Õppeaine eesmärk on õppida lahendama keskkonnaseire probleeme välitingimustes, kasutades sensorandmete signaalitöötlust, statistilisi masinõppe meetodeid ning riistvara ja tarkvara turvalisuse alamülesandeid.

The goal of the course is to learn to solve outdoor environmental sensing problems using sensor signal processing, statistical learning and hardware and software security subtasks.

Õppeaine läbinud üliõpilane:
- lahendab keskmise keerukusega (MSc tasemele vastav) välitingimuste seireülesandeid, mille hulka kuuluvad riistvara probleemid, sensorandmete järeltöötluse ülesanded (andmed üksikutelt sensoritelt kuni agregeeritud andmed >500 sensorilt) ja teeb nii riist- kui ka tarkvara ohuanalüüsi;
- kasutab C,C++ programmeerimiskeelte sardsüsteemide teeke sensorite programmeerimiseks ja veaotsinguks (nt muudab sensorite tundlikkust, logi kirjutamise ja kommunikatsiooni protokolli reegleid);
- lahendab keskkonnaseire probleeme nii labori- kui ka välitingimustes, kasutades ProLab-i ja Thinnect OÜ koostöös arendatud Targa Linna seireks loodud sensorvõrke (nt ~900 sensorist koosnev võrk Tallinnas, õhutemperatuur, niiskus, õhukvaliteet ja müratase);
- töötab meeskonnas, lahendades interdistsiplinaarseid probleeme (nt mida teha päikesepaneeli mooduli vea korral, kuidas leida vigase käitumise põhjuseid nii üksiku sensori vea kui ka kogu võrgu andmetöötluse vea korral);
- dokumenteerib ja esitab selgelt ning lühidalt oma tööd teistele disaini spetsifikatsiooni dokumendi näol, loeb ja mõistab kommertstoodete disaini spetsifikatsiooni dokumente;
- saab aru välitingumuste keskkonnaseire probleemide keerukusest, tööstusstandarditele vastava riist- ja tarkvara eelistest ning piirangutest; valib, selgitab ja põhjendab sobivate tehniliste lahenduste valikuid kindlate keskkonnaseire probleemide lahendamiseks;
- identifitseerib potentsiaalseid ohte ja turvanõrkusi sensorite riist- ning tarkvarale ja soovitab ohte ning nõrkusi leevendavaid meetodeid.

After completing this course the student:
- solves outdoor sensing tasks of moderate complexity (MSc level of mastery) by troubleshooting hardware problems, post-processing sensor data (single sensors and aggregated data from > 500 sensors) and performing hardware and software threat analysis;
- uses C,C++ language based embedded systems libraries to program and debug sensors (e.g. changing their sensitivity, rules for logging and communications protocols);
- solves outdoor environmental sensing problems both in the lab and under real-world environment based on the Smart City Sensor Network in Tallinn (> 900 sensors, air temperature, humidity, air pollution, and noise level) designed and deployed by ProLab in cooperation with Thinnect OÜ;
- manages teamwork for multidisciplinary problems (e.g. what to do after a solar power module fault, how to address the effects of the fault on the individual sensor as well as on the data products generated by the network at large);
- documents and presents clearly and concisely their work to others in the form of a design specifications sheet, reads and understands commercial technical specifications and writes basic product specifications and describes use cases needed in both academic and commercial applications;
- understands about the complexity of outdoor environmental sensing problems, the advantages and limits of industry-standard software and hardware solutions, and chooses and explains the choice of suitable technical approaches for solving environmental sensing tasks and substantiate those decisions;
- identifies and discusses potential threats and security vulnerabilities of the sensor hardware and software and suggests mitigation measures to address them.

