Search

Hoy día nos encontramos en la era de la información, los datos se han convertido en un activo muy valioso. Es por esto por lo que cada vez son más las empresas que quieren sacar provecho a este activo. Dando lugar a grandes inversiones en el campo del Machine Learning tanto privadas como públicas. Debido al creciente interés en el campo y las grandes inversiones de los últimos años han surgido productos enfocados al Machine Learning. Estos ponen al alcance de empresas y particulares no especializados en esta tecnología herramientas que les permiten explotar los datos de los que disponen. Este trabajo se centra en estudiar las principales opciones que existen en la actualidad relacionadas con el Machine Learning. Nos centramos en aquellas que nos permiten analizar textos, concretamente, las de procesado del lenguaje natural (del inglés, NLP). Durante el estudio de mercado se analizan las opciones que nos ofrecen las tres principales empresas del sector de la computación en la nube: Amazon Web Services, Microsoft Azure y Google Cloud. Estudiamos las opciones que nos ofrecen las tres empresas mencionadas, eligiendo la que mejor cubre nuestras necesidades al menor precio. Una vez realizado el estudio del mercado, hemos creado una aplicación para poner en práctica lo que nos ofrece estos productos y poder comparar las opciones de Amazon Web Services y la de Microsoft Azure. La aplicación consiste en analizar los comentarios de distintos restaurantes, clasificándolos en función de dos parámetros: el idioma en el que están escrito y el sentimiento que transmiten. La fuente de los datos es Google Maps. Para realizar la prueba, hemos dividido el escenario en cuatro fases. • En la fase inicial procedemos a recolectar la información. Para ello empleamos la API de Google Maps, concretamente Place Details, empleando los números de teléfono de los locales para localizarlos dentro de Maps. • Durante la segunda fase analizamos los datos que obtenemos de la primera. Para esta fase empleamos los servicios de Amazon Web Services, concretamente Comprehend y los de Microsoft Azure, concretamente Text Analytics. En esta fase llevamos a cabo dos clasificaciones. La primera en función al idioma empleado en el comentario y la segunda en función a los sentimientos que transmiten dichos comentarios. Lo hacemos primero con la opción de AWS y, luego, con la de Azure. • En la tercera fase procesamos los datos para crear estadística, para ello usamos los datos que obtenemos de la fase anterior. Contamos los comentarios que quedan en cada clasificación y creamos gráficas que emplearemos en la siguiente fase. El objetivo de esta fase es preparar los datos para poder visualizarlos de forma ágil. • En la cuarta y última fase creamos un documento HTML en el que, a partir de una plantilla, rellenamos con los datos y las gráficas obtenidas en los apartados anteriores. De esta forma tras terminar todas las fases, los datos han seguido el siguiente proceso: Recopilación, análisis, tratamiento y visualización. Tras finalizar las fases comentadas comparamos los resultados que hemos obtenido con ambos servicios. Como conclusión podemos decir que ambos servicios tienen un comportamiento similar, si bien AWS parece “comprender” mejor el contexto de la oración que Azure, acercándose más a lo que podría hacer un ser humano. Esta cualidad de AWS hace que la estimación de la puntuación que hacemos en función a los sentimientos que obtenemos tras el análisis sea más cercana a la media que hacemos de las puntuaciones que dejan los autores de los comentarios en Google Maps. Today we are in the information age, data has become a very valuable asset. Therefore, more and more companies want to take advantage of this asset. Resulting in large investments in the field of Machine Learning, both private and public. Due to the growing interest in the field and the large investments in recent years, products focused on Machine Learning have emerged. These make available to companies and individuals not specialized in this technology tools that allow them to exploit the data they have. This work focuses on studying the main options that currently exist related to Machine Learning. We focus on those that allow us to analyse texts, specifically, Natural Language Processing (NLP). During the market study, the options offered by the three main companies in the cloud computing sector are analysed: Amazon Web Services, Microsoft Azure and Google Cloud. We study the options offered by the three companies mentioned, choosing the one that best meets our needs at the lowest price. Once the market study has been carried out, we have created an application to put into practice what these products offer us and to be able to compare the options of Amazon Web Services and that of Microsoft Azure. The application consists of analysing the comments of different restaurants, classifying them based on two parameters: the language in which they are written and the feeling they convey. The source of the data is Google Maps. To perform the test, we have divided the scenario into four phases. • In the initial phase we proceed to collect the information. For this we use the Google Maps API, specifically Place Details, using the telephone numbers of the premises to locate them within Maps. • During the second phase we analyse the data we obtain from the first. For this phase we use the services of Amazon Web Services, specifically Comprehend and those of Microsoft Azure, specifically Text Analytics. In this phase we carry out two classifications. The first based on the language used in the comment and the second based on the feelings that said comments convey. We do it first with the AWS option and then with the Azure option. In the third phase we process the data to create statistics, for this we use the data we obtain from the previous phase. We count the comments left in each classification and create graphs that we will use in the next phase. The objective of this phase is to prepare the data to be able to visualize it in an agile way. • In the fourth and final phase, we create an HTML document in which, from a template, we fill in the data and graphs obtained in the previous sections. In this way, after finishing all the phases, the data has followed the following process: Collection, analysis, processing, and visualization. After finishing the commented phases, we compare the results we have obtained with both services. In conclusion, we can say that both services have a similar behaviour, although AWS seems to "understand" the context of the sentence better than Azure, getting closer to what a human being could do. This quality of AWS makes the estimation of the score that we make based on the feelings that we obtain after the analysis is closer to the average that we make of the scores that the authors of the comments leave in Google Maps. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

