Les simulations de performances des bâtiments peuvent informer les fuites de confidentialité de l'IoT dans les bâtiments

May 21, 2023

Rapports scientifiques volume 13, Numéro d'article : 7602 (2023) Citer cet article

567 accès

83 Altmétrique

Détails des métriques

À mesure que les appareils IoT deviennent moins chers, plus petits et déployés de manière plus omniprésente, ils peuvent révéler plus d'informations que leur conception prévue et menacer la vie privée des utilisateurs. Les capteurs de qualité de l'environnement intérieur (IEQ) précédemment installés pour les économies d'énergie et la surveillance de la santé intérieure sont apparus comme un moyen de déduire des informations sensibles sur les occupants. Par exemple, les capteurs de lumière sont un conduit connu pour inspecter l'état d'occupation d'une pièce avec des lumières sensibles au mouvement. Les signaux lumineux peuvent également déduire des données sensibles telles que l'identité des occupants et des informations sur l'écran numérique. Pour limiter la portée excessive des capteurs, nous explorons la sélection des placements de capteurs comme méthodologie. Plus précisément, dans cette exploration de preuve de concept, nous démontrons le potentiel des modèles de simulation basés sur la physique pour quantifier le nombre minimal de positions nécessaires pour capturer des inférences sensibles. Nous montrons comment un seul capteur bien placé peut être suffisant dans des contextes de construction spécifiques pour capturer de manière holistique ses états environnementaux et comment des capteurs supplémentaires bien placés peuvent contribuer à des inférences plus granulaires. Nous contribuons à un flux de travail indépendant des appareils et adapté aux bâtiments pour capturer de manière respectueuse l'activité inférable des occupants et élaborer sur les implications de l'intégration de simulations de bâtiments dans des schémas de détection dans le monde réel.

En raison de la sensibilisation accrue aux mesures de réduction d'énergie dans les bâtiments au cours des deux dernières décennies, de nombreuses avancées technologiques ont été introduites pour surveiller les changements des conditions intérieures. Les capteurs et les actionneurs sont de plus en plus intégrés dans les bâtiments pour réduire la consommation énergétique globale tout en améliorant le confort des occupants1,2. Par exemple, les systèmes d'automatisation des bâtiments peuvent réduire la consommation d'énergie d'un bâtiment en atténuant l'éclairage artificiel lorsqu'une lumière du jour suffisante est détectée dans le bâtiment3. Le bâtiment peut également utiliser des capteurs d'occupation et de qualité de l'air pour réduire la demande d'énergie par les unités de chauffage, ventilation et climatisation (CVC) en prévision de la présence ou du confort des occupants4. Le nombre de capteurs installés dans les bâtiments ne fera qu'augmenter avec l'augmentation des prix de l'énergie et les avantages connus des environnements intelligents5. Cependant, de nombreux défis subsistent quant à l'utilisation des données collectées par les capteurs pour améliorer l'utilité des occupants.

Premièrement, et fondamentalement, les capteurs ont des fréquences de collecte de données différentes, de sorte que les chercheurs ne peuvent pas simplement acheter n'importe quel capteur environnemental et l'installer pour capturer toute l'activité qui se déroule à l'intérieur. La fréquence de la collecte de données limite les types de comportements des occupants qui peuvent être déduits. Par exemple, le théorème d'échantillonnage de Nyquist-Shannon démontre que vous devez échantillonner à plus de deux fois la composante de fréquence la plus élevée du signal pour l'inverser correctement6. Les différences d'échelle de temps signifient que les chercheurs ne peuvent pas utiliser une caméra à une image par 30 secondes pour capturer le comportement des sujets qui se produisent toutes les 15 secondes sans perdre de données. L'augmentation de la fréquence, à l'autre extrémité, peut provoquer d'autres effets indésirables, tels que le repliement du signal. Un chercheur (concepteur ou gestionnaire d'installation) doit toujours décider des spécifications du capteur installé, telles que la fréquence, le mode et la variable observée ; l'acte même d'acheter le matériel restreint à perpétuité le comportement observable en aval.

Deuxièmement, les emplacements des capteurs ont un effet important sur l'utilité en aval des données collectées par le capteur, mais le positionnement est souvent négligé ou commence de manière aléatoire puis amélioré de manière itérative7. Les capteurs déployés à des positions incorrectes peuvent entraîner des lectures incorrectes8,9, mais il peut sembler plus pratique d'installer des capteurs et de commencer à collecter des données dès que possible. De plus, les capteurs installés antérieurement pour évaluer un bâtiment peuvent devenir insuffisants ou indésirables pour de nouveaux usages de l'espace. Par exemple, certains résidents peuvent déménager, ce qui rend superflus les capteurs antérieurs situés dans des endroits qui ne sont plus occupés. De même, des résidents supplémentaires peuvent emménager, rendant la couverture antérieure inadéquate pour la nouvelle utilisation de l'espace. L'optimisation de la position et du nombre de capteurs peut entraîner une consommation d'énergie réduite et de meilleures lectures, mais il est difficile d'intégrer et de maintenir des considérations de contextes changeants et d'objectifs de détection pour un nombre de capteurs à l'échelle manuellement.

Enfin, dans l'opportunité de collecter toujours plus de données, les capteurs installés peuvent exposer par inadvertance plus d'informations que nécessaire pour l'utilisation prévue, ce qui entraîne des problèmes de confidentialité pour les occupants. Par exemple, le paradigme de la « détection par procuration » montre comment des mesures par procuration telles que \(\hbox {CO}_2\) peuvent déduire le nombre d'occupants et l'activité10,11. Des informations granulaires similaires sur l'activité des occupants ont également été observées par d'autres capteurs. Par exemple, les activités culinaires peuvent être observées via la fluctuation des PM 2,512. L'utilisation d'appareils granulaires peut également être efficacement désagrégée via une surveillance de charge non intrusive13. Par exemple, les appareils tels que les cafetières et les sèche-cheveux peuvent avoir des signatures de consommation d'énergie uniques liées aux processus de démarrage et à la composition physique de l'appareil. En installant un moniteur de charge au niveau du circuit, la consommation totale d'énergie peut être désagrégée des contributions individuelles en fonction des signatures uniques de l'appareil, permettant des inférences invasives de l'activité des occupants sans avoir besoin d'installer de capteurs à l'intérieur du bâtiment lui-même. D'autres exemples, tels que l'utilisation de caméras et l'amplification de mouvement, ont permis aux chercheurs d'exagérer la vibration des sacs de collations et de procéder à l'ingénierie inverse des sons déchiffrables à l'aide de données visuelles14.

