Lección 1Fundamentos de seguridad de extremo a extremo: identidad del dispositivo, arranque seguro, almacenamiento seguro, TLS, firma OTAEsta sección introduce la seguridad de extremo a extremo para sensores industriales, cubriendo identidad del dispositivo, arranque seguro, almacenamiento seguro, TLS, firma OTA y gestión de claves, y explica cómo integrar estos controles en la arquitectura sin romper la usabilidad ni el tiempo de actividad.
Provisioning device identity and certificatesSecure boot chains and firmware integritySecure storage of keys and secretsTLS configuration for constrained devicesSigned OTA updates and rollback safetyLección 2Arquitectura de sistemas embebidos: MCUs, SO en tiempo real, drivers, bootloaderEsta sección cubre arquitecturas embebidas para sensores industriales, incluyendo selección de MCU, diseño de memoria, sistemas operativos en tiempo real, drivers, bootloaders y cómo estructurar el firmware para confiabilidad, testabilidad y actualizaciones seguras over-the-air en campo.
Choosing MCU families and peripheralsMemory maps, flash, and RAM planningRTOS tasks, scheduling, and prioritiesDriver abstraction and hardware isolationBootloaders and firmware update flowsLección 3Requisitos no funcionales operativos: disponibilidad, latencia, escalabilidad, rendimiento, mantenibilidadEsta sección detalla requisitos no funcionales para sensores industriales, incluyendo disponibilidad, latencia, rendimiento, escalabilidad y mantenibilidad, y muestra cómo traducirlos en objetivos de diseño concretos, SLAs y tradeoffs arquitectónicos en toda la pila.
Defining SLAs and SLOs for sensor fleetsModeling latency and end-to-end timingThroughput, batching, and backpressureDesigning for availability and failoverMaintainability, observability, and supportLección 4Componentes de hardware de sensores: transductores, acondicionamiento, energía, enclosuresEsta sección examina elementos clave de hardware de sensores industriales, incluyendo transductores, acondicionamiento de señal, suministro y gestión de energía, y enclosures mecánicos, con énfasis en confiabilidad, rendimiento ante ruido y protección ambiental en sitios hostiles.
Selecting transducers for target phenomenaSignal conditioning and analog front endsPower budgeting and energy harvestingBattery life, regulators, and protectionEnclosure design and environmental sealingLección 5Opciones de conectividad: Ethernet, Wi‑Fi, BLE, LoRaWAN, celular (NB‑IoT, LTE‑M) y tradeoffsEsta sección compara opciones de conectividad para sensores industriales, incluyendo Ethernet, Wi-Fi, BLE, LoRaWAN y variantes celulares, y explica tradeoffs en rango, ancho de banda, energía, costo, confiabilidad y restricciones regulatorias para escenarios de implementación diferentes.
Ethernet and industrial fieldbus integrationWi-Fi for high-throughput local networksBLE for commissioning and local accessLoRaWAN and sub-GHz long-range linksNB-IoT and LTE-M cellular deploymentsLección 6Patrones de arquitectura en la nube para IoT: ingesta, colas de mensajes, almacenamiento de series temporales, APIsEsta sección presenta patrones de arquitectura en la nube para datos de sensores IoT, incluyendo endpoints de ingesta, colas de mensajes, almacenamiento de series temporales, APIs y procesamiento de streams, y explica cómo diseñar backends escalables, seguros y eficientes en costo para grandes flotas.
Designing ingestion endpoints and gatewaysMessage queues, topics, and routingTime-series databases and retentionAPIs for data access and integrationStream processing and alert pipelinesLección 7Entendiendo requisitos de sensores industriales y casos de uso típicosEsta sección aclara cómo capturar requisitos de sensores industriales y mapearlos a casos de uso, incluyendo monitoreo de procesos, mantenimiento predictivo, seguridad y necesidades regulatorias, equilibrando costo, energía, precisión y restricciones de integración.
Eliciting stakeholder and field requirementsDefining accuracy, range, and sampling needsEnvironmental and regulatory constraintsPower, cost, and lifetime trade studiesTranslating use cases into specs and KPIsLección 8Procesamiento edge y reducción de datos: muestreo, filtrado, agregación, inferencia ML localEsta sección explica cómo dispositivos edge muestrean, filtran y agregan datos de sensores, cuándo descartar o comprimir información, y cómo aplicar inferencia de machine learning ligera localmente para reducir ancho de banda y latencia preservando insights clave.
Designing sampling rates and windowsFiltering noise and outlier rejectionAggregation, compression, and downsamplingLocal ML inference and model selectionBalancing edge and cloud responsibilities