xi Resumen Cada año, la Dirección General de Tráfico emprende campañas de concienciación para mitigar el número de accidentes en vías urbanas e interurbanas. Algunos de estos siniestros son fruto de la imprudencia al volante, o sencillamente de no prestar suficiente atención a la hora de conducir. Teniendo esto en mente, los fabricantes de coches están introduciendo las Inteligencias Artificiales en sus vehículos para asistir en la conducción al piloto, tomando el control parcial o total sobre los actuadores electromecánicos e incluso avisando verbalmente al conductor sobre alguna posible infracción, con objeto de aportar un plus de seguridad y calidad como servicios adicionales en el producto final. Por supuesto, estas Inteligencias Artificiales se comercializan como un sistema embebido dentro del propio coche, por lo que se plantea la posibilidad de elaborar un sistema modular utilizando ordenadores de placa reducida para lograr este fin, y así poder aportar esa seguridad a vehículos que anteriormente no disponían de este servicio. Con todo esto presente, en este proyecto se abordan todos los aspectos y fundamentos teóricos sobre las Inteligencias Artificiales aplicadas a la visión artificial, dando un enfoque ascendente y explicando en profundidad su naturaleza y funcionamiento. También se ha desarrollado una aplicación en Python para la detección de imágenes mediante el uso de redes neuronales convolucionales enfocadas a la visión artificial. Dicha aplicación consta de un módulo para de un asistente de voz que enuncia los resultados de la detección utilizando YOLOv5, ofreciendo una interfaz gráfica para la interacción con el usuario. Además, se exponen las características esenciales del sistema de código abierto de YOLOv5 para la detección de imágenes mediante el uso de redes neuronales convolucionales enfocadas a la visión artificial, explicando de forma somera el funcionamiento y la utilidad de sus dependencias. Se han planteado dos entornos de entrenamiento (la nube de Google Colab y la propia Raspberry Pi 4B) para tener un contraste a la hora de analizar su viabilidad en términos de duración, calidad del modelo de inferencia y privacidad de los datos. Ambos entornos utilizarán el mismo conjunto de imágenes para realizar su entrenamiento, el cuál ha sido generado utilizando el framework de roboflow para la clasificación y preprocesamiento de las imágenes. En última instancia, se exponen las conclusiones en base a los resultados obtenidos en cada fase de entrenamiento, analizando las métricas, exponiendo las fortalezas y debilidades de cada entorno escogido, y se proponen soluciones ante los problemas encontrados en ambos entornos, así como una posible línea de continuación implementando físicamente el dispositivo de asistencia a la conducción. Every year, the spanish Directorate General of Traffic (Dirección General de Tráfico) undertakes awareness campaigns to mitigate the number of accidents on urban and interurban roads. Some of these accidents are the result of reckless driving, or simply not paying enough attention while driving. With this in mind, car manufacturers are introducing Artificial Intelligences in their vehicles to assist the driver in driving, taking partial or total control over the electromechanical actuators and even verbally warning the driver about a possible infraction, in order to provide extra safety and quality as additional services in the final product. Of course, these Artificial Intelligences are marketed as an embedded system within the car itself, so the possibility of developing a modular system using small-board computers to achieve this end is being considered, and thus be able to provide this safety to vehicles that previously did not have this service. With all this in mind, this project addresses all the aspects and theoretical foundations of Artificial Intelligences applied to artificial vision, taking a bottom-up approach and explaining in depth their nature and how they work. A Python application has also been developed for image detection using convolutional neural networks focused on artificial vision. This application consists of a module for a voice assistant that announces the results of the detection using YOLOv5, offering a graphical interface for interaction with the user. In addition, the essential features of the YOLOv5 open source system for image detection using convolutional neural networks focused on computer vision are presented, explaining briefly the operation and usefulness of its dependencies. Two training environments (the Google Colab cloud and the Raspberry Pi 4B itself) have been proposed in order to have a contrast when analysing their viability in terms of duration, quality of the inference model and data privacy. Both environments will use the same set of images for training, which has been generated using the roboflow framework for image classification and preprocessing. Finally, conclusions are drawn based on the results obtained in each training phase, analysing the metrics, exposing the strengths and weaknesses of each chosen environment, and proposing solutions to the problems encountered in both environments, as well as a possible line of continuation by physically implementing the driving assistant device. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Vivimos en un mundo conectado donde la cantidad de información que generamos es mayor día a día. Toda esta cantidad de datos contiene información muy valiosa queantes estaba oculta, pero ahora, podemos encontrarla y usarla en el progreso de la humanidad. La herramamienta que nos permite almacenar, procesar y analizar estos datos es Big Data. La relevanciadeesta tecnología es cada vez mayor, y sus posibilidades son casi infinitas.Lo podemos encontrar en las redes sociales, internet, investigaciones científicas, empresasy otros cientos de lugares.Big Data está en todas partes, y sus ventajas son considerables. Una de las tecnologías más usadas en el mundo deBig Data es Apache Hadoop. Hadoop nos permitirá realizar las tareas de Big Data de forma muy cómoda, ofreciendo un amplio ecosistema.Por una parte, con Hadoop podremos almacenar los datos de un manera totalmente fiable y tolerante a fallos. Por otra parte, Hadoop nos permite procesar todos esos datos de una forma sencilla. Cuando hablamos deprocesardatos, nos referimos a que nos permite procesar terabytes de información, por ello es una herramienta muy potente.Para permitir todo esto, Hadoop posee tres componentesprincipalesque son HDFS, MapReduce y Yarn.Por tanto, además de explicar qué es Big Data y ver algunas de sus aplicaciones, en este trabajo nos centraremos en Hadoop. Veremos en detalle cada uno de sus componentes y cómo funcionan. Además de explicar cómo funciona teóricamente, también realizaremos una demostración práctica. Paraello instalaremos Hadoop en un clúster de Raspberry Pi. Este clúster estará compuesto por cuatro Raspberry Pi 3 model B+ que permitirán ejecutar Hadoop sin problema. Detallaremos los componentes necesarios, cuálha sido el proceso de instalación,así comolas herramientas que nos ofrece.Hadoop posee un amplio ecosistema en el que cada una de sus diversas aplicaciones ofrece una solución para los diferentes problemas de Big Data. Una de esas herramientas es Apache Pig. Pig nos permite realizar las tareas MapReduce de una forma sencilla y rápida. MapReduce es el framework usado por Hadoop para el procesamiento de datos, por lo que su importancia es vital. De esta forma, también instalaremos Pig en nuestro clúster Hadoop para realizar las tareas MapReduce. Veremos su funcionamiento y profundizaremos en el lenguaje que utiliza Pig para el procesamiento de los datos, el cual es Pig Latin. Estudiaremos todas las operaciones más importantes de PigLatiny realizaremos un ejemplo con cada una de estas operaciones usando el clúster Hadoop.No podremos usar Hadoop ni Pig sin unos datos que poder almacenar y procesar. Para ello se usará un sensor MPU6050. Este sensor ofrece un acelerómetro, giroscopio y sensor de temperatura. Los datos capturados por este sensor serán almacenados en un fichero de texto el cual podremos almacenar en Hadoop y procesar con Pig.Por tanto, en este trabajo, demostraremos que es posible instalar Hadoop en uno de los ordenadores más baratos y sencillos que existen, como son las Raspberry Pi. Almacenaremos los datos obtenidos durante un período de tiempo por un sensor MPU6050 