Alors que de plus en plus de projets utilisent l'apprentissage automatique et d'autres méthodes de calcul pour récupérer des données sensibles de l'environnement intérieur, nous examinons plutôt si des méthodes de calcul similaires existent pour aider à réduire les informations inférables des capteurs et protéger la vie privée des occupants du bâtiment. Une voie prometteuse qui peut aider les installations de capteurs à gérer la portée excessive potentielle de la détection se situe à l'intersection des simulations et des placements de capteurs15. Les simulations ont traditionnellement été utilisées pour évaluer différents attributs de performance du bâtiment pendant la phase de conception. L'orientation des bâtiments et l'emplacement des fenêtres, par exemple, peuvent être explorés et quantifiés à l'aide d'un score appelé autonomie à la lumière du jour16. Des simulations des conditions météorologiques et du mouvement du soleil, associées à l'emplacement du bâtiment, à la taille, au matériau et à l'orientation de la fenêtre et de la pièce, permettent aux architectes de découvrir la durée totale d'une année entière pendant laquelle la lumière du jour peut remplacer efficacement l'éclairage artificiel. Des simulations et des mesures similaires peuvent être trouvées pour le CVC, où, compte tenu des heures d'occupation du bâtiment, la taille de la pièce, l'occupation prévue, la consommation d'énergie totale et le débit d'air requis peuvent être prédits et quantifiés17. Les qualités acoustiques d'un bâtiment peuvent également être conçues et adaptées pour mieux correspondre à l'utilisation prévue de l'espace, comme des réverbérations plus longues pour les music-halls et des réverbérations plus courtes pour les salles de classe18. Le moment dans le pipeline pendant lequel ces simulations sont utilisées représente un discours fondamental dans les jumeaux numériques19. Plus précisément, un modèle de simulation peut aider à optimiser le placement des capteurs pour informer sur l'activité des occupants, et il n'a pas besoin d'être exécuté en temps réel parallèlement au jumeau physique pour qu'il ait un impact durable sur l'environnement intelligent.

Par rapport aux méthodes manuelles ou autonomes d'optimisation de la position des capteurs, où des robots sont utilisés pour échantillonner l'environnement de manière routinière et itérative pour découvrir les positions les plus optimales pour les capteurs environnementaux statiques20, les simulations offrent une alternative peu coûteuse pour tester des positions illimitées de capteurs virtuels au prix d'une puissance de calcul. De plus, au lieu de naviguer dans les protocoles des comités d'examen institutionnels (IRB) ou de la logistique de l'environnement (par exemple, pour éviter une fête ou un événement conférencier dans le bâtiment), les simulations permettent aux chercheurs d'éviter un large éventail de complexité qui peut causer des perturbations non négligeables pour les administrateurs et les participants à l'étude. Les chercheurs (concepteurs ou autres décideurs) peuvent exécuter des scénarios de simulation illimités pour voir comment différents facteurs environnementaux ou liés à l'utilisateur peuvent avoir un impact sur les changements du signal en aval avant d'interagir avec l'environnement physique. Par exemple, le mouvement des occupants peut être simulé à l'aide d'agents artificiels pour évaluer la facilité de navigation dans l'espace en cas d'urgence21, le mouvement du soleil peut être simulé à l'aide d'informations historiques sur le ciel22 et des modèles stochastiques peuvent être utilisés pour simuler une interaction des occupants avec les commandes du bâtiment23.

Dans cet article, nous démontrons le potentiel des modèles de simulation basés sur la physique pour quantifier le nombre minimal de positions nécessaires pour capturer des inférences sensibles. Nous montrons comment un seul capteur bien placé peut être suffisant dans des contextes de construction spécifiques pour capturer de manière holistique ses états environnementaux et comment des capteurs supplémentaires bien placés peuvent contribuer à des inférences plus granulaires. Plus précisément, nous nous concentrons sur les simulations d'éclairage en tant que cas de test en raison de son accessibilité et de sa nature géométriquement dépendante. Nous répondons à deux questions de recherche :

QR1 : Quels sont les défis liés à la traduction des inférences d'éclairage trouvées dans le monde réel en inférences trouvées dans les simulations ? Et,

QR2 : Comment la simulation d'éclairage peut-elle être utilisée pour nous informer sur le degré d'information d'un ensemble de positions de capteurs de lumière compte tenu de certaines hypothèses sur l'utilisation de l'espace ?

Nous préconisons l'utilisation de la simulation comme outil standard pour (1) identifier l'emplacement idéal pour les capteurs et minimiser le nombre de capteurs distribués et (2) identifier les informations potentielles que les capteurs peuvent collecter lorsqu'ils sont déployés dans la vie réelle en montrant les capacités des simulations pour calculer les états des bâtiments contenant une activité granulaire des occupants de manière exhaustive. En d'autres termes, nous montrons comment l'environnement simulé permet aux chercheurs d'évaluer les effets que la position des capteurs et la géométrie du bâtiment peuvent avoir sur les inférences d'activité des occupants. Le flux de travail démontre une avenue pour les futurs chercheurs pour vérifier les inférences possibles des positions de capteur existantes ou utiliser le « réglage des positions de capteur » comme méthode pour limiter la portée excessive de l'inférence du capteur.

Nous considérons le scénario où un chercheur essaie de déterminer l'état d'allumage et d'extinction de luminaires individuels. Compte tenu de la nature additive de la lumière, nous abordons la décomposition de la contribution lumineuse sommée à un point de capteur dans le bâtiment en la formulant comme un problème de somme parfaite avec un seuil de bruit \(\epsilon\). Étant donné que l'intensité lumineuse diminue égale à l'inverse de la distance au carré de la source et que chaque luminaire possède des données photométriques, le déplacement du placement final d'un capteur de lumière à une distance variable des sources lumineuses peut permettre de désagréger les contributions individuelles. Par exemple, nous pouvons utiliser la géométrie et la baisse de l'intensité lumineuse en fonction de la distance pour coordonner des empreintes digitales uniques pour chaque luminaire à portée. De plus, la possibilité d'utiliser tout l'espace du bâtiment comme zones de placement potentielles permet aux chercheurs d'explorer de manière exhaustive la possibilité d'utiliser des ensembles de positions de capteurs potentiels qui nécessitent traditionnellement des essais et des erreurs répétés pour être capturés.

