Uma abordagem orientada a dados para reconfiguração de topologia de rede cluster-tree

Abstract

As Redes de Sensores Sem Fio (RSSF) surgem como umaimportante área de pesquisa, incorporando trabalhosrelacionados às áreas de comunicação, sensoriamento etratamento de dados. Os cenários de uso desse tipo de rede sãovastos, podendo ser citadas as aplicações de monitoramentoambiental, industrial, hospitalar, dentre outras. Nesse contexto,o cenário deste estudo é sobre o monitoramento de grandesáreas, as quais possuem especificidades desafiadoras, tais comogrande área de cobertura espacial, variação na quantidade desensores por área, dificuldade de implantação, e geração degrande quantidade de dados anômalos. Os recursoscomputacionais limitados dos nodos, associados à instalação empossíveis ambientes hostis e mudanças dinâmicas nas condiçõesdo ambiente monitorado impactam diretamente na coleta dosdados e nos tipos de falhas geradas. O principal desafio é o deextrair informações significativas, a partir dos dados brutos.Nesse sentido, técnicas para a detecção de outliers vêmganhando cada vez mais destaque, contribuindo para melhorara qualidade dos dados coletados. O aperfeiçoamento dessastécnicas, juntamente com técnicas para identificação etratamento do outliers, pode ser usado para detectar sensoresdefeituosos, filtrar dados ruidosos e descobrir eventosrelevantes. Nesta tese é proposta uma arquitetura paradetecção, identificação e tratamento de outliers em RSSF delarga escala. Um dos módulos da arquitetura é responsável porassociar métodos de detecção de outliers baseados emestatística a métodos de aprendizagem de máquina paraidentificar e classificar as anomalias, através da correlaçãoespaço-temporal dos dados e, em seguida, tratá-lasadequadamente. Outro módulo fundamental da arquitetura éresponsável por integrar técnicas de formação de cluster dedados com uma estratégia de formação dinâmica de topologiacluster-tree de redes. Para avaliar a arquitetura, diversasconfigurações de redes foram simuladas. Os resultadosalcançados mostraram que a arquitetura, com seus módulosassociados, foi capaz de se adaptar às mudanças de condiçõesdo ambiente monitorado, alterando dinamicamente a topologiada comunicação, permitindo uma detecção correta de outlierse, consequentemente, a detecção responsiva dos eventosrelevantes que ocorram durante o monitoramento.

Abstract: The Wireless Sensors Networks (WSNs) arise as an importantresearch field, incorporating some related fields ascommunication areas, sensing, and data processing. The WSNsutilization scenario is wide, including environmental, industrial,and hospital monitoring. In this context, this thesis applicationscenario is wide areas monitoring, which includes challengingspecificities as large spatial cover area, non-fixed sensorsquantity per area, hardware implementation difficulty, and thepossibility of generating a large number of outliers. Thecomputational resources are limited at the nodes andassociated with the potential hostile environments hardwareinstallation and the environmental dynamic change in themonitoring area, it can directly impact the data collection andthe outcome failures types. Thus, the main challenge is toextract significant information from raw data. In this way,outliers detection techniques have been gaining more and moreprominence, contributing to increasing the data collectionquality, and the improvement of these techniques (with theaddition to outliers identification and treatment methods), maybe used to detect defective sensors, filter noisy data, anddiscover relevant events. This thesis proposal is an architectureto detect, identify and treat outliers in a large scale WSN. Oneof the architecture modules is responsible to associate theoutliers detection method, based on statistics, to a machinelearning approach to identify and classify outliers, based on atime-space data correlation, and then, properly treat it.Another fundamental module of the proposed architecture is incharge to integrate techniques of data clustering with anetwork cluster-tree topology dynamic formation strategy. Toevaluate the proposed architecture, several simulatedconfigurations were performed. The results show that theproposed architecture, with the associated modules, is able toadapt itself to the environmental changes in the monitoredarea, dynamically modifying its communication topology,which allows an accurate outliers detection, and consequently,a responsive detection to the relevant events that occur duringmonitoring.