Supressão de dados em redes de sensores: melhorando a qualidade das estimativas e a robustez a dados aberrantes / Data suppression in sensor networks: improving the quality of estimates and the robustness to aberrant readings
AUTOR(ES)
Ilka Afonso Reis
DATA DE PUBLICAÇÃO
2008
RESUMO
Redes de sensores são formadas por minúsculos componentes eletromecânicos que coletam dados ambientais e os enviam até uma estação-base remota por meio da comunicação sem fio entre os nós-sensores. O principal objetivo de um esquema de coleta de dados para rede de sensores é manter a estação-base atualizada enquanto economiza a maior quantidade de energia possível. Para atingir este objetivo sem um monitoramento contínuo, a supressão de dados é uma estratégia chave. A idéia da supressão de dados é enviar dados para a estação-base somente quando os dados dos nós-sensores forem diferentes do que os nós e a estação-base esperam. Uma forma de suprimir dados é agrupar os nóssensores, agregar seus dados e enviar somente um resumo para a estação-base. Esta tese propõe agrupar os nós-sensores em conglomerados espacialmente homogêneos, que consideram tanto a distância geográfica e a similaridade de medidas entre nós-sensores vizinhos. Utilizando experimentos simulados, nós concluímos que conglomerados espacialmente homogêneos produzem resumos que possuem uma qualidade estatística melhor se comparados com os resumos produzidos pelos métodos de aglomeração usuais (ordinary clustering). Visto que algoritmos de aglomeração distribuídos têm um papel importante na eficiência energética das propostas para coleta de dados em redes de sensores, nós apresentamos o algoritmo Distributed Data-aware Representative Clustering (DARC) e o Data-Aware Distributed Clustering Algorithm (DA-DCA). Os algoritmos DARC e DCA formam conglomerados de nós-sensores em torno de um representante dos conglomerados, o que gera conglomerados mais homogêneos do que aqueles formados pelas propostas usuais na literatura. Assim, estes conglomerados produzem resumos que estimam os dados dos nós-sensores com um erro menor se comparado aos algoritmos de aglomeração data-aware usuais. Outra característica importante dos esquemas de supressão de dados é a sua sensibilidade a dados aberrantes. Estas observações discrepantes significam uma mudança no comportamento esperado para aquela sequência de observações. Transmitir estes dados errôneos para a estação-base é um desperdício de energia. Nesta tese, nós apresentamos um esquema de supressão temporal que é robusto a observações aberrantes. Nós propomos usar uma técnica de detecção de outliers em uma série temporal. Visto que outliers podem ser um indício de ponto de mudança na série ou uma observação aberrante, nossa proposta é classificar os outliers detectados como observação aberrante ou pontos de mudança usando uma janela de pós-monitoramento. Esta é a idéia por trás do TS-SOUND (Temporal Suppression by Statistical OUtlier Notice and Detection). TS-SOUND é a nossa proposta para um esquema de supressão temporal de dados. Ele detecta outliers na sequência dos dados de um nó-sensor e envia dados para a estação-base somente quando uma mudança é detectada. Deste modo, o TS-SOUND filtra as observações aberrantes e, mesmo que este filtro falhe, o TS-SOUND não envia a observação discrepante para a estação-base. Experimentos com dados reais e simulados mostraram que o TS-SOUND é mais robusto a observações aberrantes do que outros esquemas de supressão temporal propostos na literatura. Além disto, TS-SOUND consegue taxas de supressão comparáveis ou maiores do que as taxas de supressão de outros esquemas além de manter os erros de predição em níveis aceitáveis.
ASSUNTO(S)
monitoramento ambiental coleta de dados outliers data suppression redes de sensores data collection valores discrepantes supressão de dados sensor network