Soit \(L= [l_0, l_1,... l_{n-1}]\), où L est un vecteur de configuration de n états de source lumineuse individuels \(l_i\in \{0,1\}\). Ensuite, pour tout emplacement s, étant donné une configuration L, on voit le vecteur de contribution \(X(s,L) = [x_0, x_1, ..., x_{n-1}]\), où les contributions de chaque source lumineuse \(x_i\) correspondent à chaque état lumineux \(l_i\) modifié par la distance et l'encombrement. Le nombre maximum de configurations possibles est alors égal à la cardinalité de la puissance réglée avec chaque source lumineuse, soit \(2^{n}\).

Étant donné un solveur de somme parfaite, nous pouvons prendre une somme cible \({{\textbf {K}}}\), un seuil \(\epsilon\) et une liste de contributions individuelles \([x_0,x_1,...x_{n-1}]\) et renvoyer une liste de listes contenant toutes les combinaisons possibles de contributions totalisant \({{\textbf {K}}}\pm \epsilon\). Chaque liste correspond à une configuration possible qui correspond aux contraintes, mais comme finalement une seule configuration est correcte, nous calculons la précision pour chaque inférence en utilisant \(\text {Accuracy} = \frac{|L \cap L_{\text {infer}}|}{|L \cup L_{\text {infer}}|}\) et renvoyons la moyenne.

Les lectures de capteurs à partir de plusieurs points ne corroborent pas toujours les mêmes configurations d'éclairage. Pour surmonter cela, nous désambiguisons les inférences de configuration de lumière désalignées en utilisant un vecteur de vote \(V(s,L) = \begin{bmatrix} v_{0}, v_{1}, ... v_{n} \end{bmatrix}\), de chaque capteur, où \(v_{i}\) vaut 1 si le luminaire est déterminé comme étant allumé, −1 si la lumière est déterminée comme étant éteinte et 0 si la lumière ne peut pas être détectée (c'est-à-dire que le capteur est hors de portée de le luminaire). L'inférence finale est choisie sur la base de la somme des votes. Si la valeur est supérieure à zéro, le luminaire est allumé. Si la valeur finale est inférieure à zéro, on considère le luminaire éteint.

Pour généraliser la détection du monde réel aux simulations de construction, nous introduisons un seuil d'erreur \(\tau\) et définissons un vecteur de distinction \(D_{\tau }\) comme :

Par exemple, étant donné une contribution, \(X(s,L) = [1, 2, 4]\), si le seuil d'erreur \(\tau = 1\), alors \(D_{1}(X(s,L)) = [0, 0, 1]\) et le score de distinction \({{\textbf {D}}}_{1} = \sum {D_{1}} = 1\). Cependant, étant donné un \(\tau = 0,5\) pour la même contribution, \(D_{0,5}(X(s,L)) = [1, 1, 1]\), donc \({{\textbf {D}}}_{0,5} =3\). La somme du vecteur de distinction nous aide à déchiffrer le nombre total d'états d'éclairage détectables à une position donnée et tient compte de la résolution du capteur lors de l'attribution du crédit. Nous utilisons ce score dans nos simulations, où les capteurs de lumière virtuels dans la simulation n'ont pas la dégradation de la lumière ajoutée et d'autres termes de bruit de mesure.

Pour nos inférences d'activité, nous tenons compte des angles de porte \(j=3\) (c'est-à-dire, \(\{0^{\circ }, 45^{\circ }\), \(90^{\circ }\}\)), pour \(m=2\) portes. Pour trouver le score de distinction pour chaque état d'application donné a est alors :

Étant donné que le choix de la combinaison minimale d'emplacements de capteurs capables de détecter toutes les applications possibles est un problème NP-Hard connu appelé problème de couverture minimale (MSC), par souci de simplicité, nous visualisons les états déductibles uniquement pour le scénario à capteur unique. Enfin, nous montrons un ensemble d'exemples d'emplacements de capteurs de lumière qui peuvent capturer notre variable latente et les états d'éclairage du bâtiment en utilisant un algorithme connu pour le problème MSC : l'approximation de la couverture de l'ensemble Greedy (GSCA)24. Pour voir si un ensemble de capteurs de lumière capture les informations dynamiques du bâtiment, nous pouvons ensuite utiliser l'ensemble des états d'application comme univers d'états pour couvrir un seuil \(<\tau\) par rapport à toutes les autres lignes d'emplacements de capteurs pour la même colonne d'état d'application pour informer l'adhésion, pour trouver le sous-ensemble minimum d'emplacements de capteurs requis pour couvrir l'intégralité des états d'application. Nous ciblons l'utilisation de la porte en raison de sa nature fixe. L'ouverture et la fermeture des portes ont un effet important sur l'éclairage perçu par les capteurs, avec le potentiel de bloquer de manière cohérente des sections d'éclairage. De plus, l'utilisation de la porte est un aperçu plus approfondi de l'utilisation de l'espace non prévue par les capteurs de lumière. L'utilisation de la salle de bain, de la chambre ou du salon implique naturellement d'ouvrir et de fermer les lumières et les portes. Dans ce cas, où l'éclairage ne s'éteint pas automatiquement, être capable de discerner le mouvement de la porte même lorsque toutes les lumières sont allumées permet de faire des inférences plus granulaires sur l'utilisation de l'espace.

Comme le montre la figure 1, même pour une source lumineuse unique, l'angle de l'état de repos d'une porte peut avoir un impact significatif sur le signal lumineux détecté final. À l'aide de ces méthodes, nous avons mené deux expériences : (1) nous avons déployé des capteurs de lumière dans le cadre résidentiel modélisé pour explorer les défis du monde réel liés à la détection des états lumineux et à la fusion des inférences de plusieurs capteurs, et (2) nous avons modélisé le bâtiment résidentiel et simulé un ensemble d'éléments de construction dynamiques pour analyser le nombre d'états lumineux et d'états latents pouvant être observés. L'étude dans le monde réel a d'abord été menée en tant que vérification de la santé mentale ; si nous pouvons placer arbitrairement des capteurs en utilisant uniquement l'intelligence humaine, il est inutile d'utiliser des simulations pour prendre en charge les placements de capteurs. L'étude de simulation a été menée pour voir si l'espace de simulation corroborerait les résultats de notre étude dans le monde réel et également pour évaluer le nombre minimum de capteurs capables de capturer un ensemble de comportements lumineux perturbateurs.

