WatchEDGE: adaptive edge-AI monitoring over rural wide-area networks

Environmental monitoring is increasingly becoming data-driven, yet moving from offline camera-trap analytics to a continuously operating rural monitoring service remains difficult because the system must remain reliable under intermittent wide-area connectivity, heterogeneous edge hardware, and strong domain shift induced by day/night infrared imagery and weather/sensor-dependent photometry. This thesis, developed in the context of WatchEDGE, studies operational edge-AI monitoring through five coupled challenges: 1) Sustaining SD-WAN connectivity and traffic steering across heterogeneous rural underlays, 2) Restoring trustworthy observability when service traffic is carried inside tunnels, 3) Maintaining detection performance under domain shift with scarce labels, 4) Ensuring far-edge deployability under tight memory, energy, and runtime budgets, and 5) Managing the model lifecycle (distribution, activation, rollback) without disrupting time-critical monitoring traffic. We address these challenges by designing an end-to-end far-edge/edge/cloud framework for rural monitoring, by proposing endpoint-centric inband telemetry that measures delay and loss on real tunneled traffic without underlay cooperation, and by introducing YOLO-AUG, a dynamic color-space augmentation and efficient learning pipeline that strengthens photometric robustness while explicitly characterizing feasibility via training time, memory dynamics (including validation-induced spikes), and energy behavior on representative hardware. Finally, we extend the operational viewpoint to shared edge infrastructure by studying reinforcement-learning-based admission control and proposing an explainability/verification workflow that pairs the learned policy with an optimization-based feasibility reference and Shapley-value feature attribution, enabling non-intuitive decisions to be surfaced and corrected before deployment.

Il monitoraggio ambientale si sta sempre più basando sui dati nonostante sia tuttora una sfida trasferire l’analisi di un ambiente da una fotocamera collocata in un sito remoto verso un sistema di monitoraggio continuo all’interno di un’area rurale di interesse. Ciò è dovuto alla disponibilità del sistema che deve rispettare determinati criteri, considerando la connessione intermittente di un’area di rete di medie dimensioni, la potenza computazionale dei vari dispositivi, che possono essere prodotti da enti diversi, e il continuo cambiamento del dominio applicativo dovuto dalle immagini infrarosse acquisite durante le varie fasi della giornata e dalla fotometria che dipende fortemente dalla tipologia del sensore utilizzato nonché dalle condizioni climatiche. Questa tesi, promossa dal progetto WatchEDGE, ha come obiettivo lo studio dei sistemi di monitoraggio basati sull’intelligenza artificiale per ambienti vicini a dove i dati sono prodotti attraverso la risoluzione di cinque problemi: 1) mantenere una connessione dati basata sul paradigma SD-WAN stabile nonché a direzionare il traffico all’interno di livelli rete eterogenei nelle aree rurali, 2) mantenere l’affidabilità dei sistemi alta quando le osservazioni sono trasmesse tramite dei tunnel di rete, 3) assicurare il corretto rilevamento in presenza di cambiamenti legati al dominio applicativo quando i dati a disposizione scarseggiano, 4) assicurare la possibilità di collocare i sistemi di rilevazione in luoghi molto vicini ai punti di campionamento, in cui i dati vengono rilevati considerando i vincoli in essere come la poca energia e memoria disponibili congiuntamente al tempo di funzionamento limitato, 5) creare e mantenere un ciclo di vita del modello di intelligenza artificiale (distribuzione, attivazione, e correzione degli errori) senza incorrere in interruzioni del monitoraggio del traffico che ha come requisito critico l’essere sempre funzionante. Nel nostro studio, abbiamo risolto queste problematiche creando una struttura applicativa per il monitoraggio di aree rurali basata su un paradigma che sfrutta il trasferimento dei dati da un capo all’altro tramite i sistemi immessi in esse e in cloud. Questo è stato possibile introducendo: una telemetria in banda incentrata sui dispositivi collocati in queste aree che rileva il ritardo e la perdita dei pacchetti di un traffico di rete attraverso dei tunnel di rete senza l’utilizzo dei livelli di rete sottostanti, e YOLO-AUG che è una sequenza procedurale basata su un apprendimento efficiente e un dominio applicativo dove le immagini sono lette con codifiche diverse (ad esempio, RGB, infrarossi, e scala di grigi). YOLO-AUG rinforza la robustezza fotometrica poiché definisce quanto è fattibile la rilevazione confrontando il tempo di allenamento, la gestione della memoria, e come fluttua il consumo dell’energia nei sistemi impiegati. Infine, abbiamo aumentato l’operatività, passando da un singolo punto di interesse ad un’infrastruttura distribuita in prossimità delle rilevazioni grazie allo studio di un meccanismo di controllo basato sull’apprendimento automatico di rinforzo che permette di impiegare un servizio, e proponendo un flusso di lavoro basato sulla verifica/spiegazione delle decisioni prese che unisce la politica appresa con una versione ottimizzata della fattibilità di rilevazione e l’attribuzione delle informazioni basata sul valore di Shapley. Questo ha permesso di far emergere decisioni singolari e di correggerle prima del loro impiego.