MESTRADO EM ENGENHARIA ELETRÔNICA E COMPUTAÇÃO
PATRICK JEAN BARBOZA FERNANDES
IoT-DFR
3: Explorando a Geração
Dinâmica de Regras Fuzzy para
Classificação de Recursos na IoT
Dissertação apresentada como requisito parcial para a obtenção do grau de Mestre em Engenharia Eletrônica e Computação
Orientador: Prof. Dr. Adenauer Corrêa Yamin Coorientador: Prof. Dr. Renato Marques Dilli
Pelotas 2021
Fernandes, Patrick Jean Barboza
IoT-DFR3: Explorando a Geração Dinâmica de Regras Fuzzy para Classificação de Recursos na IoT / Patrick Jean Barboza Fer-nandes. – Pelotas: 2021.
79 f.: il.
Dissertação (mestrado) – Universidade Católica de Pelotas. 2021. Orientador: Adenauer Corrêa Yamin; Coorientador: Re-nato Marques Dilli.
1. Lógica Fuzzy. 2. Geração de regras Fuzzy. 3. Classificação de recursos. 4. Internet das Coisas. I. Yamin, Adenauer Corrêa. II. Dilli, Renato Marques. III. Título.
UNIVERSIDADE CATÓLICA DE PELOTAS Reitor: Prof. José Carlos Pereira Bachettini Júnior Pró-Reitor-Acadêmico: Profa. Patrícia Haertel Giusti
Coordenador de Pesquisa e Pós-Graduação Stricto Sensu: Prof. Ricardo Tavares Pinheiro Diretora do Centro de Ciências Sociais e Tecnológicas: Profa. Ana Cláudia Lucas
Coordenador do Mestrado em Engenharia Eletrônica e Computação: Prof. Eduardo Antonio César da Costa
é o período mais difícil da vida de alguém.” — DALAILAMA
Primeiramente a Deus, por estar sempre comigo e por ter me dado força durante todo esse caminho.
Ao meu orientador Prof. Adenauer Corrêa Yamin e ao meu coorientador Prof. Renato Dilli, pela paciência, motivação e dedicação. Além de excelentes professores, somos grandes amigos.
A colega e amiga Morgana Macedo pela dedicação e disposição que teve em me ajudar durante todo este período de curso.
A amiga Rociele Prietsh, por incentivar que eu continue sempre em busca dos meus objetivos.
A todos os professores e colegas de turma, que contribuíram de alguma forma, com o meu crescimento como mestrando e como ser humano.
Na Internet das Coisas tem-se um elevado número de recursos de sensoriamento e/ou atuação, interconectados, sendo que cada um destes recursos pode oferecer diversos serviços. Deste modo, uma seleção de recursos para um determinado cliente deve considerar tanto os requisitos funcionais, como os não funcionais, dos diferentes recursos disponíveis no momento. Os requi-sitos funcionais são considerados para seleção dos recursos que possam efetivamente atender o cliente e os requisitos não funcionais para identificar quais destes seriam os mais oportunos para este atendimento.
Os clientes usualmente têm incertezas quanto a especificação dos requisitos não funcionais dos serviços providos pelos recursos. Neste sentido, a Lógica Fuzzy vem se mostrando oportuna para lidar com dados incertos empregando raciocínio aproximado. Por sua vez, como parte da abordagem Fuzzy se faz necessário o emprego de regras, cuja especificação pode ganhar complexidade quando o número de atributos a serem considerados aumenta.
A partir desta motivação decorre o objetivo central desta dissertação que é a concepção de uma proposta para gerenciamento de regras Fuzzy, denominada IoT-DFR3(IoT-Dynamic Fuzzy
Ru-les Resource Ranking). Dentre as suas principais funcionalidades, destacaríamos: (i) geração dinâmica de regras Fuzzy; (ii) seleção de preferências do cliente; (iii) classificação de recur-sos utilizando Lógica Fuzzy Tipo-2 Intervalar; (iv) integração com a arquitetura de software EXEHDA-RR.