Les relations entre les éléments de construction et l'éclairage peuvent être utilisées pour informer sur les changements dans l'environnement physique.

Dans le monde réel, nous avons modernisé toutes les lampes d'un immeuble résidentiel avec des lampes Philips Hue A19 de 800 lumens et 10 watts et avons regroupé chaque ensemble de lumières avec leur luminaire correspondant. Par exemple, deux à trois lampes peuvent être associées à chaque interrupteur d'éclairage. Nous avons contrôlé chaque lampe Philips Hue à l'aide de l'API Hue et de Python pour limiter le besoin de modifier manuellement les interrupteurs d'éclairage. Nous avons ensuite utilisé des Raspberry Pi 4 connectés à des capteurs de lumière CQRobot TSL2591X avec une plage de détection efficace de 0 à 88 000 Lux comme capteur, communiquant à l'aide de l'interface I2C avec le Pi. Pour tenir compte de la gigue, nous avons utilisé les valeurs moyennes de lux pendant 3 secondes comme lignes de base, collectées à 4,7 Hz après que notre code a modifié la configuration des configurations d'éclairage L pendant 3 secondes en raison des changements d'intensité lumineuse lors des transitions d'état. Nous avons utilisé la proximité des sources lumineuses comme guide pour installer les capteurs de lumière à chaque emplacement et orientation, comme illustré à la Fig. 2. Plus précisément, nous avons visuellement recherché les positions des capteurs sur différents murs, permettant aux capteurs de capter la lumière de différentes sources lumineuses. Ensuite, nous avons déplacé notre système de capteurs sur chaque position et automatisé les transitions d'éclairage à l'aide du Raspberry Pi, exportant les données finales dans un fichier CSV pour le post-traitement. La précision finale que nous rapportons est expliquée dans les résultats, où la vérité terrain est la commande d'entrée que nous avons utilisée pour automatiser les états lumineux. Pour installer un ensemble initial de capteurs, nous avons identifié des murs dans le banc d'essai que tous les luminaires peuvent atteindre, puis nous avons placé sept capteurs sur ces murs, à sept pieds au-dessus du sol illustré à la Fig. 2. L'idée est de voir s'il est possible d'installer des capteurs dans des endroits qui évitent le bruit dans les données causé par les ombres dans la circulation humaine, la réflexion des meubles et d'autres LED des appareils et objets. Cela nous permet de détecter avec précision l'état d'éclairage du bâtiment pour le scénario de porte ouverte statique avant de plonger dans les permutations de portes dans l'expérience de simulation.

Agencement du bâtiment et de l'éclairage. Les chiffres indiquent les positions du capteur de lumière et les alphabets indiquent les sources lumineuses. Les lignes pointillées indiquent les limites géométriques que nous avons utilisées pour rechercher nos murs candidats pour installer les capteurs.

Dans une simulation, nous avons utilisé Grasshopper pour paramétrer plusieurs mouvements de porte et simulé chacune des combinaisons d'angle de porte allouées à l'aide de Rhino25. Nous avons ensuite utilisé le plug-in grasshopper honeybee26 comme nous l'avons fait dans nos travaux précédents27 pour extraire les contributions d'éclairage à chaque point du capteur. Essentiellement, le plug-in agit comme un intergiciel qui prend les fichiers de géométrie du bâtiment et d'éclairage photométrique (fichiers IES) qui décrivent la distribution géométrique de l'intensité de la lumière et les transmet au moteur de rendu d'éclairage radiance28. L'expérience a été supposée être entreprise la nuit avec des fenêtres couvertes pour éviter les sources de lumière externes. Nous avons utilisé le matériau de simulation par défaut pour tous les objets mur, sol, plafond, porte et fenêtre. Pour les fichiers d'éclairage photométrique, nous avons utilisé des plafonniers encastrés génériques pour les luminaires A, B, C, E et F et un luminaire mural générique pour D. Nous automatisons les entrées dans le flux de travail Grasshopper et exportons les fichiers texte que nous convertissons pour le post-traitement à l'aide de modules Python dans Grasshopper. Le processus renvoie un rendu de lumière par lancer de rayons du bâtiment pour chaque position de capteur virtuel définie. Nous extrayons chaque valeur d'éclairage pour le post-traitement en la faisant passer par les solveurs Perfect Sum et l'algorithme GSCA. Ce flux de travail nous a permis d'explorer les différences d'éclairage potentielles dans l'environnement global sans avoir à placer physiquement de nouveaux capteurs, à changer les luminaires allumés et éteints et à déplacer les portes dans le monde réel.

Nous avons d'abord mené une étude de faisabilité pour explorer les défis potentiels de la collecte manuelle des données des capteurs. Nous avons ensuite utilisé les expériences que nous avons apprises pour éclairer notre modélisation du bâtiment dans l'espace de simulation. Nous résumons l'expérience du monde réel et l'expérience de simulation ci-dessous.

La figure 3 montre la répartition de la précision individuelle pour ces emplacements. La précision médiane des inférences était généralement supérieure à 80 %, l'emplacement 6 ayant la précision médiane la plus faible. Nous pensons que cela est dû au fait que la direction à laquelle le capteur fait face est directement opposée au luminaire F et que les lumières réfléchies par le mur sont moins puissantes que la baisse d'intensité due à la distance. Dans l'ensemble, nous avons toujours trouvé possible de désagréger tous les états lumineux possibles à l'aide d'un seul capteur (c'est-à-dire un capteur de lumière situé en position 4), mais de nombreux facteurs peuvent contribuer aux inférences imparfaites. Par exemple, lorsqu'un occupant ferme la porte d'une pièce, les informations sur l'état de la lumière dans cette pièce sont perdues pour les capteurs extérieurs. Nous rencontrons également des situations où l'état lumineux déduit des signaux ne s'aligne pas, car le bruit dans l'environnement et le capteur était supérieur à la résolution requise pour différencier les états. Par exemple, la contribution de l'éclairage de deux sources lumineuses différentes peut s'additionner pour être la même (par exemple, 2 + 5 et 3 + 4 sont tous deux égaux à 7) conduisant à des lectures ambiguës. Cela nous a conduit à utiliser un mécanisme de vote pour réduire l'erreur globale du système, qui est décrit plus en détail dans la section "Méthodes".