usando HDFS, el cual es el sistema de almacenamiento de Hadoop. Y, por último, procesaremos estos datos usando Pig, con lo que veremos las operaciones más importantes que posee y su funcionamiento. We live in a connected world where the information that we generate is greater day by day. This amount of data contains a very valuable information that was hidden, but now, we can find it and use it in the progress of humanity. The Big Data is the tool that allows us store, process and analyze this data. The relevance of this technology is increasing, and its possibilities are almost endless. It can be found in social networks, the internet, scientific researches, companies and hundreds of other places.Big Data is everywhere, and its advantages are considerable. One of the most used technologies in the Big Data world is Apache Hadoop. Hadoop will allow us to carry out Big Data tasks in a very confortable way, offering a wide ecosystem. On the one hand, Hadoop will allow us storing data in a totally reliable and fault-tolerant way. On the other hand, Hadoop allows us to process allthis data in a simple way. When we talk about processing data, we mean that it allows us to process terabytes of information, this is why it is a very powerful tool. Hadoop has three main components to manage all of this, those are three components which are HDFS, MapReduce and Yarn.Therefore, in addition to explaining what Big Data is and studying some of its applications, we will focus on Hadoop in this work. We will see in detail each of its components and how they work. In addition to explaining how it works theoretically, we will also do a practical demonstration. We will install Hadoop on a Rasperry Pi cluster for this. This cluster will be composed of four Raspberry Pi 3 model B+ that will allow Hadoop to run without any problem. We will detail the necessary components, the installation process, as well as the tools it offers us.Hadoop has a wide ecosystemin which each of its components offers a solution for different Big Data problems. One of those tools is Apache Pig. Pig allows us to perform MapReduce tasks in a simple and fast way. MapReduce is the framework used by Hadoop for data processing, so its importance is vital. In this way, we will also install Pig on our Hadoop cluster to perform MapReduce tasks. We will see how it works and we will study the language that Pig uses for data processing, which is Pig Latin. We will study all the most important Pig Latin operations and we will run an example of each of these operations using the Hadoop cluster.We will not be able to use Hadoop or Pig without any data to store and process. A MPU6050 sensor will be used for this. This sensor offers and accelerometer, gyroscope and a temperaturesensor. The data captured by this sensor will be stored in a text file which we can store in Hadoop and process with Pig.Therefore, in this work, we will demonstrate that it is posible to installHadoop on one of the cheapest and simplestcomputers that exist, such as the Raspberry Pi. We will sotre the data obtained over a period of time by the MPU6050 sensor using HDFS, which is the Hadoop storage system. And finally, we will process this data using Pig, studying the most importat operations it has and how they work. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías deTelecomunicación

Este proyecto consiste en el desarrollo de una aplicación web didáctica enfocada a personas que quieran aprender los pilares básicos de un lenguaje de programación, bien porque estén estudiándolos desde cero o porque quieran repasar estos contenidos. El proyecto es la continuación de dos proyectos realizados en años anteriores, primero uno en Android, y después otro en IOS, y en este se dará el salto a una aplicación web añadiendo diferentes formas de seguir aprendiendo a la vez que divirtiéndose. En la página Web se podrá aprender la teoría de lenguajes como Java, C, HTML y CSS, y a través del videojuego se podrá aprender sobre Java mediante escritura de código. El videojuego es del tipo de rol (RPG, role-playing game) con un modo historia, es decir, un juego en el cual los niveles están unidos por una historia común que se va descubriendo y profundizando a medida que se va superando a través de los personajes. El juego es multiplataforma, inicialmente con una versión de escritorio Web y una versión de escritorio, disponible para Windows en sus arquitecturas de 32 y 64 bits. La versión de escritorio cuenta con un sistema de guardado para que el juego pueda ser completado en diferentes momentos. Esta será descargable desde la página Web. En este trabajo se ha profundizado en la experiencia del videojuego, dándole gran importancia a la historia y la jugabilidad, así como mapas complejos y extensos o efectos visuales y de sonido. La página web sirve como herramienta de soporte y del videojuego, y completa al juego con manuales para lenguajes de programación y herramientas externas del estilo de nuestro videojuego donde aprenderás jugando. Como futuro del proyecto se propone la inclusión de cuestionarios y juegos de tipo trivial en la página Web, así como más lenguajes. En cuanto al videojuego, se creará un nuevo conjunto de mapas ambientado en una mazmorra subterránea alargando por tanto la historia y modificando el guion del mismo para conocer más sobre la historia. Universidad de Sevilla. Grado en Ingeniería de Telecomunicación

La Inteligencia Artificial (IA) ha presenciado un crecimiento monumental en la reducción de la brecha entre las capacidades de las personas y las máquinas. La IA es una rama de la ciencia, en concreto de la informática, que hace referencia a la capacidad de una máquina para resolver un problema tal y como lo haría una persona. Si además de resolver un problema tal y como lo haría una persona, queremos que la máquina aprenda por sí sola, entonces hablamos de un segundo término cuyo uso ha experimentado también un gran crecimiento: Machine Learning, o lo que es lo mismo, Aprendizaje Automático. En los últimos años, el uso de estos dos términos, Inteligencia Artificial y Aprendizaje Automático, han experimientado un crecimiento exponencial, ayudando a resolver problemas como la detección de spam, recomendación personalizada de productos, diagnósticos médicos y detección de peatones e imágenes médicas con visión artificial entre otros. Sin embargo, hay otros problemas para los que no se ha encontrado solución todavía, como son los accidentes de tráfico. Según la Dirección General de Tráfico (DGT), en el último año documentado, 2018, en España, hubo un total de 102.299 accidentes con víctimas, lo que ha supuesto un 1% más con respecto del año 2017 [1]. Debemos añadir que, en estos accidentes, la velocidad excesiva o inadecuada sigue siendo una de las principales causas, concretamente, el 22%, sólo por detrás de la conducción distraída y por delante del alcohol [2]. En este proyecto se ha indagado en estas técnicas, en concreto se ha usado la tecnología del Machine Learning para la detección de objetos, en este caso, detección de señales de tráfico de velocidad desde el vehículo mientras es conducido en carretera, usando redes neuronales convolucionales como es Yolo (You Only Look Once). Se ha diseñado e implementado software que detecta el objeto deseado, su posición (longitud y latitud), velocidad máxima permitida y cercanía a través de la cámara de un dispositivo móvil. Para ello se ha creado una aplicación móvil en Android que envía la información recogida al servicio web Spring creado y queda almacenada en una base de datos para la libre consulta y uso de cada usuario de la aplicación. Artificial Intelligence (AI) has been witnessing a