O trabalho desenvolvido contemplou uma sistematização de conceitos pertinentes a Internet das Coisas, Lógica Fuzzy Tipo-1 e Tipo-2 Intervalar, método de Wang-Mendel, algoritmos de Análise de Decisão de múltiplos critérios e Ordens Admissíveis. Também foi desenvolvida uma revisão de literatura para identificar Trabalhos Relacionados à Classificação de Recursos empregando Lógica Fuzzy.
Também foram caracterizadas as diferentes tecnologias necessárias para o desenvolvimento da pesquisa. Como critérios para seleção das tecnologias, foi considerado serem open source e passíveis de integração com a arquitetura já existente do middleware EXEHDA.
A avaliação realizada indicou redução significativa no total de regras Fuzzy geradas, corrobo-rando para a continuidade dos esforços de estudo e pesquisa relativos a proposta IoT-DFR3.
Palavras-chave: Lógica Fuzzy. geração de regras Fuzzy. classificação de recursos. Internet das Coisas.
Classification
ABSTRACT
The Internet of Things has a large number of interconnected sensing and/or acting resources, each of which can offer different services. Thus, a selection of resources for a given client must consider both the functional and non-functional requirements of the different resources currently available. Functional requirements are considered for selecting resources that can effectively serve the client and non-functional requirements to identify which of these would be the most appropriate for this service.
Clients usually have uncertainties regarding the specification of the non-functional requirements of the services provided by the resources. In this sense, Fuzzy Logic has been shown to be opportune to deal with uncertain data using approximate reasoning. In turn, as part of the Fuzzy approach, it’s necessary to use rules, the specification of which can become more complex when the number of attributes to be considered increases.
From this motivation, the main objective of this dissertation arises, which is the conception of a proposal for management of Fuzzy rules, called IoT-DFR3 (IoT-Dynamic Fuzzy Rules Resource Ranking). Among its main features, we would highlight: (i) dynamic generation of Fuzzy rules; (ii) selection of client preferences; (iii) classification of resources using Fuzzy Logic Type-2 Intervalar; (iv) integration with the EXEHDA-RR software architecture.
The work developed included a systematization of concepts pertinent to the Internet of Things, Fuzzy Logic Type-1 and Type-2 Interval, Wang-Mendel method, Multiple Criteria Decision Analysis and Admissible Orders. A literature review was also developed to identify Works Related to the Classification of Resources using Fuzzy Logic.
The different technologies necessary for the development of research were also characterized. As criteria for selecting technologies, it was considered to be open source and capable of inte-gration with the existing architecture of the EXEHDA middleware.
The evaluation carried out indicated a significant reduction in the total number of generated Fuzzy rules, corroborating the continuity of the study and research efforts related to the IoT-DFR3 proposal.
AHP Analytic Hierarchy Process
AV Availability
CF Conjunto Fuzzy
CF1 Conjunto Fuzzy Tipo-1 CF2 Conjunto Fuzzy Tipo-2 CP Coeficiente de Proximidade
CR Consistency Ratio