Lorsque nous avons automatisé les états d'éclairage, nous avons également réalisé que, contrairement à ce qui peut arriver dans les simulations, l'allumage et l'extinction des lumières dans le monde réel n'est pas instantané. Plus précisément, lors de l'allumage des lumières, il y a un temps de démarrage distinct lorsque la lumière commence à s'assombrir après que l'interrupteur est basculé et approche de sa luminosité finale après un délai. De plus, lors de la modernisation des luminaires, nous avons remarqué que toutes les lumières n'utilisaient pas les mêmes ampoules et que les zones probablement plus fréquentées avaient des ampoules qui étaient remplacées plus fréquemment. Cela suggère que le suivi de l'utilisation de la lumière dans un bâtiment peut également être utile pour suivre les lumières qui doivent être remplacées et tenir compte de la dégradation de la luminosité des lampes au fil du temps. Enfin, nous avons constaté que le nombre de capteurs, de microcontrôleurs et de prises disponibles impose également une limite au nombre de positions pouvant être testées simultanément. En plus d'acheter une longue rallonge pour déplacer notre appareil de détection à travers le bâtiment, nous avions également suivi une procédure de déplacement des capteurs, d'installation de capteurs, de parcours de tous les états d'éclairage et de désinstallation de capteurs pour détecter chaque position.

Précision d'inférence de l'état de la lumière pour chacune des 7 positions pour 64 états d'éclairage possibles pour les positions sélectionnées manuellement. Les triangles marquent la précision moyenne pour chaque emplacement de capteur, tandis que la ligne au milieu de la boîte marque la précision médiane.

Compilation des cartes thermiques du score de distinction \({{\textbf {D}}}_{0.01}\) pour chaque configuration de bâtiment. En plus de la résolution du capteur, la configuration physique du bâtiment peut également modifier systématiquement les états inférables de l'ensemble de capteurs. Notez que l'échelle des figures ((a) à (i) est sur une échelle de 64, tandis que l'échelle agrégée sur (j) est sur 576.

En utilisant les informations que nous avons tirées de l'expérience du monde réel, nous avons développé une simulation d'éclairage qui s'écarte des simulations d'éclairage traditionnelles pour explorer les endroits où les installations de capteurs statiques peuvent nous fournir le plus d'informations. Plus précisément, dans notre simulation d'éclairage, nous avons inclus des murs au lieu d'utiliser le plan de travail traditionnel – un plan imaginaire situé au niveau d'un bureau où le travail est effectué – car nous ne nous intéressons pas à l'utilisation de l'espace mais plutôt à la possibilité d'installer de vrais capteurs statiques et de détecter différents comportements dans l'espace (par exemple, le comportement d'un interrupteur). Les résultats de la simulation sont illustrés à la Fig. 4. Les figures 4a à 4i représentent les différents états des éléments de construction dynamiques, la carte thermique montrant la valeur du score de distinction \({{\textbf {D}}}_{0,01}\) de 0 à 64, représentant le nombre d'états collectifs qu'un capteur placé à l'emplacement peut détecter. La figure 4a représente une simulation de détection de lumière typique, où le mouvement d'éléments de construction supplémentaires n'est pas pris en compte. Dans ce scénario, de nombreuses positions au milieu de la pièce où toutes les lumières peuvent atteindre peuvent être utilisées pour déduire l'état d'éclairage de tous les luminaires. À partir de la Fig. 4b – i, nous montrons que ces positions médianes informatives diminuent à mesure que les portes se ferment et bloquent les contributions d'éclairage de différentes sources. Sur les figures 4d et e, lorsque toutes les portes sont encore partiellement ouvertes, nous constatons une légère réduction des zones qui peuvent encore faire toutes les inférences ciblées. Cependant, sur les figures 4c, f, g, h et i, nous voyons l'inférence totale possible diminuer visiblement de moitié à trois quarts.

La figure 4j représente l'emplacement unique le plus informatif représentant tous les états de porte possibles. Même s'il y a des emplacements informatifs au milieu, nous observons également qu'il y a des points d'information perdue, des zones sombres qui ont un potentiel d'inférence plus faible. Ceci est le résultat du conflit des combinaisons de contribution lumineuse qui conduisent à des lectures ambiguës. Comparativement, alors que la Fig. 4i a un nombre inférieur d'inférences possibles au milieu, il y a aussi des "points noirs" moins informatifs à la suite de collisions. La figure 4k montre comment Greedy Set Cover Approximation (GSCA) a trouvé un emplacement unique qui peut détecter tous les états lumineux, mais la figure 4l montre que le meilleur emplacement précédent n'est plus valide lorsque nous tenons compte de l'ouverture et de la fermeture des portes. Plus précisément, nous pouvons voir un ensemble de capteurs placés profondément dans les pièces loin des zones bruyantes du centre, ce qui aide à lever l'ambiguïté des lectures lorsque les signaux d'éclairage sont brouillés par la réflexion et l'atténuation dans la zone centrale.

La principale conclusion de notre étude est la suivante : la position du capteur est importante et des simulations peuvent être utilisées pour quantifier l'importance de la position. En quantifiant les informations inférables dans la simulation, les exploitants de bâtiments peuvent ajuster le spectre de confidentialité et d'utilité pour l'endroit où l'installation du capteur doit avoir lieu avant le déploiement. La quantité et l'emplacement des capteurs peuvent être modifiés pour supprimer délibérément les inférences possibles basées sur les attributs physiques de l'environnement. Même après le déploiement, la simulation explique où se situe l'installation actuelle sur ce spectre et les moyens de naviguer dans ce compromis. Dans notre scénario, ce compromis entre confidentialité et utilité est exactement le score de distinction, une valeur quantifiable entre zéro et le nombre total d'états que nous considérons.

