Simulação do Cenário

A partir do cenário proposto, foram feitas algumas simulações no SGQoC da seguinte forma: Imaginamos a existência de duas grandes redes de sensores na grande Vitória (RSSF1 e RSSF2), onde a primeira está localizada na cidade de Vitória no bairro Jardim Camburi e a segunda na cidade de Guarapari no bairro Praia do Morro.

A Tabela 6.1 apresenta a configuração de dois tipos de contexto que essas redes irão monitorar, chamados de PM10@RSSF1 e PM10@RSSF2. Todos os dados monitorados por essas duas redes de sensores referente a esse tipo de contexto, terão os dados enviados ao SGQoC que ficará responsável pela avaliação, geração de medidas de qualidade de contexto e entrega dos dados processados as aplicações clientes. Essas duas redes poderiam ter n sensores do tipo AirQualityEgg apresentado no cenário proposto, possibilitando uma maior abrangência do monitoramento.

Para cadastrar esses dois tipos de contextos no SGQoC, foi utilizado o módulo de interface com o usuário, onde também foi cadastro as RSSF. Ao se cadastrar a rede de sensores, o usuário teve que identificar o gateway que ficará responsável por entregar os dados ao serviço e a aplicação que deverá receber os dados processados. Além disso, no cadastro do tipo de contexto, o usuário teve que parametrizar as métricas de qualidade de contexto que deverão ser geradas.

Como pode ser visto na tabela 6.1, os dois tipos de contexto estão utilizando parametrizações diferentes na constante period, dessa forma a rede RSSF1 terá um número três vezes maior de dados a serem processados do que a RSSF2. Para efeitos de teste foram adotados pesos iguais para todas as métricas (peso 1) e todas elas estão ativas, ou seja, serão geradas e utilizadas na geração da métrica geral de QoC.

Tabela 6.1 Parametrização de Tipos de Contexto (CtxType). Parametrizacao para Gerar Metricas de QoC RSSF

CtxType

min-max ^{lifespan period}

consecutive_

variation ^{Gateway Aplicação} PM10@RSSF1 ^~0-500

g/m3 ^{3600 s 5 s 10% 2001:db8:0:1200:fe0::1 App1@localhost:80}

PM10@RSSF2 ^~0-500

g/m3 ^{3600 s 15 s 10% 2001:db8:0:1200:fe0::2 App2@localhost:80}

Utilizando o módulo Context Generator para a simulação do cenário de monitoramento de qualidade do ar, foram gerados vários dados de entrada (informações de contexto) que o SGQoC analisou, processou e gerou as métricas de QoC. A tabela 6.2 apresenta um trecho do contexto de saída que foi gravado na base de dados do serviço. Nesta tabela, pode-se observar o CtxData, que é a primeira parte da tabela composta pelas colunas Context Type, Sorce Value, Final Value e Generation Time, e o QoCData, que é a segunda parte da tabela composta pelas colunas Arrival Time, C - Coverage, U - Up-to-dateness, A - Accuracy, F - Frequency, S - Significance e QoC – Métrica Geral de QoC. O CtxData e o QoCData são os resultados do processamento do contexto PM10@RSSF1, que representa a concentração (g/m3) da particula PM10 aferida pela RSSF1.

Tabela 6.2 CtxData e QoCData para PM10@RSSF1.

CtxData QoCData Context Type Source Value Final Value Generation Time Arrival Time ^{C U A F S QoC} PM10 @RSSF1 20.60 20.60 20:58:01 20:58:02 1 1 1 1 0 0.8 PM10 @RSSF1 21.06 21.06 21:02:05 21:02:07 1 1 1 1 0 0.8 PM10 @RSSF1 50.24 21.06 21:10:09 21:10:12 1 1 0 1 0 0.6 PM10 @RSSF1 20.72 20.72 21:13:13 21:13:15 1 1 1 1 0 0.8 PM10 @RSSF1 20.87 20.87 21:17:17 21:17:19 1 1 1 1 0 0.8

Como podemos ver na tabela 6.1, as duas primeiras linhas apresentam valores esperados (coluna 2 - Source Value) e o processamento apenas gerou as medidas de QoC, mas na terceira linha o dado coletado apresentou um valor fora da margem esperada que é de 10%, e por isso, o seu valor final foi alterado para o anterior já

validado pelo serviço. Isso ocorreu devido às configurações existentes do CtxType, que nesse caso está parametrizado para substituir o valor errado pelo anterior já validado. Nessa mesma linha (L3) na coluna QoCData, podemos ver que a métrica Accuracy, está igual a zero, ou seja, ela informa que esse contexto sofreu alterações pois estava errado ou incoerente.

No resultado da simulação apresentado, o SGQoC considerou a linha que está destacada como um erro, pois as leituras posteriores possuíam um valor dentro da faixa de valores esperado. Se um conjunto de leituras posteriores à linha destacada (L3) apresentasse valores dentro da margem de variação em relação a L3, o SGQoC descartaria a possibilidade de erro e transmitiria a leitura L3 para a aplicação cliente.

Ao mesmo tempo que o módulo Context Generator estava sendo executado para o tipo PM10@RSSF1, foi aberto uma nova sessão desse módulo para também simular o tipo PM10@RSSF2. A tabela 6.3 mostra um trecho do contexto de saída que foi gravado na base de dados do serviço.

Tabela 6.3 CtxData e QoCData para PM10@RSSF2.

CtxData QoCData Context Type Source Value Final Value Generation Time Arrival Time ^{C U A F S QoC} PM10 @RSSF2 18.20 18.20 20:59:10 20:59:12 1 1 1 1 0 0.8 PM10 @RSSF2 19.30 19.30 21:14:11 21:14:13 1 1 1 1 0 0.8 PM10 @RSSF2 22.40 22.40 21:29:09 21:29:12 1 1 1 1 0 0.8 PM10 @RSSF2 22.50 22.50 21:44:13 21:44:15 1 1 1 1 0 0.8 PM10 @RSSF2 23.05 23.05 21:59:17 21:59:19 1 1 1 1 0 0.8

Podemos perceber que de forma parecida com o tipo PM10@RSSF1, esse contexto estava normal nas duas primeiras linhas, mas na terceira o seu valor teve um acréscimo de mais de 10% do esperado. Nesse caso, como as leituras posteriores a terceira linha (L3) mantiveram o valor mais alto e já dentro do percentual esperado, o sistema não considerou uma falha da leitura e sim um aumento real no valor escalar da partícula PM10 na RSSF2.

Esses dados processados poderiam ser entregas ao sistema do IEMA para análise e disponibilização a população. Com a utilização desses dados processados pelo

SGQoC, o IEMA poderia criar uma aplicação sensível ao contexto que tomaria algumas ações, caso os valores da partícula PM10 chegasse a um nível crítico, tomando uma ação com maior confiança e gerando um serviço de melhor qualidade a população. Além disso, outras medidas atmosféricas poderiam ser monitoradas pelo sensor AirQualityEgg como Material Particulado (PTS), Dióxido de Enxofre (SO2), Óxidos de Nitrogênio (NOx), Hidrocarboneto (HC), Ozônio (O3), dentre outras.

7 CONCLUSÕES