FEAHP Fuzzy Extended Analytic Hierarchy Process FOCUSS Fuzzy-Oriented Cloud Service Selection FOU Footprint of Uncertainty
FQASD Fuzzy QoS aware service discovery Fuzzy AHP Fuzzy Analytic Hierarchy Process Fuzzy DM Fuzzy Decision Making
Fuzzy MOP Fuzzy Multi-Objective Optimization
GB Gigabyte
Gbps Gigabits per second
GHz Gigahertz
G3P Grupo de Pesquisa em Processamento Paralelo e Distribuído
H High
HDD Hard Disk Drive
ICB Intelligent Cloud Broker IoT Internet of Things
IoT-DFR3 Internet of Things - Dynamic Fuzzy Rules Resource Ranking
LF Lógica Fuzzy
LF1 Lógica Fuzzy Tipo-1 LF2 Lógica Fuzzy Tipo-2
M Medium
MCDA Multiple Criteria Decision Analysis MCDM Multiple Criteria Decision Making MIT Massachusetts Institute of Technology PFIS Proposed Fuzzy Inferece System PSO Particle Swarm Optimization QoS Quality of Service
RAM Random Access Memory
RFID Radio Frequency Identification RSSF Redes de Sensores sem Fio
RT Response Time
SAW Simple Additive Weighting
SBRF Sistema Baseado em Regras Fuzzy Tipo-1 SBRF2 Sistema Baseado em Regras Fuzzy Tipo-2 SyFSel Synthetic Fuzzy Set Library
TB Terabyte
TH Throughput
TOPSIS Technique for Order of Preferences by Similarity to Ideal Solution TR1 Trabalho Relacionado 1
TR2 Trabalho Relacionado 2 TR3 Trabalho Relacionado 3 TR4 Trabalho Relacionado 4
TR6 Trabalho Relacionado 6
VIKOR VIseKriterijumska Optimizacija I Kompromisno Resenje XML Extensible Markup Language
W Weight
WM Wang-Mendel
WSDL Web Services Description Language WSM Weighted Sum Method
χA(x) Imagem de χAContida no Conjunto {0,1}
χB(x) Imagem de χB Contida no Conjunto {0,1}
∈ Pertence
/
∈ Não Pertence
ϕF Função de Pertinência do Subconjunto Fuzzy F
max Máximo
min Mínimo
ϕA0(x) Complementar de A
λ Um Número Real Qualquer ∧ Operador Mínimo; Conectivo E ∨ Operador Máximo; Conectivo OU
¬ Negação =⇒ Implicação 4 Operador T-norma 5 Operador T-conorma ≤ Menor ou Igual ≥ Maior ou Igual
G(B) Método Centro de Gravidade IR Conjunto dos Números Reais S
Conjunto União
µF Função de Pertinência do Conjunto Fuzzy F
ϕA ∪ B Função de Pertinência da União de Conjuntos Fuzzy A e B ϕA ∩ B Função de Pertinência da Intersecção de Conjuntos Fuzzy A e B µA0 Função de Pertinência do Complemento do Conjunto Fuzzy A
min ϕA Mínimo da Função de Pertinência do Conjunto Fuzzy A
e
A Conjunto Fuzzy Tipo-2 Intervalar eA
µAe Função de Pertinência do Conjunto Fuzzy Tipo-2 Intervalar eA
µAe(x, u) Função de Pertinência do Conjunto Fuzzy Tipo-2 Intervalar µAe(x, u), dependente de x e u
µ
e
A Função de Pertinência Inferior do Conjunto Fuzzy Tipo-2 Intervalar eA
µAe Função de Pertinência Superior do Conjunto Fuzzy Tipo-2 Intervalar eA JX Pertinência Primária de X
⊆ Contido em
∀ Para Todo
Jx Função de Pertinência Inferior Jx Função de Pertinência Superior
x0 Corte Vertical de x µ
e
A(x) Função de Pertinência Superior (Tipo-1)
µ
e
A(x) Função de Pertinência Inferior (Tipo-1)
wj Peso do Critério
φ(qi) Pontuação de Avaliação
qij0 Valores de Atributos Normalizados N Número de Critérios
Figura 2.1 Previsão de Crescimento de Dispositivos na Internet das Coisas... 19
Figura 2.2 Operações com subconjuntos Fuzzy: (a) união, (b) intersecção e (c) complemento22 Figura 2.3 Método de Inferência de Mamdani... 27
Figura 2.4 Diferença entre Conjuntos Fuzzy: (a) Tipo-1 e (b) Tipo-2... 28
Figura 2.5 Funções de Pertinência de um Conjunto Fuzzy Tipo-2 Trapezoidal ... 29