Vers la réponse à la QR1 : nous avons constaté que le caractère informatif de l'emplacement du capteur dépend également de la résolution du capteur. Paradoxalement, plus il y a de contributions de différentes sources lumineuses détectées par une paire capteur-emplacement, plus il y a de chances qu'il y ait des lectures ambiguës dans le solveur de somme parfaite en raison du nombre de combinaisons possibles et de la gigue dans les signaux du capteur. Ces instabilités, illustrées à la Fig. 1, signifient une distinction essentielle entre les capteurs du monde réel et virtuels dans les simulations. L'ajout de capteurs supplémentaires dans le monde physique n'augmente pas, par défaut, la précision de l'inférence finale de l'état de la lumière. L'exigence d'une détection précise repose sur la précision de la majorité des votes exprimés. Pour connaître le niveau de résolution le plus bas autorisé pour une détection précise avant d'acheter un capteur, les simulations peuvent être un outil utile pour faciliter la planification. Dans la simulation, la résolution des capteurs virtuels est déterministe sous les mêmes paramètres, et des ajustements peuvent être faits pour simuler différentes résolutions de capteurs en introduisant des termes de bruit supplémentaires. De plus, en ajoutant plus d'informations sur l'activité, les simulations peuvent être améliorées pour tenir compte des différentes fréquences d'échantillonnage en discrétisant les points d'échantillonnage sur la base d'une fonction de réponse continue. Avec des ressources de calcul suffisantes, des permutations de différentes politiques d'échantillonnage et descriptions de capteurs peuvent être utilisées pour optimiser la précision, la redondance et l'efficacité de l'inférence. Avec les simulations, les chercheurs peuvent obtenir des inférences plus intrusives avec moins de capteurs, moins d'échantillons et moins d'énergie par rapport à l'absence de simulations.

Vers la réponse à la QR2 : nous avons constaté que l'utilisation de simulations d'éclairage avec une formulation du problème de la somme parfaite avec le problème de la couverture définie nous a permis de quantifier le nombre minimal de capteurs de lumière nécessaires pour capturer l'état de la lumière du bâtiment, y compris la modification des portes. Nous avons constaté que tant que le capteur est placé dans un endroit où toutes les sources lumineuses peuvent atteindre et entraîner une contribution différente, un seul capteur est théoriquement suffisant pour déduire toutes les configurations lumineuses possibles dans le bâtiment si la résolution équivalente \(\tau\) est suffisamment petite. Cependant, à mesure que des portes sont introduites qui peuvent bloquer les contributions d'éclairage d'autres luminaires, le nombre minimum de capteurs requis pour détecter l'état d'éclairage du bâtiment devient égal au nombre total de zones indépendantes. Par exemple, trois pièces distinctes nécessitent au moins trois capteurs pour détecter l'état d'éclairage, quel que soit le nombre de luminaires dans chaque pièce. Le nombre minimum de capteurs requis passe de un à 31 lorsque nous avons pris en compte le mouvement des portes comme le montre la Fig. 4k par rapport à la Fig. 4l. Cela indique que même des bâtiments résidentiels simples sans gradateurs peuvent créer des environnements lumineux complexes si des éléments de construction courants tels que des portes sont pris en compte. À moins que les chercheurs ne disposent de milliers de capteurs, placés à chaque pouce de l'espace, ils ne pourraient pas tester l'intégralité de l'espace à la fois.

Enfin, les simulations peuvent être beaucoup plus rapides au niveau de la recherche des positions optimales. Dans notre expérience, il nous a fallu environ 30 minutes pour tester une position dans le monde réel, où, comme dans l'espace de simulation, nous couvrons environ un emplacement de capteur toutes les 0,11 minutes de simulation (environ 2 800 points peuvent être calculés toutes les 5 minutes pour les 64 états lumineux différents). Cela correspond à une augmentation d'environ 270 fois de l'efficacité lors de l'utilisation de simulations pour tester des positions par rapport à des tests dans le monde réel, sans tenir compte du temps de configuration dans les deux scénarios. Étant donné que les simulations n'exigent pas non plus que les chercheurs soient physiquement présents dans l'espace, les simulations présentent un avantage distinct par rapport aux tests manuels en tant qu'étape importante pour améliorer les déploiements de capteurs physiques. Avec l'augmentation des scénarios de simulation qui intègrent le mouvement humain et d'autres modalités telles que le bruit et le CVC, l'espace numérique deviendra de plus en plus critique non seulement pour le positionnement des capteurs, mais également pour une grande myriade de tâches de sélection. Qu'il s'agisse du type de capteurs à déployer, de la fréquence d'échantillonnage des données, des informations qu'ils fournissent à quels moments de la journée et des saisons, des différents niveaux d'activité des occupants auxquels s'attendre et avec quels capteurs logiciels29 combiner et faire des inférences, les simulations joueront un rôle de plus en plus important dans le contrôle et le test de la portée des inférences dans les bâtiments. Des méthodes comme celle-ci démontrent que les simulations ont le potentiel de remplacer les experts du domaine. Si les experts peuvent numériser la connaissance des emplacements de capteurs spécifiques pour la mise en service des bâtiments, par exemple, ils peuvent permettre des conceptions de protection de la vie privée des occupants accessibles et conformes au code tout en offrant en outre la possibilité d'interagir avec d'autres simulations utilisant le même modèle de bâtiment.

Le travail que nous avons réalisé représente à la fois des tâches de modèle prédictif, où nous anticipons le cas d'utilisation de l'occupant avant d'installer les capteurs, mais aussi une étape vers la réduction de l'écart entre le jumeau numérique et le jumeau d'origine. Les installations de capteurs peuvent tirer parti de plus que leur placement concernant les éléments de construction courants tels que les sols, les murs et les portes. Les placements de capteurs peuvent également bénéficier de la connaissance d'autres capteurs dans le contexte. Le flux de travail que nous démontrons permet des explorations dans la conception de bâtiments qui peuvent être mis en service plus efficacement avec moins de capteurs. Le développement de mesures pour quantifier les inférences possibles offre également aux concepteurs et aux chercheurs un moyen supplémentaire de prendre en compte la confidentialité des utilisateurs. Par exemple, il pourrait y avoir des « zones silencieuses » dédiées où les capteurs ne peuvent détecter aucune activité des occupants, protégés par les lois de la physique. Les simulations peuvent être un outil efficace pour rivaliser avec l'échelle des développements de capteurs, car elles peuvent protéger leurs utilisateurs contre des scénarios qui n'ont pas encore eu lieu et informer et ajuster les modèles à l'aide de données réelles. Alors que la fracture entre les jumeaux numériques et originaux se réduit, nous considérons que leurs identités distinctes présentent certains avantages. Par exemple, les jumeaux numériques peuvent être exploités "hors ligne" pour explorer des scénarios réactifs et prédictifs qui informent sur l'action corrective optimale sans interférer avec les opérations dans le système réel. Cependant, cela ne veut pas dire que les simulations ne seront pas également une partie de plus en plus importante des opérations dans les systèmes en temps réel. Les décisions de gérer les incitations potentielles partagées entre l'opérateur du bâtiment et l'occupant dépendront probablement des circonstances et pourraient nécessiter des mises à jour de routine pour soutenir la nouvelle direction et les nouveaux locataires. Un exploitant de bâtiment peut installer des capteurs de lumière dans toutes les pièces pour éviter la complexité de l'inférence, mais exposer des informations sur l'utilisation de la cuisine, du salon et de la salle de bain de l'occupant qu'il considère comme privée. De même, un occupant peut installer un capteur pour comprendre l'éclairage dans le salon mais divulguer accidentellement les états d'éclairage d'autres pièces à l'opérateur du bâtiment. Les décisions concernant les données qui devraient être cachées pour des raisons de confidentialité ou celles qui devraient être disponibles pour l'utilité nécessiteraient une fusion des idéologies concernant la propriété de l'espace, la propriété des données, l'éthique, entre autres considérations. Quelle que soit la perspective, la première étape consiste à montrer de manière reproductible et basée sur les données où une installation de capteur se situe théoriquement sur le spectre de la confidentialité et de l'utilité.

