Stefano MARANO | Projects

NUOVI PARADIGMI PER L'INFERENZA STATISTICA IN APPLICAZIONI EMERGENTI

L'avvento delle reti sociali (Social Networks, SocNet), delle reti di sensori (Sensor Networks, SenNet), dell'internet delle cose (Internet of Things, IoT) e delle grandi moli di dati (Big Data, BD) come emergenti e in qualche caso già ampiamente affermati scenari applicativi, pone nuove problematiche in termini di trattamento del segnale e dell'informazione, richiedendo sovente cambi di paradigma a carattere piuttosto radicale. In questi contesti applicativi è spesso opportuno, quando non assolutamente necessario, adattare le classiche tecniche di inferenza statistica alle specifiche peculiarità delle applicazioni. Per esempio, il carattere decentralizzato e la limitatezza energetica tipica delle SenNet richiede un trattamento dell'informazione a livello locale prima dell'invio di dati al centro di fusione o ad un'entità centrale deputata all'elaborazione statistica finale, per usare in modo parsimonioso la risorsa trasmissiva che comporta un non trascurabile dispendio energetico. D'altra parte le SenNet sono spesso caratterizzate da limitatissime risorse computazionali e di memoria a livello locale. Ne consegue la necessità di un trade-off tra il trattamento locale dell'informazione e il trattamento centralizzato, che tenga altresì conto delle eventuali distorsioni, perdita di pacchetti, o altro tipo di degradazioni dovute alla presenza del canale tra i sensori e il centro di fusione, che è spesso particolarmente rumoroso e inaffidabile. Similmente, nelle SocNet, la mole di dati da analizzare per operare un qualsivoglia tipo di inferenza (clusterizzazione, profiling degli utenti, early anomaly detection, analisi e contromisure per attacchi informatici, ecc.) rende necessaria una “sgrossatura dati” a livello locale, che non può però prescindere dal fine inferenziale ultimo. Siamo dunque ancora in presenza di nuovi trade-off da caratterizzare e da gestire al fine di progettare algoritmi di inferenza che abbiano validità pratica. Nell'IoT è spesso l'eterogeneità dei segnali che richiede particolare attenzione, oltre alla necessità di procedure “cognitive” e adattative che rendano praticabili procedure di inferenza in presenza di connessioni e topologie di rete altamente tempo variabili e difficilmente modellabili. Come l'inferenza statistica debba essere progettata in presenza di tali vincoli rimane in gran parte un problema aperto. In questi scenari applicativi, infine, è spesso il paradigma BD a dettare legge, imponendo modalità operative con forti vincoli di processamento dati, di memoria, di energia. Dalla breve discussione precedente risulta chiaro come, per molti dei moderni scenari applicativi, sia spesso difficile utilizzare conoscenze ben assestate di trasmissione dati e di inferenza (da un lato la teoria di Shannon dall'altro la classica teoria statistica). Quando i due aspetti sono chiamati a convivere e importanti vincoli sono imposti al sistema, infatti, il concetto di ottimalità va necessariamente rivisto, e le conoscenze teoriche di cui disponiamo in questo nuovo ambito sono minori. Di conseguenza, le linee guida progettuali sono meno definite ed assestate. La ricerca proposta si colloca in questo ampio quadro. Nello specifico, con occhio attento alle citate applicazioni emergenti, e basandosi soprattutto su modelli matematici semplificati della realtà fisica oggetto di studio, si intende indagare i trade-off descritti e, possibilmente, proporre soluzioni progettuali ottimali. Parte importante della ricerca è incentrata sulla successiva verifica al calcolatore delle soluzioni proposte. La ricerca ha carattere speculativo, e si basa come detto su modelli matematici delle reti (SenNet, SocNet) e dell'IoT ragionevolmente semplificati. La ricerca ambisce anche a proporre framework operativi e relativi algoritmi di inferenza che siano di grande utilità pratica, fornendo utili linee guida per successivi studi ed approfondimenti e per verifiche sperimentali sul campo.