monumental growth in bridging the gap between the capabilities of humans and machines. AI is a branch of computer science which refers to the ability of a machine to solve a problem just as a person would. If in addition to solving a problem just as a person would do, we want the machine to learn by itself, then we are talking about a second term whose use has also experienced great growth: Machine Learning. In recent years, the use of these two terms, Artificial Intelligence and Machine Learning, have experienced exponential growth, helping to solve problems such as spam detection, personalized product recommendation, medical diagnostics, and pedestrian detection with artificial vision among others. However, there are other problems whose solutions have not yet been found,such as traffic accidents. According to Dirección General de Tráfico (DGT), in the last documented year, 2018, in Spain, there were a total of 102,299 accidents with victims, which was 1% more than in 2017 [1]. Furthermore, in these accidents, excessive or inadequate speed continues to be one of the main causes, specifically, 22%, only behind distracted driving and ahead of alcohol [2]. In this project, these techniques have been investigated, specifically Machine Learning technology has been used to detect objects, in this case, detect speed traffic signs from the vehicle while driving it, using convolutional neural networks such as Yolo (You Only Look Once). Software has been designed and implemented that detects the desired object, its position (longitude and latitude), maximum allowed speed and proximity through the camera of a mobile device. For this, a mobile application has been created on Android that sends the information collected to the Spring web service created and it is stored in a database for free consultation and use by each user of the application. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Desde hace algúntiempo, se vienehablandode nuevas tecnologías que revolucionarán la industria y nuestra forma de vivir en los próximos años, como el Internet de las Cosas, el Big Data, el Cloud Computingo la Inteligencia Artificial. Conocerlas, trabajar con ellas y estudiar su potencial es clave para entender cómo impactarán en nuestro día a díafuturo.En este proyecto haremos uso de una de estas tecnologías: la detección de objetos, una de las múltiples ramas de la inteligencia artificial, cuyo fin último será el de permitir crear máquinas con la capacidad de ver e interpretar el mundo tal y como nosotros lo hacemos a través de nuestros ojos. Además, implementaremos uno de estos sistemas en un dispositivo ligero, no originalmente diseñado para este fin, pero de propósitogeneral, extendido, y económico; con la ideade medir su rendimiento y llegar a una conclusión respecto a la combinación.En concreto, utilizaremos una versión simplificadade YOLOv3, uno de los algoritmos de detección de objetos más punteros en los últimos años, conocida como TinyYOLOv3; que será implementado en una Raspberry Pi 3. Los objetivosdel proyecto serán los de comprobar que la instalación y puesta en marcha del algoritmo es factible, y a continuación probar y medir su rendimiento en aquellas facetas que son más relevantes en la inteligencia artificial: el entrenamiento y la inferencia.A lo largo de esta memoria, realizaremos un viaje en el que explicaremos los principios que gobiernan el campo de la detección de objetos, desde las bases de la inteligencia artificial hasta el deep learning;para luego explicar en detalle el proceso de integración del algoritmo TinyYOLOv3 en Raspberry Pi 3; y finalmente procederemos a llevar a cabo las pruebas pertinentes que nos permitirán cumplir losobjetivos del proyecto. For some time now, there has been talk about some new technologies that will revolutionize the industry and our way of life in the coming years, such as the Internet of Things, BigData, Cloud Computing or Artificial Intelligence. Knowing them, working with them and studying their potential is key to understanding how they will impact our future day-to-day lives. In this project, we will be making use of one of those technologies: object detection, one of the many branches of artificial intelligence, which ultimate goal will be to create machines with the ability to see and interpret the world as we do through our eyes. In addition, we will implement one of these systems in a lightweight device, not originally designed for this purpose, but general-purpose, extended, and economic; with the idea of measuring its performance and reaching a conclusion regarding the combination.Specifically, we will use a simplified version of YOLOv3, one of the most advanced object detection algorithms in recent years, known as TinyYOLOv3; which will be implemented in a Raspberry Pi 3. The objectives of the project will be to verify that the installation and implementation of the algorithm is feasible, and then test and measure its performance in those facets that are most relevant in artificial intelligence: training and inference.Throughout this report, we will make a journey in which we will explain the principles that govern the field of object detection, from the basics of artificial intelligence to deep learning, and then explain in detail the process of integrating the algorithm TinyYOLOv3 in Raspberry Pi 3, and finally proceed to carry out the relevant tests that will allow us to fulfill the objectives of the project. Universidad de Sevilla. Grado en Ingeniería de Telecomunicación

La comunicación y conexión de los diferentes objetos que nos rodean es uno de los principales objetivos que actualmente ocupan a la industria tecnológica. Esto es lo que hoy se conoce como Internet de las Cosas (IoT por sus siglas en inglés). Una consecuencia directa de esta tendencia es que una gran cantidad de datos deberán ser gestionados y procesados con el objetivo de poder sintetizar y seleccionar la información requerida por un usuario o sistema que quiera hacer uso de esa información. Este escenario plantea la necesidad de poder acceder a los datos de una forma sencilla sin necesidad de conocer el protocolo nativo que se emplea para la recolección de esos datos o donde se encuentran. Esta necesidad se ve agravada por la heterogeneidad que se da en este tipo de entornos, así como por la simplicidad de los objetos que generan estos datos, incapaces de soportar complejos protocolos. Sería deseable, por tanto, ser capaz de obtener de manera homogénea y agnóstica a la complejidad subyacente la información necesaria en el momento que se necesite o solicite. Es por ello que resulta obligatorio en el desarrollo de cualquier escenario de estas características contar con un intermediario entre los productores de contexto (objetos, sensores, etc.) y las aplicaciones consumidoras de contexto. En este proyecto se ha abordado esta problemática integrando un sistema de gestión de recursos e información de contexto, desarrollado a partir de un conjunto de componentes disponibles dentro de la plataforma FIWARE. Los datos gestionados en esta plataforma serán generados por una red de sensores. En los últimos años se han producido grandes avances en el desarrollo de este tipo de sistemas: comunicaciones, organización de arquitecturas, orquestación de servicios, seguridad, etc. Desde la aparición de Internet, la sociedad ha cambiado sus formas de comunicarse e interrelacionarse. El Internet de las cosas está cambiando la forma en que nos relacionamos y en la que se relacionan los objetos y dispositivos de los que nos rodeamos a diario. Existen multitud de tecnologías utilizadas para la interconexión de estos objetos, para su control y gestión y para