマートな昼光収集を実現します。 ビル 73 ～ 78 のエネルギー効率のための組み込みセンシング システムに関する第 2 回 ACM ワークショップの議事録（2010 年）。

Yan, D.、Feng, X.、Jin, Y. & Wang, C. アプリケーション指向の観点からの確率的乗員行動モデルの評価: ケーススタディとして照明行動モデルを使用。 エネルギービルド。 176、151–162 (2018)。

記事 Google Scholar

Zhou, W.、Jia, Y.、Peng, A.、Zhang, Y.、Liu, P. セキュリティとプライバシーに対する IoT 新機能の影響: 新たな脅威、既存のソリューション、および未解決の課題。 IEEE Internet Things J. 6、1606–1616 (2018)。

記事 Google Scholar

Por、E.、Kooten、MV、Sarkovic、V. ナイキスト – シャノンのサンプリング定理 (ライデン大学、2019)。

Google スカラー

Gautam, DK、Kotecha, P. & Subbiah, S. 配水ネットワーク内のセンサー配置を最適化するための、効率的な K 平均法クラスタリングとノード検索スペースの貪欲な選択ベースの削減。 水耐性 220、118666 (2022)。

論文 CAS PubMed Google Scholar

ガーラマニ、A. et al. 個人的な CO2 バブル: コンテキスト依存のバリエーションとウェアラブル センサーの使いやすさ。 J.ビルド。 工学 22、295–304 (2019)。

記事 Google Scholar

パンテリック、J. et al. パーソナル CO2 クラウド: 典型的なオフィスのデスク環境における代謝 CO2 吸入ゾーンの濃度と分散の実験室測定。 J.Exp. 科学。 環境。 エピデミオール。 30、328–337 (2020)。

記事 CAS Google Scholar

Jin, M.、Bekiaris-Liberis, N.、 Weekly, K.、 Spanos, C. & Bayen, A. プロキシによるセンシング: 屋内の CO2 濃度に基づく占有検出。 ユビコム 2015、14 (2015)。

Google スカラー

Szczurek, A.、Maciejewska, M.、Pietrucha, T. CO2 濃度、温度、相対湿度の時系列に基づく占有率の決定。 エネルギービルド。 147、142–154 (2017)。

記事 Google Scholar

Yoon, YR、Lee, YR、Kim, SH、Kim, JW & Moon, HJ 環境およびエネルギー使用量データを使用して、住宅建物における居住者の活動を詳細に分類するための非侵入型データ駆動型モデル。 エネルギービルド。 256、111699 (2022)。

記事 Google Scholar

Huchtkoetter, J. & Reinhardt, A. 非侵入型負荷モニタリングの精度に対する時間データ解像度の影響について。 エネルギー効率の高い建物、都市、交通のためのシステムに関する第 7 回 ACM 国際会議議事録 270–273 (2020)。

Wadhwa, N. et al. オイラービデオの拡大と分析。 共通。 ACM 60、87–95 (2016)。

記事 Google Scholar

Wagiman, KR、Abdullah, MN、Hassan, MY & Radzi, NHM エネルギー性能と視覚的快適性を向上させるための、屋内照明制御システムの新しい最適な光センサー配置方法。 J.ビルド。 工学 30、101295 (2020)。

記事 Google Scholar

Lm、I. 承認された方法: IES 空間昼光自律性 (SDA) および年間太陽光露出 (ASE)。 イルミン。 工学 Soc.. https://www.ies.org/product/ies-spatial-daylight-autonomy-sda-and-annual-sunlight-exposure-ase (2013)。

Shin, M. & Haberl, JS 建物の HVAC 設計とエネルギー シミュレーションのためのサーマル ゾーニング: 文献レビュー。 エネルギービルド。 203、109429 (2019)。

記事 Google Scholar

Wang, C. & Kang, J. パフォーマンス空間のための音響コンピュータシミュレーションの開発：系統的レビューとメタ分析。 Building Simulation 1–17 (Springer、2022) において。