Figura 2.6 Grau Secundário de um Conjunto Fuzzy Tipo-2 Trapezoidal ... 30
Figura 2.7 FOU e Funções de Pertinência Superior e Inferior... 31
Figura 2.8 Função de Pertinência de um Conjunto Fuzzy Triangular Tipo-2 Intervalar ... 32
Figura 3.1 TR1 - Visão da Proposta ... 39
Figura 3.2 TR2 - Visão da Proposta ... 41
Figura 3.3 TR3 - Visão da Proposta ... 43
Figura 3.4 TR4 - Visão da Proposta ... 45
Figura 3.5 TR5 - Visão da Proposta ... 47
Figura 3.6 TR6 - Visão da Proposta ... 49
Figura 4.1 IoT-DFR3: Visão Arquitetural ... 53
Figura 4.2 Saída Produzida pelo Bloco de Pré-Classificação MCDA ... 54
Figura 4.3 JuzzyOnline, Tipo-2 Intervalar Trapezoidal. ... 59
Figura 4.4 JuzzyOnline, Tipo-1 Triangular. ... 59
Figura 5.1 Módulo de Administração de Regras - Cadastro de Perfil ... 63
Figura 5.2 Cenário de Uso - Preferências do Cliente (HLM) ... 64
Tabela 3.1 Comparação dos Trabalhos Relacionados ... 50
Tabela 5.1 Atributos do QWS Dataset 2.0 Considerados ... 62
Tabela 5.2 IoT-DFR3- Variáveis Linguísticas Tipo-2: RT, AV e TH ... 64
Tabela 5.3 IoT-DFR3- Variável Linguística Tipo-2: Weight ... 64
Tabela 5.4 Amostra com 13 Recursos do QWS Dataset ... 65
Tabela 5.5 IoT-DFR3- Base de Regras Mamdani (Método WM) ... 65
Tabela 5.6 IoT-DFR3- Base de Regras Mamdani para (HLM) ... 66
Tabela 5.7 Número de Regras Geradas: Especialista & Método de WM ... 67
Tabela 5.8 IoT-DFR3- Regras Fuzzy com 3 Atributos (Método WM)... 68
Tabela 5.9 IoT-DFR3- Regras Fuzzy com 4 Atributos (Método WM)... 68
Tabela 5.10 IoT-DFR3- Regras Fuzzy com 5 Atributos (Método WM)... 68
Tabela 5.11 IoT-DFR3- Regras Fuzzy para Preferência HHH ... 69
Tabela 5.12 IoT-DFR3- Regras Fuzzy para Preferência HLM ... 70
Tabela 5.13 IoT-DFR3- Regras Fuzzy para Preferência MHM ... 70
Tabela 5.14 IoT-DFR3 - Comparação entre os Consequentes das Regras para as Prefe-rências HHH, HLM e MHM... 71
1 INTRODUÇÃO ... 15
1.1 Objetivos Propostos ... 16
1.2 Estrutura do Texto ... 17
2 FUNDAMENTAÇÃO TEÓRICA ... 18
2.1 Internet das Coisas... 18
2.2 Conjuntos Fuzzy Tipo-1 ... 20
2.2.1 Conceitos da Teoria de Conjuntos Fuzzy... 20
2.2.2 Operações entre Subconjuntos Fuzzy ... 21
2.2.3 Operações Aritméticas Envolvendo Números Fuzzy ... 22
2.2.4 Sistema Baseado em Regras Fuzzy... 25
2.3 Conjuntos Fuzzy Tipo-2 ... 28
2.4 O Método de Wang-Mendel ... 32
2.5 Algoritmos MCDA ... 33
2.6 Ordens Admissíveis... 36
3 TRABALHOS RELACIONADOS ... 38
3.1 TR1 - Web Service Selection Approach Based on Agent and Fuzzy Logic ... 38
3.2 TR2 - Fuzzy QoS Requirement-Aware Dynamic Service Discovery and Adaptation... 40
3.3 TR3 - Fuzzy Hybrid Approach for Ranking and Selecting Services in Cloud-based Marketplaces ... 42
3.4 TR4 - A Fuzzy-Based Decision-Making Broker For Effective Identification and Selection Of Cloud Infrastructure Services ... 45
3.5 TR5 - Optimal Web Service Selection Model using Fuzzy Extended AHP and Weigh-ted Sum Method ... 46
3.6 TR6 - Prioritizing The Solution of Cloud Service Selection Using Integrated MCDM Methods Under Fuzzy Environment ... 48
3.7 Discussão dos Trabalhos Relacionados ... 50
4 IOT-DFR3: CONCEPÇÃO E TECNOLOGIAS EMPREGADAS... 52
4.1 Concepção... 52
4.1.1 Bloco de Normalização... 52
4.1.2 Bloco Pré-Classificação MCDA ... 53
4.1.3 Bloco de Fuzzificação ... 54
4.1.4 Bloco Gerenciamento de Regras... 54