Kursus on praktiline ja projektipõhine. Semestri jooksul töötavad üliõpiased 3-4liikmelistes meeskondades, et lahendada järk-järgult keerukamaid ülesandeid, mis hõlmavad sensorsignaali töötlemist, suurandmete ja statistilist masinõppimist ning riist- ja tarkvara turvalisust. Riistvara disain pole vajalik, üliõpilastele võimaldatakse praktiliseks testimiseks ja programmeerimiseks nii ProLab-i arendatud Tallinna Targa Linna sensoreid kui ka laborikomplekte (laborikomplektide ja välitingustes kasutatavate sensorite riistvara on sama, mida kasutatakse Tallinna Targa Linna sensorvõrgus). Aine raames on alammoodulid riistvara turvalisusese ja küberturvalisuse teemadel.
Meeskonnad annavad igal nädalal nii kirjaliku lühiülevaate tehtust moodle.taltech.ee keskkonnas kui ka suulise ülevaate oma edusammudest. Viimane võimaldab arutada tegevusi, tulemusi, takistusi ja järgmisi planeeritud samme koostöös juhendaja ning teiste tudengitega. Kursusel soositakse agiilset arendusprotsessi. Nädala jooksul töötavad üliõpilased paindliku graafiku alusel, kus iga meeskonnaliikme ülesanded on eelnevalt kokku lepitud meeskonna juhendajaga.

The course is hands-on and project-based. During the semester, the students will work in teams of 3-4 students to solve tasks of growing complexity comprising of sensor signal processing, big data and statistical learning and hardware and software security. Building hardware is not required, but students will be provided with hands-on testing and programming of the Tallinn Smart City environmental sensors as part of the accompanying labs hosted at ProLabs (outdoor sensors identical to those used in the Smart City Network) as well as a new lab “Securing IoT Systems used for Critical Infrastructure Monitoring ” co-managed by Prof. Sam Pagliarini, Prof. Hayretdin Bahsi and Dr. Jeffrey Tuhtan. Profs. Pagliarini and Bahsi will also contribute to the lecture series by providing at least one full lecture on the topics of hardware security (Prof. Pagliarini) and cyber security (Prof. Bahsi).
Teams will provide a short 1-2 page written (input via Moodle as work task specific “deliverables”) and 10 minute oral presentation as part of the weekly overview of their progress. They will develop their professional skills by discussing their activities, achievements, failures, bottlenecks and planned steps in a supportive and engaging environment with the supervisor and other students. We will encourage an “agile-like” development process. Over the course of each week, students are expected to work based on a flexible schedule, where the time spent by each team member to achieve the weekly tasks are agreed upon with the work team supervisor.

Kursuse lõplik hinne põhineb semestri jooksul kogunenud tulemustel. Aktiivne osalemine on vajalik kogu semestri vältel, sealhulgas osalemine iganädalastel meeskonna aruandluskoosolekutel. Iga õpilase lõplik hinne sõltub sellest, kas valitud ülesanne on täielikult või osaliselt lahendatud, probleemi lahendamise tehnilisest lähenemisviisist ja õpilase võimest tehnilise lähenemise valikut kriitiliselt põhjendada ning reaalsete probleemide lahendamise võimest minimaalse juhendamise korral. Rühma liikmete individuaalsed hinded määratakse, arvestades iga liikme individuaalset panust ülesande lahendamisse.

The final grade shall be based on the accumulated performance over the semester. Active participation is required throughout the semester, including participation in the weekly team meetings. The final grade of each student will depend on whether the chosen task is solved completely or partially, the technical approach to solving the problem and the student’s ability to critically substantiate the choice of the technical approach as well as the ability to solve real-world problems with minimal supervision. The individual grades of group members can be differentiated considering the individual contribution of every member to solving the task.

Üliõpilased jagatakse meeskondadesse vastavalt nende taustale ja eelistustele. Võimalusel antakse valida vähemalt kolme kursuseprojekti vahel. Projektide fookus on riistvaral (soorituvõime ja energiatarbe optimeerimine), tarkvaral (mitme sensori integratsioon, suurandmed ja statistiline masinõpe) ja turvalisusel (ohuanalüüs ja küberkriminalistika).

Students are divided into teams based on their background and preferences. Usually, there is a choice between 3 different course projects with a focus on hardware (performance and energy consumption optimization), software (integration of multiple sensors, big data and statistical learning) and security (e.g. threat modelling).

E. A. Lee and S. A. Seshia, Introduction to Embedded
Systems - A Cyber-Physical Systems Approach Second
Edition, MIT Press, 2017
https://ptolemy.berkeley.edu/books/leeseshia/

-