transportar la información que generan. En lo que se refiere a la arquitectura de red, han surgido numerosos modelos y tecnologías que proponen acercar las capacidades de procesamiento y almacenamiento a los nodos finales de la red. En cuanto a las tecnologías de comunicación utilizadas, existen diversas opciones según la aplicación final que reciba la red. En este proyecto también se introducen algunas de las numerosas tecnologías de comunicación surgidas para el desarrollo e implementación de redes de sensores, focalizando el estudio en la tecnología de comunicación inalámbrica LoRa. Se expone un estudio sobre las capacidades y limitaciones de este protocolo, incluyendo la descripción del proceso de implementación de una red de sensores en un entorno real empleando esta tecnología, y detallando las herramientas, el software y la configuración utilizadas para el correcto funcionamiento de una red de este tipo. Se mostrarán los resultados obtenidos tras realizar algunas pruebas para comprobar las prestaciones de la tecnología en cuestión. The communication and connectivity of the different objects that surround us is one of the main objectives that are being addressed by the technological industry nowadays. Today, this is known as the Internet of Things (IoT). A direct consequence of this concept is that a huge quantity of data must be managed and processed so as to synthesize and select the information required by a user or system that intends to make use of it. This scenario poses the need of being able to access the data in an easy way, without need of knowing the native protocol being used for collecting this data, or its whereabouts. This need is even more challenging considering the heterogeneity given in this kind of environments, as well as the simplicity of the objects that generate that data, unable to cope with complex protocols. Therefore, it would be desirable being able to obtain the necessary information, in a homogeneous and way agnostic to the underlying complexity, in the moment that it is needed or requested. Consequently, in the development of any scenario of these characteristics, it is mandatory to count with an intermediary between the context producers (objects, sensors, etc) and the applications that consume this context information. These challenges have been tackled in this project by integrating a resource and information context management system for the IoT. This system has been developed by integrating a collection of generic enablers within the FIWARE platform. The data managed in this platform will be generated by a sensor network. In the last years there have been great advances in the development of this type of systems: communications, organization of architectures, orchestration of services, security... From the beginning of the Internet, society has changed the ways of communication and interrelated. The Internet of Things is changing the way we relate to each other and the objects and devices that surround us every day. There are many technologies used for the interconnection of these objects, for their control and management and to transport the information they generate. With regard to the network architecture, numerous models and technologies have emerged that propose bringing the processing and storage capacities closer to the final nodes of the network. Regarding the communication technologies used, there are several options according to the final application received by the network. This project also introduces some of the numerous communication technologies that have arisen for the development and implementation of sensor networks, focusing the study on the LoRa wireless communication technology. A study on the capabilities and limitations of this protocol is presented in this document, including the description of the process of implementing a sensor network in a real environment using this technology, and detailing the tools, software and configuration used for the proper functioning of a network of this type. The results obtained after performing some tests to check the performance of the technology in question will be explained. Universidad de Sevilla. Máster en Ingeniería de Telecomunicación

En unas de las asignaturas impartidas por el Depto. de Ingeniería Telemática, se utiliza un procedimiento de evaluación consistente en la cumplimentación por parte del alumnado de formularios impresos que sirven para que los propios estudiantes realicen calificaciones del trabajo académico realizado. Para esta tarea el profesorado dedica una parte significativa de tiempo de clase en aplicar el referido sistema de evaluación. La gestión y tramitación de esta documentación por parte del profesor, requiere de un largo proceso, que finaliza subiéndola a una plataforma web oficial. En anteriores cursos, se ha llevado a cabo, también, el desarrollo “parcial” a modo de trabajo, de diferentes aplicaciones web basadas en los lenguajes con los que se ha llevado a cabo este proyecto. De esta situación surge la idea del desarrollo de una aplicación web que permita al profesor poder gestionar las puntuaciones de los diferentes cursos que tiene una asignatura. Todo esto será accesible desde cualquier dispositivo que tenga acceso a internet, ya que será una página web. El lenguaje utilizado para el desarrollo de la aplicación web será HTML y Java, haciendo uso de la tecnología de los Servlets para el control de la aplicación y de las páginas jsp para mostrar al cliente los datos. También se utilizará una base de datos SQL para el almacenamiento de la información y CSS para la maquetación. Como herramientas utilizadas para la realización de la aplicación, ha sido utilizado el IDE Eclipse para el desarrollo de la aplicación, PostgreSQL para la gestión y manejo de la Base de Datos y los distintos navegadores web para realizar pruebas y depuraciones de código, entre otras. Centrándonos en el contenido de esta memoria, además de lo que ha sido citado anteriormente, en primer lugar se realiza una introducción en la que se expondrá la justificación del proyecto así como la metodología. Después, se hace una explicación de los posibles objetivos planteados en este proyecto, y posteriormente se realiza un análisis teórico de las necesidades que debe cumplir la aplicación una vez se encuentre desarrollada. Una vez identificado el problema, se expone la solución propuesta. En el siguiente apartado, se define de forma más técnica las acciones y decisiones a tomar sobre cómo se ha de desarrollar la solución del problema expuesto en el capítulo anterior. Acto seguido, se detalla cómo queda implementada la aplicación web distinguiendo entre los servicios ofrecidos al profesor así como al alumno. Para finalizar, se encuentran un capítulo de conclusiones seguido de varios anexos que servirán de ayuda tanto en el despliegue de la aplicación web, instalación, manual de uso así como la incorporación del código utilizado. In one of the subjects taught by the Department of Telematic Engineering, an evaluation procedure is used consisting of the completion by students of printed forms that are used for students themselves to make grades of the academic work done. For this task, the teaching staff dedicates a significant part of class time in applying the referred evaluation system. The management and processing of this documentation by the teacher requires a long process, which ends up uploading it to an official web platform. In previous courses, the "partial" development of different web applications based on the languages with which this project has been carried out has also been carried out. From this situation arises the idea of developing a web application