4.1.5 Bloco de Inferência Fuzzy ... 57
4.1.6 Bloco Redução de Tipo... 57
4.1.7 Bloco de Defuzzificação ... 57
4.1.8 Bloco Ordens Admissíveis... 57
4.2 Tecnologias... 58
5 IOT-DFR3: AVALIAÇÃO REALIZADA ... 62
5.1 Primeiro Cenário de Uso ... 63
5.2 Segundo Cenário de Uso... 67
5.3 Terceiro Cenário de Uso ... 69
6 CONSIDERAÇÕES FINAIS ... 72
6.1 Principais Conclusões ... 72
6.2 Publicações Realizadas ... 73
6.3 Trabalhos Futuros... 74
1 INTRODUÇÃO
A Internet das Coisas (IoT – Internet of Things) é considerada uma evolução compu-tacional que possui uma infinidade de objetos físicos embarcados com sensores e atuadores, conectados por redes sem fio e que se comunicam através da Internet (SCHENFELD et al., 2016). A previsão é de que até 2030 tenha em torno de 125 bilhões de recursos conectados à IoT (IHS Markit, 2017), cada um destes recursos poderá oferecer mais de um serviço. Deste modo, a seleção dos recursos cujos serviços que melhor atendam aos requisitos de um cliente, entre vários recursos aptos, pode resultar em uma tarefa complexa.
Atendendo o perfil operacional da infraestrutura da IoT, uma proposta de seleção deve considerar os requisitos funcionais e os não funcionais dos recursos. Os requisitos funcionais indicam aquilo que os serviços deverão oferecer e por sua vez os requisitos não funcionais, indicam os aspectos associados à Qualidade de Serviço (QoS). Por exemplo, quanto aos requi-sitos não funcionais, temos alguns atributos como a “disponibilidade”, que é a porcentagem de tempo que um serviço permanece funcionando; e/ou “tempo de resposta”, que é o tempo essencial para um serviço responder; e/ou quanto a sua “taxa de transferência”, que é o número total de invocações por um determinado período de tempo (KHUTADE; PHALNIKAR, 2014). Deste modo, os requisitos funcionais são utilizados para definir se um certo recurso é capaz de atender as demandas de um cliente. Enquanto que a avaliação de parâmetros não funcionais de QoS dos serviços fornecidos pelos recursos, estabelecem a base para selecionar entre os recursos apropriados, quais são os mais aptos.
Para tanto, é preciso classificar os recursos segundo estes parâmetros não funcionais, para então selecionar os mais adequados. Nesta classificação, se faz necessário considerar as incertezas dos clientes na caracterização de suas preferências, quanto aos parâmetros de QoS que lhe são mais apropriados (TRIPATHY; TRIPATHY, 2018). A Lógica Fuzzy (LF) tem se mostrado um mecanismo oportuno para tratamento de dados vagos, incertos ou ambíguos, semelhante às expressões humanas.
A LF procura representar o conhecimento e o raciocínio humano de modo o mais real possível, facilitando assim a construção de sistemas mais complexos (SILVA et al., 2019). Além da LF tradicional (denominada de Tipo-1), foi proposta a LF Tipo-2 Intervalar, que está rela-cionada com a insuficiência da LF Tipo-1 em modelar as incertezas referente a definição das funções de pertinência dos antecedentes e consequentes em um sistema de inferência Fuzzy (EZENWOKE, 2018).
cuja especificação pode ganhar elevada complexidade quando o número de atributos a serem considerados aumenta. Deste cenário, surge o desafio de pesquisa deste trabalho, que é reduzir o esforço associado a criação manual de regras para um sistema Fuzzy Tipo-2 Intervalar.