L'une des limites de cette étude était qu'elle a été menée sur une unité résidentielle plus ancienne, où les bâtiments pourraient ne pas refléter une compréhension plus moderne de l'utilisation efficace des luminaires. L'implication de l'utilisation des capteurs sur la vie privée dans des situations publiques et semi-publiques telles que les bureaux et les bibliothèques pourrait avoir un impact plus large sur le nombre de personnes concernées. Une autre limite est notre hypothèse de vues instantanées dans les simulations. Nous n'avons pas intégré le temps (analyse des signaux au lieu des valeurs) comme par le biais des fonctions de réponse bulbe30. Cela peut limiter la capacité des simulations à refléter le temps entre les instantanés et les inférences supplémentaires qui peuvent être tirées à la suite de taux d'échantillonnage plus réalistes. Une autre limitation est que nous n'avons collecté que les niveaux d'intensité lumineuse, mais n'avons pas approfondi les autres propriétés de la lumière, telles que les couleurs d'éclairage. Nous soupçonnons que les couleurs peuvent être un moyen important de lever davantage l'ambiguïté des signaux d'éclairage. Par exemple, les lumières individuelles pourraient d'abord être filtrées par couleur, réduisant ainsi le nombre total de combinaisons et de collisions possibles qui pourraient se produire. Une autre limitation est que l'implication de certains meubles a le potentiel de modifier l'environnement intérieur. Par exemple, avoir un miroir sur le mur peut modifier radicalement l'environnement lumineux, comme avoir des matériaux absorbant la lumière sur les sols. Enfin, notre travail n'aborde pas la difficulté de construire un modèle de bâtiment représentatif, ni les rendements décroissants potentiels de la modélisation de l'environnement avec des détails plus réalistes. Bien que de nombreux avantages puissent être obtenus avec un modèle de bâtiment informatif, le coût de construction d'un modèle représentatif peut éventuellement l'emporter sur la demande de protection de la vie privée d'un occupant. Le coût du modèle de bâtiment peut être encore aggravé lorsque plus de temps de calcul est nécessaire pour calculer les interactions physiques dans l'espace, comme l'augmentation du nombre de rebonds pour les simulations d'éclairage ou le nombre de particules dans les simulations de dynamique des fluides computationnelle (CFD).

Nous démontrons un cadre théorique pour la sélection d'inférence d'activité intérieure à travers des expériences de simulation et des placements de capteurs dans le monde réel. Nous montrons comment les simulations peuvent quantifier les activités inférables des occupants à l'aide d'un score de distinction et comment trouver un ensemble mathématiquement minimum de positions de capteurs nécessaires pour les détecter en appliquant le concept de couverture d'ensemble. Les métriques qui en résultent pour quantifier les activités distinctes permettent aux futurs déploiements de capteurs de mieux prendre en compte la géométrie des bâtiments et de limiter la portée excessive potentielle des données des capteurs. Nous prévoyons que l'utilisation du positionnement des capteurs associée à des simulations de bâtiments deviendra une technique essentielle pour les chercheurs afin de naviguer dans le compromis entre confidentialité et utilité pour les bâtiments intelligents de demain.

Les ensembles de données générés pendant et/ou analysés pendant l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Cureau, RJ et al. Combler le fossé entre les salles d'essai et les essais sur le terrain pour les études sur le confort intérieur humain : un examen critique du potentiel de durabilité des laboratoires vivants. Énergie Rés. Soc. Sci. 92, 102778 (2022).

Article Google Scholar

Wagner, A., O'Brien, W. & Dong, B. Exploration du comportement des occupants dans les bâtiments. (eds Wagner, A., O'Brien, W., Dong, B.) (2018).

Lu, J., Birru, D. & Whitehouse, K. Utilisation de capteurs de lumière simples pour obtenir une récolte intelligente de la lumière du jour. Dans Actes du 2e atelier de l'ACM sur les systèmes de détection intégrés pour l'efficacité énergétique dans les bâtiments 73–78 (2010).

Yan, D., Feng, X., Jin, Y. & Wang, C. L'évaluation des modèles stochastiques de comportement des occupants d'un point de vue orienté application : utilisation du modèle de comportement d'éclairage comme étude de cas. Construire de l'énergie. 176, 151-162 (2018).

Article Google Scholar

Zhou, W., Jia, Y., Peng, A., Zhang, Y. & Liu, P. L'effet des nouvelles fonctionnalités de l'IdO sur la sécurité et la confidentialité : nouvelles menaces, solutions existantes et défis à résoudre. IEEE Internet Things J. 6, 1606–1616 (2018).

Article Google Scholar

Por, E., Kooten, MV & Sarkovic, V. Nyquist–Shannon Sampling Theorem (Université de Leiden, 2019).

Google Scholar

Gautam, DK, Kotecha, P. & Subbiah, S. Regroupement k-means efficace et réduction basée sur la sélection gourmande de l'espace de recherche nodal pour l'optimisation du placement des capteurs dans les réseaux de distribution d'eau. Eau Rés. 220, 118666 (2022).

Article CAS PubMed Google Scholar

Ghahramani, A. et al. Bulle de CO2 personnelle : variations dépendant du contexte et utilisabilité des capteurs portables. J. Construire. Ing. 22, 295–304 (2019).