that allows the teacher to manage the scores of the different courses that a subject has. All this will be accessible from any device that has access to the Internet, as it will be a web page. The language used for the development of the web application will be HTML and Java, making use of Servlet technology to control the application and jsp pages to show the client the data. A SQL database will also be used for information storage and CSS for layout. As tools used for the realization of the application, the IDE Eclipse has been used for the development of the application, PostgreSQL for the management of the Database and the different web browsers to make tests and debugging of code, among others. Focusing on the content of this report, in addition to what has been mentioned above, first an introduction is made in which the justification of the project and the methodology will be explained. Afterwards, an explanation of the possible objectives raised in this project is made, and later a theoretical analysis of the needs that the application must fulfill once it is developed is carried out. Once the problem has been identified, the proposed solution is presented. In the following section, the actions and decisions to be taken on how to develop the solution to the problem described in the previous chapter are defined in a more technical way. Next, it is detailed how the web application is implemented, distinguishing between the services offered to the teacher as well as to the student. Finally, there is a chapter of conclusions followed by several annexes that will help both in the deployment of the web application, installation, user manual as well as the incorporation of the code used. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Uno de los problemas actuales del Internet de las cosas (Internet of Things, IoT) es el despliegue de aplicaciones nuevas o actualización de antiguas sobre los dispositivos de forma remota. Existen problemas debidos a las dependencias, sus versiones y compatibilidad de estas con las nuevas actualizaciones. Otros problemas vienen derivados de que los errores que se producen en una aplicación puedan afectar a otras, o incluso afecten a componentes principales del dispositivo, es decir, problemas de aislamiento, y además puede existir una falta de escalabilidad de la red. Durante el desarrollo de este proyecto se han utilizado contenedores para ejecutar aplicaciones en los dispositivos IoT y solucionar los problemas de aislamiento y dependencias. Para la ejecución de los contendores se hace uso de dos motores de contendores de código abierto, Docker y balena-engine. Para la gestión de la red de dispositivos se ha usado Kubernetes, un sistema de orquestación de contenedores. Gracias a Kubernetes se ha creado un clúster de tipo maestro-esclavo que permite, a través de una API, gestionar los contendores que se ejecutan en los dispositivos, y, por tanto, las aplicaciones. Del uso de Kubernetes se obtienen otras ventajas, como la posibilidad de exponer servicios directamente desde los dispositivos para ser consultados desde el exterior del clúster. Con Kubernetes se solucionan tanto el problema de la escalabilidad como el despliegue. En esta memoria se explican conceptos básicos tanto de contenedores como de Kubernetes y se profundiza en su funcionamiento interno, algunas características de seguridad, protocolos utilizados, direccionamiento interno, etc. Al ser tecnologías orientadas a la computación en la nube se han adaptado al IoT, por lo que se explica cómo realizar estas adaptaciones para posteriormente ponerlas en práctica. También, se evalúan las características mínimas a nivel de hardware para que un dispositivo pueda incluirse en el sistema. Para demostrar que la teoría explicada realmente puede ponerse en práctica, se ha creado un clúster de Kubernetes de pruebas, desde cero. Para ello, se ha hecho uso de Kubeadm y Kubelet, y se ha utilizado Kubectl para dar las órdenes a través de la API que expone el maestro. El clúster de pruebas consta de dos Raspberry Pi, que juegan el papel de dispositivos IoT y son los esclavos, y por una máquina virtual ejecutándose en un ordenador portátil que juega el papel de maestro. El maestro hace uso de Docker para la ejecución de contenedores, mientras que los esclavos hacen uso de balena-engine por motivos de rendimiento y capacidad de computación. Este clúster es híbrido, ya que conviven en él dos motores de contenedores distintos y es multiarquitectura, puesto que el maestro es amd64 y los esclavos arm. Se explica además, cómo deben ser configurados los componentes principales del clúster como Kubelet o el componente encargado del direccionamiento interno, llamado Flannel. Dado que los dispositivos IoT por lo general utilizan sensores u otro tipo de hardware, se debe garantizar que es posible acceder a estos desde las aplicaciones que se ejecutan en un contenedor. Por ello, se explica el funcionamiento del hardware de una RaspberryPi a través de pines GPIO, cómo la aplicación puede acceder a él desde el contenedor y cómo se deben realizar los despliegues en el clúster para que los contenedores que se lanzan automáticamente puedan hacer uso de los sensores. Dentro de un contenedor se ejecuta una imagen que contiene la aplicación. Se han creado dos imágenes para ser ejecutadas en el clúster de pruebas. Estas dos imágenes hacen uso de sensores. La primera usa el sensor de luz para enviar a sus logs el nivel de luz externo y la segunda hace uso de diodos led para simular un semáforo. La creación de estas imágenes se utiliza para explicar el proceso de creación y optimización de una imagen cualquiera hasta conseguir que ocupe el mínimo espacio posible, ya que los dispositivos suelen tener poca memoria, y también para que puedan ser descargadas rápidamente desde el registro de imágenes. Como registro de imágenes se ha utilizado Dockerhub. Por último, se muestran evidencias de la creación del clúster, de la ejecución de las aplicaciones creadas en el clúster de pruebas y se evalúa el grado de obtención de los objetivos fijados. One of the current problems of the Internet of Things (Internet of Things, IoT) is the deployment of new applications or updates of old ones over devices remotely. There are problems due to the dependencies, their versions and their compatibility with the new updates. Other problems arise from the fact that errors that occur in one application may affect others, or even affect the main components of the device, that is, isolation problems, and, also, it could exist a lack of scalability of the network. During the development of this project containers have been used to run applications on IoT devices and solve the problems of isolation and dependencies. For the execution of the containers, two open source container engines, Docker and balena-engine, are used. For the management of the device network, Kubernetes, a container orchestration system, has been used. Thanks to Kubernetes, a cluster of master-slave type has been created that allows, through an API, to manage the containers that are executed in the devices, and, therefore, the applications. Other advantages are obtained from the use of Kubernetes, such as the possibility of exposing services directly from the devices to be consulted from outside the cluster. With Kubernetes both problems, scalability and deployment have been resolved. In this report, basic concepts of containers and Kubernetes are explained and their internal functioning, some security features, used protocols, internal addressing, etc. are studied in depth. Being technologies oriented to cloud computing have been adapted to the IoT, so it is explained