Einsatz von Kontext-Prognose-Methoden zur Optimierung des Datenaufkommens in Sensornetzen
Final Report Abstract
In heutigen mobilen Sensornetzen werden Netzwerkparametern entweder bei Wartung oder Installation, oder aber als Reaktion auf Funktionsstörungen des Netzwerks adaptiert. Diese Methoden sind insofern nicht optimal, als in diesen Fällen Störungen zunächst auftreten müssen, um dann im Nachhinein aufgelöst zu werden. Darunter leiden insbesondere die Reaktionszeit und Fehlerrate innerhalb des Netzwerks. Durch den Einsatz von Kontext-Prognose-Methoden ist es möglich, das Auftreten von solchen lastkritischen Situationen vorherzusagen, sodass die kritische Netzwerksituation im Voraus vermieden werden kann. Das Primärziel des Projektes ist, Methoden zur Kontext-Prognose so weiterzuentwickeln, dass sie in einem Sensornetz zur Lastoptimierung beitragen. Davon profitieren alle Anwendungsbereiche, in denen Sensornetze zum Einsatz kommen, wie zum Beispiel die Sicherung und Überwachung von Gefahrgut, die Bergung und Rettung in Unfall- oder Katastrophengebieten, Einsatzgebiete in der Landwirtschaft oder im Bereich der Überwachung schwer zugänglicher Regionen sowie die Bereiche intelligente Häuser, Energieeffizienz, Automotive oder Verkehr. Im Projekt wurden zwei Szenarien genauer untersucht: ein Brand in einem Chemielager, in dem Geschäftsprozesse durch intelligente Container überwacht werden, und ein neuartiges System für die lokale Verbreitung von Verkehrsinformation. Das erste Szenario beschreibt einen Brand in einem Chemikalienlager: Sensorknoten, die an den Containern angebracht sind, um Geschäftsprozesse zu überwachen, bemerken die außergewöhnliche Situation und arbeiten zusammen, um wichtige letzte Informationen über die brennenden Chemikalien an die Feuerwehr zu senden. In diesem Szenario erlaubt es die Kontextprognose von einem einfachen MAC-Protokoll für Normalsituationen mit geringem Nachrichtenaufkommen auf ein ebenso einfaches Protokoll für Notfallsituationen mit einer großen Anzahl sehr dringlicher Nachrichten umschalten zu können. Im zweiten Szenario bemerkt ein Fahrzeug auf der Autobahn ein Hindernis und warnt alle Fahrzeuge hinter ihm. Die Nachricht wird über ein kontextsensitives Routingprotokoll von Fahrzeug zu Fahrzeug weitergeben. Dabei stellt jedes Fahrzeug fest, ob es ein möglicher Adressat der Meldung ist und gibt die Nachricht dann nur dann weiter. Die Nachricht erreicht so genau diejenigen Fahrzeuge, die von ihr profitieren. Hierzu wird nur lokaler Informationsaustausch benötigt. Im Gegensatz zu herkömmlichen lokationsbasierten Informationsystemen ist für dieses System kein Zugriff auf globale Server und kein globales Location-Tracking nötig. Die rein lokale Kommunikation hat daher einen niedrigeren Energieverbrauch und schützt die Privatsphäre der Benutzer besser. Wir haben damit gezeigt, dass mit der Kategorie der kontextsensitiven Protokolle, wie er im Laufe der beiden Studien in SenseCast entworfen wurde, eine erhebliche Erweiterung des gegenwärtigen Forschungsstandes stattgefunden hat: insbesondere konnten wir zeigen, dass kontextsensitive Protokolle eine konsequente Verallgemeinerung bislang in der Literatur entwickelter Techniken darstellen.
Publications
-
Beyond Context-Awareness: Context Prediction in an Industrial Application, Proceedings of the 12th ACM international conference adjunct papers on Ubiquitous computing, Copenhagen, Denmark, ACM Press, September 26-29, 2010
Yong Ding, Hedda R. Schmidtke, and Michael Beigl
-
Sensing Spaces: Light-Weight Monitoring of Industrial Facilities, in BMI'10 Workshop in conjunction with KI 2010, Karlsruhe, Germany, September 21, 2010
Yong Ding, Friedemann Laue, Hedda R. Schmidtke, and Michael Beigl
-
Distributed Spatial Reasoning for Wireless Sensor Networks, in Proceedings of the 7th International and Interdisciplinary Conference on Modeling and Using Context (Context’11), Karlsruhe, Germany, Springer, September 2011
Hedda R. Schmidtke and Michael Beigl
-
Investigation of context prediction accuracy for different context abstraction levels, IEEE Transactions on Mobile Computing (TMC), vol. 99
Stephan Sigg, Dawud Gordon, Georg von Zengen, Michael Beigl, Sandra Haseloff and Klaus David
-
RFTraffic: Passive Traffic Awareness Based on Emitted RF Noise from the Vehicles, in Proceedings of the 11th International Conference on ITS Telecommunications, Saint-Petersburg, Russia, IEEE, August 2011
Yong Ding, Behnam Banitalebi, Takashi Miyaki, and Michael Beigl
-
Using prediction to conserve energy in recognition on mobile devices. In Pervasive Computing and Communications: Work in Progress (PERCOM WiP), 9th IEEE International Conference on, Seattle, Washington, IEEE, 2011
Dawud Gordon, Stephan Sigg, Yong Ding, and Michael Beigl