Nesta perspectiva, a proposta IoT-DFR3 (Internet of Things - Dynamic Fuzzy Rules Re-source Ranking) provê uma abordagem para geração de regras Fuzzy, de forma automática, com base nos dados de entrada. Durante o desenvolvimento da pesquisa foi considerada a premissa de integração da abordagem proposta com a arquitetura do EXEHDA-RR, a fim de otimizar o processo da geração e manipulação da Base de Regras Fuzzy empregada.
1.1 Objetivos Propostos
Tendo em vista esse cenário, o objetivo geral deste trabalho é a concepção da proposta IoT-DFR3 que dentre outros aspectos irá prover uma abordagem para geração dinâmica de re-gras Fuzzy e seu gerenciamento. Para consecução deste objetivo geral, foram identificados alguns objetivos específicos a serem contemplados:
• Sistematizar conceitos importantes para o desenvolvimento da dissertação, dentre estes destacaríamos: Internet das Coisas, Lógica Fuzzy Tipo-1 e Tipo-2 Intervalar, o método de Wang-Mendel, algoritmos MCDA e Ordens Admissíveis;
• Analisar trabalhos científicos relacionados com o tema de pesquisa proposto, sistemati-zando o estado da arte na área;
• Conceber um modelo para a proposta IoT-DFR3 considerando as premissas de pesquisa
elencadas para o trabalho, bem como sua integração com a arquitetura do EXEHDA-RR, em particular com o Classificador Fuzzy previsto;
• Facultar a participação do cliente interessado no recurso quando da especificação da re-levância de cada um dos atributos de QoS, pelo emprego de variáveis linguísticas de natureza intuitiva;
• Explorar a Lógica Fuzzy Tipo-2 Intervalar como um método para tratamento de incertezas quando da classificação de recursos da IoT, a partir de seus atributos de QoS;
• Prover componente arquitetural para a IoT-DFR3 para gerenciamento de Regras Fuzzy,
• Disponibilizar aos clientes um gerenciador de perfis de Regra Fuzzy, facilitando a mani-pulação das especificações feitas pelos especialistas nos diferentes cenários da IoT; • Divulgar os resultados obtidos na pesquisa por meio da publicação de artigos científicos.
1.2 Estrutura do Texto
Após este Capítulo de Introdução, onde foram apresentados as motivações e os objetivos do trabalho, a estrutura da dissertação contém seis Capítulos, descritos a seguir.
No Capítulo dois, são abordados os fundamentos conceituais de Internet das Coisas, Teoria de Conjuntos Fuzzy (Lógica Fuzzy), bem como, Conjuntos Fuzzy Tipo-1, Conjuntos Fuzzy Tipo-2, o Método de Wang-Mendel, Algoritmos MCDA e Ordens Admissíveis.
Os Trabalhos Relacionados são apresentados no Capítulo três, destacando suas funcio-nalidades e técnicas utilizadas.
O Capítulo quatro apresenta a concepção da proposta IoT-DFR3, bem como, sua visão
geral e tecnologias utilizadas.
O Capítulo cinco aborda avaliação realizada para a proposta IoT-DFR3.
As considerações finais são apresentadas no Capítulo seis, destacando as principais con-clusões e publicações realizadas.
2 FUNDAMENTAÇÃO TEÓRICA
Este Capítulo apresenta o esforço de pesquisa teórico realizado e que se fez necessário para o processo do desenvolvimento desta dissertação. Assim, são apresentadas as principais características e conceitos sobre Internet das Coisas, Conjuntos Fuzzy Tipo-1, Conjuntos Fuzzy Tipo-2 Intervalar, Método de Wang-Mendel, Algoritmos MCDA e Ordens Admissíveis.
2.1 Internet das Coisas
O termo Internet of Things – IoT (Internet das Coisas) foi idealizado por Kevin Ashton no centro de pesquisa Auto-ID Center do MIT (Massachusetts Institute of Technology) em 1999 (PERERA, 2017). Com a popularização da internet, na década de 2000, já se pensava em meios de interligar equipamentos utilizados no dia a dia com a internet (OLIVEIRA, 2017).