how to make these adaptations to put them later into practice. Also, the minimum characteristics at the hardware level are evaluated so that a device can be included in the system. To demonstrate that the explained theory can actually be put into practice, a Kubernetes cluster for tests has been created, from scratch. For this, Kubeadm and Kubelet have been used, and Kubectl has been used to give the orders through the API that the master exposes. The test cluster consists of two Raspberry Pi, which play the role of IoT devices, so they are slaves, and by a virtual machine running on a laptop that plays the role of master. The master makes use of Docker for the execution of containers, while the slaves make use of balena-engine for performance reasons and computing capacity. This cluster is hybrid, since two different container engines coexist in it and it is multi-architecture, since the master is amd64 and the slaves are arm. It also explains how the main components of the cluster should be configured, such as Kubelet or the component responsible for internal addressing, called Flannel. Since IoT devices usually use sensors or other hardware, it must be guaranteed that they can be accessed from applications running in a container. Therefore, it explains the operation of the hardware of a RaspberryPi through GPIO pins, how the application can access it from the container and how the deployments in the cluster should be carried out so that containers that are launched automatically can make use of the sensors. An image containing the application is executed inside a container. Two images have been created to be executed in the test cluster. These two images make use of sensors. The first uses the light sensor to send the external light level to its logs and the second uses LED diodes to simulate a traffic light. The creation of these images is used to explain the process of creating and optimizing any image until it takes the minimum space as possible, since the devices usually have little memory, and also so that they can be downloaded quickly from the image registry. Dockerhub has been used as image registry. Finally, there is evidence of the creation, of the execution of the created applications in the test cluster and the grade of objetives achievement is evaluated. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Hoy día, vivimos en un mundo “conectado” en el que necesitamos estar al tanto de lo que ocurre a nuestro alrededor, o incluso en lugares no tan cercanos. El Internet de las Cosas (IoT) es un concepto que define a objetos interconectados a través de internet permitiendo la gestión de los mismos. Hay tipos de información fácilmente accesibles para cualquiera que desee obtener alguna actualización, pero existe la necesidad de realizar una búsqueda para estar al corriente y, una vez llegados al dato, puede que ya haya cambiado su valor. El modelo de publicación/subscripción intenta hacer desaparecer este tipo de problemas, gracias a que el usuario tiene la posibilidad de subscribirse a los temas que considere de interés y recibir los datos actualizados una vez que cualquier otro usuario ha modificado su valor. De esta forma, el usuario subscrito obtiene la información actualizada en el mismo instante, sin necesidad de realizar ninguna petición. Este modelo asíncrono de envío de mensajes se basa en dos elementos: cliente y broker. El cliente se subscribe al broker con un topic específico, en el cual puede publicar mensajes o recibirlos si otro cliente publica en el mismo topic. El broker es un servidor en la nube encargado de manejar los mensajes recibidos de los clientes. Es por esto que se considera un intermediario entre clientes, ya que nunca habrá conexión directa entre ambos. A partir de este modelo, se ha desarrollado el proyecto que se presenta a continuación. En él, se expone la elección del protocolo de publicación/subscripción adecuado para la comunicación entre dos clientes finales: un Arduino y una aplicación. Los protocolos más comunes para la gestión de dispositivos de IoT a través del modelo de publicación/subscripción son XMPP, AMQP, MQTT y ZeroMQ; aunque, como se discute en la memoria, MQTT es el más adecuado para este proyecto. Este protocolo facilita la comunicación con el servidor para que, de esta forma, la aplicación pueda obtener los datos de los sensores conectados al Arduino, y realizar una fácil gestión de los mismos. Nowadays, we live in a “connected” world in which we need to be aware of what is happening around us, or even in places not so close. The Internet of Things (IoT) is a concept which defines interconnected devices through the Internet allowing its management. There are some easily accessible types of information for whoever that wants to get some updates, but there is a need to perform a search to keep up to date and, once we get to the data, it may have already changed its value. The publish/subscribe model tries to resolve these kinds of problems, thanks to the fact the user has the possibility to be subscribed to the topics of interest and to receive the updated data once any other user has modified its value. This way, the subscribed user obtains the updated information at the precise instant it has been changed, without the need of making any request. This asynchronous message sending model is based on two elements: client and broker. The client subscribes to the broker in a specific topic, in which the client is able to publish messages o receive them if another client publishes in the same topic. The broker is a cloud server in charge of managing messages from clients. This is why it is considered as an intermediary between clients, since there will never be a direct connection between them. From this model, the project presented below has been developed. It describes the selection of the appropriate publish/subscribe protocol for communication between two clients: an Arduino and an application. The most common protocols for managing IoT devices through publish/subscribe model are XMPP, AMQP, MQTT y ZeroMQ, although, as it is discussed in the thesis, MQTT is the most suitable for this project. This protocol facilitates communication with the server so that, in this way, the application can obtain data from the sensors connected to the Arduino, and perform an easy management of them. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Debido la masificación de clientes en Internet, y a los inevitables cortes que un servicio puede sufrir por su propia naturaleza, la tecnología está cambiando de paradigma. Los nuevos conceptos tecnológicos como son Big data, machine learning o data science, se basan en aplicaciones distribuidas con las que paliar las saturación de usuarios y dotar a la aplicación de alta disponibilidad, con la que se garantiza el acceso al servicio y de calidad. Este paradigma ha sido muy bien adoptado por las empresas, que ven en él una forma de ganarse la confianza de clientes, ya que éstos perciben un servicio de calidad, la empresa dispone de alta disponibilidad en aplicaciones críticas y se abaratan costes, debido a que la infraestructura escala fácilmente en función a la demanda de clientes. El rol que tiene el balanceador de carga como elemento centralizador del tráfico que circula hacia las aplicaciones distribuidas, lo hace ideal como punto en el cual aplicarles las políticas de seguridad. Esto presenta varias mejoras en el mantenimiento y rendimiento de la aplicación, como son: que la gestión de la seguridad se hace en un único nodo; se valida la información que reciben las aplicaciones, haciendo posible que la comunicación con ésta pueda viajar sin cifrar; y se aprovechan