Article Google Scholar

Pantelic, J. et al. Nuage de CO2 personnel : Mesures en laboratoire de la concentration et de la dispersion de la zone d'inhalation de CO2 métabolique dans un environnement de bureau typique. J. Exp. Sci. Environ. Épidémiol. 30, 328-337 (2020).

Article CAS Google Scholar

Jin, M., Bekiaris-Liberis, N., Weekly, K., Spanos, C. & Bayen, A. Détection par procuration : détection de présence basée sur la concentration intérieure de CO2. UBICOMM 2015, 14 (2015).

Google Scholar

Szczurek, A., Maciejewska, M. & Pietrucha, T. Détermination de l'occupation basée sur des séries chronologiques de concentration de CO2, de température et d'humidité relative. Construire de l'énergie. 147, 142-154 (2017).

Article Google Scholar

Yoon, YR, Lee, YR, Kim, SH, Kim, JW & Moon, HJ Un modèle non intrusif basé sur les données pour la classification détaillée des activités des occupants dans les bâtiments résidentiels à l'aide de données sur l'environnement et la consommation d'énergie. Construire de l'énergie. 256, 111699 (2022).

Article Google Scholar

Huchtkoetter, J. & Reinhardt, A. À propos de l'impact de la résolution temporelle des données sur la précision de la surveillance non intrusive de la charge. Dans Actes de la 7e Conférence internationale ACM sur les systèmes pour les bâtiments, les villes et les transports éconergétiques 270–273 (2020).

Wadhwa, N. et al. Grossissement et analyse vidéo eulérienne. Commun. ACM 60, 87–95 (2016).

Article Google Scholar

Wagiman, KR, Abdullah, MN, Hassan, MY & Radzi, NHM Une nouvelle méthode de placement optimal du capteur de lumière d'un système de contrôle d'éclairage intérieur pour améliorer les performances énergétiques et le confort visuel. J. Construire. Ing. 30, 101295 (2020).

Article Google Scholar

Lm, I. Méthode approuvée : Autonomie spatiale à la lumière du jour (SDA) IES et exposition annuelle à la lumière solaire (ASE). Illumin. Ing. Soc.. https://www.ies.org/product/ies-spatial-daylight-autonomy-sda-and-annual-sunlight-exposure-ase (2013).

Shin, M. & Haberl, JS Zonage thermique pour la conception CVC des bâtiments et la simulation énergétique : une revue de la littérature. Construire de l'énergie. 203, 109429 (2019).

Article Google Scholar

Wang, C. & Kang, J. Développement de la simulation informatique acoustique pour les espaces de performance : une revue systématique et une méta-analyse. Dans Building Simulation 1–17 (Springer, 2022).

Batty, M. Jumeaux numériques (2018).

Belhaj, LA, Gosselin, S., Pouyllau, H. & Semet, Y. Optimisation du placement des capteurs intelligents sous les objectifs énergétiques. En 2016, Global Information Infrastructure and Networking Symposium (GIIS) 1–7 (IEEE, 2016).

Li, N., Becerik-Gerber, B., Krishnamachari, B. & Soibelman, L. Un algorithme de localisation intérieure centré sur le BIM pour prendre en charge les opérations d'intervention d'urgence en cas d'incendie. Autom. Constr. 42, 78–89 (2014).

Article Google Scholar

Aguilar-Carrasco, MT, Diaz-Borrego, J, Acosta, I, Campano, M. & Domínguez-Amarillo, S. Validation des outils de workflow paramétrique d'éclairage de Ladybug et Solemma à l'aide de cas de test CIE. J. Construire. Ing. Rev.64, 105608 (2022).

Article Google Scholar

Reinhart, CF Lightswitch-2002 : Un modèle pour le contrôle manuel et automatisé de l'éclairage électrique et des stores. Sol. Énergie 77, 15–28 (2004).

Annonces d'article Google Scholar

Young, NE Greedy set-cover algorithms (1974–1979, chvátal, johnson, lovász, stein). Encyclopédie des algorithmes 379–381 (2008).

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

Google Scholar

Roudsari, MS, Pak, M., Smith, A. et al. Ladybug : un plugin environnemental paramétrique pour sauterelle pour aider les concepteurs à créer un design respectueux de l'environnement. Dans Actes de la 13e conférence internationale de l'IBPSA tenue à Lyon, France 3128–3135 (2013).

Heydarian, A., Pantazis, E., Wang, A., Gerber, D. & Becerik-Gerber, B. Vers une conception de bâtiment centrée sur l'utilisateur : identification des préférences d'éclairage de l'utilisateur final via des environnements virtuels immersifs. Autom. Constr. 81, 56–66 (2017).

Article Google Scholar

Ward, GJ Le système de simulation et de rendu d'éclairage radiance. Dans Actes de la 21e Conférence annuelle sur l'infographie et les techniques interactives 459–472 (1994).

Agarwal, A., Munigala, V. & Ramamritham, K. Observabilité : une approche fondée sur des principes pour l'approvisionnement des capteurs dans les bâtiments. Dans Actes de la 3e Conférence internationale de l'ACM sur les systèmes pour des environnements bâtis écoénergétiques 197–206 (2016).

Sheinin, M., Schechner, YY & Kutulakos, KN ​​Imagerie computationnelle sur le réseau électrique. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes 6437–6446 (2017).

Télécharger les références

Ce travail a été en partie financé par la subvention Virginia Commonwealth Cyber ​​Initiative (CCI) et la subvention n° 1823325 de la National Science Foundation (NSF).

Link Lab, Génie informatique, Université de Virginie, Charlottesville, 22903, États-Unis

Alan Wang

Link Lab, Computer Science, Université de Virginie, Charlottesville, 22903, États-Unis

Bradford Campbell

Link Lab, Engineering Systems and Environment, Université de Virginie, Charlottesville, 22903, États-Unis

Arsalan Heydarian

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

AW, BC, AH ont contribué à l'idéation. AW a mené les expériences et analysé les résultats. Tous les auteurs ont examiné le manuscrit.

Correspondance à Arsalan Heydarian.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Wang, A., Campbell, B. & Heydarian, A. Les simulations de performances des bâtiments peuvent informer les fuites de confidentialité de l'IoT dans les bâtiments. Sci Rep 13, 7602 (2023). https://doi.org/10.1038/s41598-023-34450-y

Télécharger la citation

Reçu : 01 janvier 2023

Accepté : 30 avril 2023

Publié: 10 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.