Aplicações da Internet of Things (IoT) são utilizadas em vários domínios, como a Indústria 5.0, cidades inteligentes, entre outros, e são compostas por dispositivos, os quais fornecem grande volume de dados. Diferentes dispositivos podem ser utilizados, mas aqueles que se movimentam com frequência e precisam operar por vários dias ou meses sem a substituição das baterias ampliam a área de atuação das aplicações IoT - esses são os dispositivos IoT ultra-restritos (com severas restrições em processamento, memória, energia e tamanho da carga útil). Os dados advindos desses dispositivos viabilizam a tomada de decisão inteligente, esta que resulta da aplicação de modelos de aprendizagem de máquina - machine learning (ML). Nesse cenário, ao se considerar a privacidade, o isolamento dos dados no mesmo ambiente inteligente é fundamental. Por isso, a aprendizagem federada - federated learning (FL) - permite a realização do treinamento distribuído de um modelo de ML sem que os dados sejam transmitidos da Edge para o núcleo da nuvem. Contudo, nos ambientes tradicionais de FL, o gerenciador conhece todos os dispositivos, o que se mostra inseguro. Ainda, os dispositivos ultra-restritos utilizados em sistemas de missão crítica requerem que suas baterias mantenham seu padrão de vida útil com a aplicação de inteligência na tomada de decisão. Outro fator comum nesses dispositivos com severas restrições é o envio de medições anômalas. Diante do exposto, este trabalho apresenta o FedSensor, um framework de FL em redes IoT baseadas em sensores e atuadores, que considera a cooperação entre nuvem e Edge para a geração de modelos de ML globais viáveis para utilização em dispositivos IoT ultra-restritos. Neste trabalho avalia-se o FedSensor com relação ao consumo de energia e detecção de medições anômalas. O FedSensor propicia a anonimidade dos dispositivos (que não são conhecidos pelo gerenciador e apenas controlado pelos participantes). Além disso, o FedSensor mantém a característica de vida útil de bateria dos dispositivos, mesmo adicionando a inteligência artificial para a tomada de decisão. Os resultados do FedSensor apontam que o maior fator que reduz a vida útil dos dispositivos é o número de desfechos do modelo de ML global em conjunto com a frequência de realização de inferências, e não o volume de mensagens recebidas contendo o modelo de ML global. Em cenários de severa utilização, a média da redução da vida útil das baterias é de 38,59% (em relação ao dispositivo em descanso) e em casos de utilização não severa, a redução média da vida útil é de 2,88%. Por isso, utilizar dispositivos IoT ultra-restritos em arquiteturas de FL, que é um desafio apresentado no estado-da-arte, é viável com o uso do FedSensor, principalmente quando a realização de inferências não precisa ser realizada com intervalo de tempo igual ou menor que dois segundos. Por fim, identificam-se participantes que contém medições anômalas advindas dos dispositivos IoT, ao se observar os resultados da função de custo federado dos modelos de ML, ao se concluir o treinamento federado.

IoT applications exists in various domains, such as Industry 5.0, smart cities, among others, and are composed of devices, which provide a large amount of data. Among the plethora of devices, there is the ones that are mobile and need to operate for several days or months without replacing the batteries. These are the ultra-low-power IoT devices (with severe restrictions on processing, memory, power, and payload). The data from these devices enable intelligent decision-making, which results from Machine Learning (ML) models. However, considering privacy, data must be isolated in its domain. In this sense, Federated Learning (FL) allows a distributed training of an ML model without data being transmitted from Edge to the core of the cloud. However, in traditional FL environments the manager knows all devices, which is insecure. Also, the ultra-low-power devices used in mission-critical systems require that their batteries maintain their standard of life with the application of intelligence in decision-making. Anomalous measurements collected by the sensors and sent by these devices are common in wireless sensor and actuator networks. Given the above, this work presents FedSensor, an FL framework in sensorbased IoT networks, which considers the cooperation between cloud and Edge to generate viable global ML models for use in ultra-low-power IoT devices. In this work, we evaluate FedSensor in terms of energy consumption and detection of anomalous measurements. FedSensor provides devices anonymity (which is not known by the manager and is only controlled by the participants). In addition, FedSensor maintains the devices battery life characteristic, even adding artificial intelligence to decision-making. The FedSensor results show that the most important factor that reduces the lifetime of devices is the number of outcomes of the global ML model together with the frequency of inferences, and not the volume of messages received containing the global ML model. In severe usage scenarios, the average battery life reduction is 38.59% (compared to the device in idle), and in non-severe use cases, the average lifespan reduction is 2.88%. Therefore, using ultra-low-power IoT devices in FL architectures (a challenge presented in the state-of-the-art) is feasible with the use of FedSensor; especially when inferences do not need to be performed with an equal time interval or less than two seconds. Finally, we identify participants with anomalous measurements, by observing the results of the federated cost function of the participants ML models, when completing the federated training.