バティ、M. デジタル ツインズ (2018)。

Belhaj, LA、Gosselin, S.、Pouyllau, H. & Semet, Y. エネルギー目標に基づいたスマート センサー配置の最適化。 2016 年のグローバル情報インフラストラクチャおよびネットワーキング シンポジウム (GIIS) 1 ～ 7 (IEEE、2016)。

Li, N.、Becerik-Gerber, B.、Krishnamachari, B.、Soibelman, L. 建物の火災緊急対応業務をサポートする BIM 中心の屋内位置特定アルゴリズム。 オートム。 構造 42、78–89 (2014)。

記事 Google Scholar

アギラール・カラスコ、MT、ディアス・ボレゴ、J、アコスタ、I、カンパノ、M。 & Domínguez-Amarillo、S. CIE テスト ケースを使用した Ladybug と Solemma の照明パラメトリック ワークフロー ツールの検証。 J.ビルド。 工学 Rev. 64、105608 (2022)。

記事 Google Scholar

Reinhart、CF Lightswitch-2002: 電気照明とブラインドの手動および自動制御のモデル。 ソル。 エネルギー 77、15–28 (2004)。

記事 ADS Google Scholar

ネブラスカ州ヤングの貪欲なセットカバー アルゴリズム (1974 ～ 1979 年、chvátal、johnson、lovász、stein)。 アルゴリズム百科事典 379–381 (2008)。

Cheng、RK Inside Rhinoceros 5 (Cengage Learning、2013)。

Google スカラー

Roudsari、MS、Pak、M.、Smith、A. 他。 Ladybug: デザイナーが環境に配慮したデザインを作成できるようにするバッタ用のパラメトリック環境プラグイン。 フランスのリヨンで開催された第 13 回 IBPSA 国際会議議事録 (2013)。

Heydarian, A.、Pantazis, E.、Wang, A.、Gerber, D. & Becerik-Gerber, B. ユーザー中心の建築設計に向けて: 没入型仮想環境を介してエンドユーザーの照明の好みを特定します。 オートム。 構造 81、56–66 (2017)。

記事 Google Scholar

Ward、GJ ラディアンス ライティング シミュレーションおよびレンダリング システム。 第 21 回コンピュータ グラフィックスおよびインタラクティブ技術に関する年次会議議事録、459 ～ 472 (1994)。

Agarwal, A.、Munigala, V. & Ramamritham, K. 可観測性: 建物内にセンサーをプロビジョニングするための原則に基づいたアプローチ。 エネルギー効率の高い建築環境のためのシステムに関する第 3 回 ACM 国際会議議事録、197 ～ 206 (2016)。

Sheinin, M.、Schechner, YY & Kutulakos, KN​​ 電気グリッド上のコンピューティング イメージング。 コンピューター ビジョンとパターン認識に関する IEEE 会議議事録 6437–6446 (2017)。

リファレンスをダウンロードする

この研究は、バージニア連邦サイバー イニシアチブ (CCI) の助成金および国立科学財団 (NSF) の助成金番号 1823325 によって部分的に支援されました。

リンク ラボ、コンピュータ エンジニアリング、バージニア大学、シャーロッツビル、22903、米国

アラン・ワン

バージニア大学、コンピューター サイエンス、リンク ラボ、シャーロッツビル、22903、米国

ブラッドフォード・キャンベル

Link Lab、エンジニアリング システムおよび環境、バージニア大学、シャーロッツビル、22903、米国

アルサラン・ヘイダリアン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

AW、BC、AH がアイデア創出に貢献しました。 AW は実験を実施し、結果を分析しました。 著者全員が原稿をレビューしました。

アルサラン・ヘイダリアンへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Wang, A.、Campbell, B. & Heydarian, A. 建物のパフォーマンス シミュレーションにより、建物内の IoT プライバシーの漏洩を知ることができます。 Sci Rep 13、7602 (2023)。 https://doi.org/10.1038/s41598-023-34450-y

引用をダウンロード

受信日: 2023 年 1 月 1 日

受理日: 2023 年 4 月 30 日

公開日: 2023 年 5 月 10 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。