algunas de las operaciones del proxy Web que son compartidas con el WAF (Web Application Firewall) con lo que se elimina latencia. Con este proyecto se ha dotado a un balanceador de carga de capacidades WAF (Web Application Firewall), utilizando una librería de inspección de contenido que permite configurar reglas con las que proteger los servidores frente a amenazas y vulnerabilidades. El desarrollo se ha llevado a cabo teniendo en cuenta que el rendimiento fuese lo más óptimo posible y que el servicio de balanceo no sufra cortes durante la configuración de las políticas de seguridad, dado su criticidad. Para abstraerse de la librería y darle al operador de seguridad una herramienta fácil e intuitiva, se ha creado una API HTTP con la que pueda aplicar configuraciones sin tener que conocer la semántica de reglas usada por la librería elegida. Esta API puede ser utilizada para diversas tareas, como integrarse en otros sistemas, por ejemplo, un panel de control; o automatizar tareas a través de scripting. Due to the mass of clients on the internet, and the inevitable breaks in service that an application can experience because of its very nature, technology is changing its paradigm. New technical concepts like Big Data, Machine Learning and Data Science, are based on distributed applications that solve the user saturation and gives the system high availability, and the guarantee of accessing a quality service. This paradigm has been widely adopted by companies, which are using these new techniques to gain the clients‟ confidence. Therefore the clients can receive quality services, the companies obtain better infrastructures in their critical applications and they save waste. The load balancer role, as a centralizing element of traffic to the distributed application, makes it an ideal point to apply the network security and ensure its veracity. This introduces some improvements in the maintenance and performance of the applications, they are: the security management is done in a single node; the information that the applications receive is validated, making communication between the load balancer and the processing nodes possible without a cipher; and it is possible to take advantage of some proxy operations that are shared with the WAF (Web Application Firewall), removing latency. In this project, a load balancer has been improved with WAF feature, using a content inspection library that allows setting security rules that help protect the Web servers from security threats and vulnerabilities. The development has been done, bearing in mind, the performance and not disturbing the load balancing services while the security policies are being configured, due the load balancer critical role for the provided service. An HTTP API has been developed with the purpose of abstracting the WAF library and providing the security administrators a tool which will let configure the system easily. The API compiles JSON objects to complex SecLang directives. The API can be used for several tasks like: integrating the system in another solution, for example, a graphic control panel; or automating jobs through scripting languages. Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación

Grado en Ingeniería de las Tecnologías de Telecomunicación

En la actualidad, los teléfonos móviles son tan utilizados para acceder a Internet desde cualquier lugar como para realizar llamadas telefónicas. Es por ello que las redes de datos que conectan los Smartphones a Internet se están desarrollando a gran velocidad. Desde que apareció GSM (Global System for Mobile Communications) con una pobre tasa de 9.6 Kbps, hasta la actualmente implantada HSDPA (High Speed Downlink Packet Access) con tasas de hasta 14.4 Mbps o la futura LTE (Long-Term Evolution) con tasas de hasta 100 Mbps y que ya está implantada en algunas zonas de España. De igual manera, los Sistemas Operativos para Smartphones han evolucionado a una velocidad de vértigo en la última década. El utilizado por la mayoría de los fabricantes es Android, debido a que es un Sistema Operativo de código libre perteneciente a una de las empresas más cotizadas del momento, Google. En este proyecto se lleva a cabo el diseño, implementación y prueba de una aplicación para Smartphones con Sistema Operativo Android. La función principal de esta aplicación es comunicarse con un servidor de vídeo con tecnología JMF (Java Media Framework) a través de la red HSDPA para descargar las imágenes capturadas por el servidor en el momento de cada petición. De esta manera se obtiene una secuencia de imágenes que se mostrará en la pantalla del Smartphone. La fluidez de la secuencia dependerá del tamaño de las imágenes y de la cobertura de red 3G disponible. Además, se utiliza la librería OpenCV (Open source Computer Vision). Esta librería de visión artificial permite agregar la funcionalidad de reconocimiento de patrones a la aplicación. En concreto, se utiliza para el reconocimiento facial en las imágenes descargadas del servidor. Por último, se estudia una aplicación práctica para este proyecto, un servicio de videovigilancia de bajo coste. Para ello, se utiliza el dispositivo Raspberry Pi, un ordenador de tamaño reducido. La antigüedad de la tecnología JMF obliga además a buscar un servidor alternativo para poner en práctica este apartado, que será MJPEG-Streamer. Tras las pruebas en un escenario real, se comparan los resultados obtenidos utilizando ambos servidores y además se comparan con los resultados obtenidos en un proyecto anterior [2] que utilizaba la red GPRS (General Packet Radio Service) y la tecnología J2ME (Java 2 Micro Edition). Nowadays, mobile phones are used to access to the Internet as much as for calls. Because of this fact, the data networks which connect Smartphones to the Internet are being improved rapidly. Since the first GSM (Global System for Mobile Communications) architecture with a 9.6 Kbps rate to the current HSDPA (High Speed Downlink Packet Access) network with rates until 14.4 Mbps or the oncoming LTE (Long-Term Evolution) network with rates until 100 Mbps and which is already installed in some areas of Spain. In the same way, the Smartphone Operating Systems have evolved too fast in the last decade. Android is used by the majority of Smartphone manufacturers because it is an open source Operating System from Google which is currently one of the most quoted enterprises. In this proyect, we carry out the design, implementation and test of an application for Android OS Smartphones. The main function of this application is to communicate with a JMF (Java Media Framework) video server through HSDPA net to download the captured images in each request moment. In this way, we get a sequence of images which will be shown on the Smartphone screen. The sequence fluidity depends on the images size and the available 3G coverage. Moreover, the OpenCV (Open source Computer Vision) library is used in this proyect. This computer vision library allows to add pattern recognition to the application. Specifically, it is used for face recognition in downloaded images. Finally, we are going to study a practical implementation for the proyect which is a low cost video monitoring service. In order to do this, we use Raspberry Pi, which is a small computer. Furthermore, we will need to look for an alternative video server because of the fact that JMF is an old technology. The new video server will be MJPEG-Streamer. After testing the practical implementation, the results for both servers will be compared with eachother and with the results of a previous proyect [2] which use GPRS (General Packet Radio Service) net and J2ME (Java 2 Micro Edition) technology