A primeira tecnologia associada ao conceito de IoT ficou conhecida como RFID (Radio Frequency Identification – Identificação por Radiofrequência). O RFID permite enviar, por radiofrequência, uma identificação única. É uma tecnologia utilizada hoje em dia em veículos, crachás e até produtos de supermercados, substituindo outros tipos de identificação, como o código de barras (OLIVEIRA, 2017).
A seguinte tecnologia abordada no contexto da IoT foram as Redes de Sensores sem Fio (RSSF), proposta principalmente para função de monitoramento. Nesta perspectiva, diver-sos protocolos e padrões foram desenvolvidos para atender os requisitos de redes de sensores (OLIVEIRA, 2017).
Em 2008, a cidade de Zurique que fica na Suíça, teve a primeira conferência internacio-nal (First Internatiointernacio-nal Conference, IOT 1) abordando o tema da Internet das Coisas. No qual
foram discutidas tecnologias como RFID, comunicações sem fio de curto alcance, localização em tempo real e redes de sensores, entre outros temas (FILHO, 2016).
A Internet das Coisas, aponta para uma infraestrutura no qual as coisas, objetos, sen-sores, atuadores, etc., tem capacidade de comunicar-se e transferir dados por meio da internet com o mínimo de intervenção humana. Por exemplo, redes de energia, sistemas de transportes, equipamentos e dispositivos pessoais, incluindo o corpo humano, são ambientes em potencial para a IoT, pois podem ser populados por sensores com capacidade de gerar e compartilhar in-formações automaticamente com sistemas computacionais externos. Com essa propriedade, a IoT vem mostrando-se essencial para consolidar a integração entre o ambiente físico e sistemas
computacionais, com potencial para gerar informações contextuais em massa (ALBANDES, 2019; QIU et al., 2018; PERERA et al., 2014).
Na literatura não existe apenas uma definição para Internet das Coisas, pois foi descrita e definida por diferentes perspectivas. Deste modo, a definição mais oportuna para IoT con-siderando a proposta deste trabalho, é a Definição 2.1.1, apresentada por Perera (Perera; Liu; Jayawardena, 2015),
Definição 2.1.1. “A Internet das Coisas é uma rede de redes onde, normalmente, um grande número de objetos, coisas, sensores, dispositivos, são conectados por meio de comunicações e infraestrutura de informação para fornecer serviços de valor agregado”
Uma pesquisa divulgada pelo IHS Markit (LUCERO, 2016), mostra o número de dis-positivos conectados em todo o mundo de 2015 até 2025. A IHS prevê que o mercado de IoT crescerá de 15 bilhões de dispositivos em 2015 para 30 bilhões de dispositivos em 2020 e para 75 bilhões em 2025 em todo o mundo, a Figura 2.1 apresenta este gráfico.
Figura 2.1 –Previsão de Crescimento de Dispositivos na Internet das Coisas Fonte: Adaptado de (LUCERO, 2016)
A IoT indica uma nova era em que os objetos, desde pneus a escovas de dentes, serão identificados e conectados, permitindo trocar informações e tomar decisões por si próprias. Os modos de comunicação serão humano-humano, humano-coisa, coisa-coisa (TAN, 2010).
O surgimento da IoT permite criação de cenários de comunicação ubíquas, em que to-dos os objetos endereçáveis no ambiente possam se comunicar e cooperar (RAY, 2018). Casas
inteligentes, indústrias, mobilidade urbana, área da saúde e redes de energia inteligentes são al-guns destes ambientes. Nessa perspectiva, melhorar a comunicação permitindo enviar e receber informações em tempo real, se faz necessário em diversos ambientes.
2.2 Conjuntos Fuzzy Tipo-1
O termo Fuzzy de origem inglesa possui vários significados como, impreciso, incerto, vago, nebuloso, difuso, etc. Os países têm utilizado a palavra Fuzzy sem traduzi-la. No Brasil, as traduções mais utilizadas são “nebuloso"e “difuso".
Em 1965 foi introduzida a Teoria dos Conjuntos Fuzzy pelo matemático Lotfi Asker Za-deh (ZADEH, 1965) com o principal objetivo de dar tratamento matemático para alguns termos linguísticos, como “em torno de", “aproximadamente", dentre outros. Esse seria o passo inicial no sentido de programar e armazenar conceitos vagos em computadores, tornando possível a produção de cálculos com informações imprecisas, em relação do que faz o ser humano.
