Esta seção apresenta uma discussão dos trabalhos relacionados, considerando o objetivo central da Arquitetura SAUI de prover suporte à Ciência de Situação para as aplicações ubíquas em infraestruturas de IoT, bem como suas principais premissas de concepção.
Desta forma, a Tabela 3.1 apresenta uma comparação entre os trabalhos relacionados, contemplando aspectos centrais na concepção da Arquitetura SAUI, quais sejam: (a) arquitetura empregada em diferentes domínios de aplicação; (b) abordagem distribuída para coleta dos dados de contexto; (c) modelo híbrido para representação do contexto; (d) aquisição autônoma dos dados de contexto na infraestrutura da IoT; (e) suporte à atuação sobre o meio físico no cenário da IoT; (f) coleta e processamento de contexto com base em regras e eventos associados aos dados coletados; e (g) abordagem híbrida para processamento de contexto na identificação de situações.
Considerando os aspectos listados no parágrafo anterior e tendo por base a Tabela 3.1, na continuidade é feita uma comparação entre os trabalhos relacionados e a Arquitetura SAUI, com o intuito de identificar os principais diferenciais da SAUI, caracterizando sua contribuição científica.
Tabela 3.1: Comparação entre os Trabalhos Relacionados
Daidalos GEPSIR MUSIC SCENE WComp
a não sim sim sim sim
b sim sim sim não sim
c sim não não não não
d não não não não não
e não não não não sim
f sim sim sim sim sim
g não sim não sim não
A Arquitetura SAUI pode ser empregada em diferentes domínios de aplicação. Essa característica também é observada na maioria dos projetos relacionados, demonstrando uma tendência nos trabalhos que vêm sendo desenvolvidos no tema desta tese. Dentre os projetos estudados, apenas o Daidalos caracteriza-se por ser concebido para um domínio específico de aplicação.
Com relação à concepção da arquitetura, a maioria dos trabalhos estudados possui arquiteturas distribuídas. Entretanto, estas arquiteturas não mantêm o caráter descentralizado para todas as etapas de tratamento de contextos e situações, não atendendo os requisitos de distribuição em larga escala dos ambientes ubíquos, providos pela IoT. Por sua vez, a Arquitetura SAUI diferencia-se dos trabalhos relacionados por estar estruturada de forma largamente distribuída, o que atende a característica
de elevada dispersão de recursos na IoT, bem como por abranger todas as etapas de tratamento do contexto, eventos e situações, desde a aquisição dos dados de contexto até os procedimentos de atuação sobre o meio.
Características como padronização e expressividade são consideradas relevantes para o processamento dos dados contextuais, particularmente no que tange ao processo de raciocínio. Assim, a modelagem semântica do contexto, que implementa estas características, tem se mostrado oportuna para representação dos dados contextuais nas infraestruturas de suporte à Ciência de Situação.
Dentre os projetos estudados, observa-se que o MUSIC emprega ontologias para modelagem do contexto. Já o projeto Daidalos emprega ao mesmo tempo ontologias e banco de dados para representação do contexto, aliando a elevada expressividade de um modelo semântico, com um modelo relacional. Por sua vez, a Arquitetura SAUI diferencia-se por propor um modelo híbrido para representação e processamento do contexto, que permite tanto selecionar um modelo semântico ou sintático, em função da necessidade do domínio de problema que está sendo tratado, como permite que estes tipos de modelo sejam combinados, explorando de forma sinérgica suas características e minimizando suas limitações.
A Arquitetura SAUI provê suporte para redes de sensores e atuadores na IoT. Com isso, pode ser otimizado o gerenciamento tanto da aquisição dos dados de contexto a partir de vários tipos de sensores, usual nos ambientes computacionais para aplicações da IoT, como da atuação distribuída sobre o meio físico. Tal característica é encontrada em parte no projeto Daidalos, que têm suporte a redes de sensores. O projeto WComp, por sua vez, permite atuação sobre o meio, entretanto, não suporta o gerenciamento de redes de atuadores. Os demais projetos permitem o gerenciamento de sensores, porém não em uma perspectiva de rede.
De modo geral, os projetos estudados preveem o emprego de mecanismos específicos para aquisição do contexto, adotando uma estratégia de separação entre a obtenção e o uso do contexto. Essa estratégia é um dos aspectos centrais para a concepção de arquiteturas para Ciência de Situação. A Arquitetura SAUI também obtém os dados contextuais de forma independente das aplicações que os utilizam. Por outro lado, diferentemente dos projetos relacionados, a Arquitetura SAUI agrega um caráter autônomo à obtenção dos dados de contexto, visto que estes continuam a ser obtidos pelo mecanismo de aquisição, mesmo que as aplicações interessadas em seu uso estejam inoperantes.
A maioria dos projetos estudados possui suporte ao tratamento do contexto, empregando estratégias baseadas em eventos e regras, porém esta funcionalidade usualmente está restrita a algumas etapas do processamento, principalmente à interpretação dos dados contextuais. A Arquitetura SAUI diferencia-se destes trabalhos por sua arquitetura de software ter sido concebida para dar suporte a tratadores de contexto baseados em eventos e regras, distribuídos nas células de execução do ambiente ubíquo, os quais podem estar vinculadas aos diferentes níveis de tratamento dos dados contextuais.
Os projetos GEPSIR e SCENE proveem mecanismos baseados em especificação de regras para detecção de situações que estão ocorrendo no ambiente. Por sua vez, a Arquitetura SAUI diferencia-se por possuir suporte tanto para técnicas de identificação de situações baseadas em especificação como em aprendizagem de máquina. Com isso, fica caracterizada uma abordagem híbrida para raciocínio sobre o contexto, visando à identificação de situações. Essa abordagem adotada pela Arquitetura SAUI busca combinar as características de ambas as técnicas na construção de mecanismos que viabilizem o processamento com o conhecimento e a semântica requeridos para raciocinar
sobre o contexto, bem como permitam a análise de dados brutos, extraindo padrões e lidando com a incerteza destes dados.