2.2.1 Conceitos da Teoria de Conjuntos Fuzzy
Zadeh obteve a formalização matemática de um Conjunto Fuzzy, baseando-se no fato de que qualquer conjunto clássico, também referenciado como conjunto crisp, pode ser caracteri-zado por uma função, denominada sua função característica. A seguir as duas definições mais empregadas neste sentido (ALFARO et al., 2019; WASQUES, 2015).
Definição 2.2.1. Seja U um conjunto e A um subconjunto de U . A função característica de A é dada por χA(x) = 1 se x ∈ A 0 se x /∈ A
Deste modo, χAé uma função com domínio U e sua imagem está contida no conjunto
{0,1}, com χA(x) = 1 identificando que o elemento x está em A, enquanto χA(x) = 0 mostra
que x não é elemento de A. Sendo assim, a função característica descreve completamente o conjunto A já que tal função indica quais os elementos do conjunto universo U são elementos também de A. Porém, existem casos em que a pertinência entre elementos e conjuntos não é precisa, ou seja, não sabemos dizer se um elemento pertence efetivamente a um conjunto ou não (BARROS; BASSANEZI, 2010).
Nesta perspectiva, Zadeh sugeriu a formalização matemática de imprecisões, utilizando subconjuntos Fuzzy. Desenvolvendo assim uma outra definição.
Definição 2.2.2. Seja U um conjunto (clássico); um subconjunto Fuzzy F de U é caracterizado por uma função
ϕF : U −→ [0, 1],
pré-fixada, chamada função de pertinência do subconjunto FuzzyF . Na função de pertinência, o índiceF é utilizado em analogia à função característica de subconjunto clássico, conforme a Definição 1.1
O valor de ϕF(x) ∈ [0, 1] indicando o grau com que o elemento x de U está no Conjunto
Fuzzy F ; ϕF(x) = 0 e ϕF(x) = 1 respectivamente, indicam a não pertinência e a pertinência
completa de x no Conjunto Fuzzy F .
De um modo formal, a definição de subconjunto Fuzzy foi obtida ampliando-se o contra-domínio da função característica, que é o conjunto {0,1}, para o intervalo [0,1].
2.2.2 Operações entre Subconjuntos Fuzzy
Sejam A e B subconjuntos de U , com funções de pertinência representadas por ϕA
e ϕB, respectivamente, são destacadas as seguintes operações de subconjuntos Fuzzy, união,
intersecção e complementar (BARROS; BASSANEZI, 2010).
2.2.2.1 União
A união entre A e B é o subconjunto de U cuja função pertinência é representada por
ϕ(A∪B)(x) = max{ϕA(x), ϕB(x)}, x ∈ U
Notamos que esta definição é uma extensão do caso clássico. Deste modo, quando A e B são subconjuntos de U temos:
max{χA(x), χB(x)} = 1 se x ∈ A ou x ∈ B 0 se x /∈ A e x /∈ B = 1 se x ∈ A ∪ B 0 se x /∈ A ∪ B
= χA∪B(x), x ∈ U
2.2.2.2 Intersecção
A intersecção entre A e B é o subconjunto Fuzzy de U cuja função de pertinência é representada por.
ϕA∩B(x) = min{ϕA(x), ϕB(x)}, x ∈ U.
2.2.2.3 Complementar
O complementar de A é o subconjunto Fuzzy A0 de U e sua função de pertinência é representada por
ϕA0(x) = 1 − ϕA(x), x ∈ U.
Figura 2.2 –Operações com subconjuntos Fuzzy: (a) união, (b) intersecção e (c) complemento Fonte: (BARROS; BASSANEZI, 2010)
2.2.3 Operações Aritméticas Envolvendo Números Fuzzy
As operações aritméticas envolvendo números Fuzzy estão propriamente ligadas às ope-rações aritméticas intervalares. Algumas destas opeope-rações para intervalos fechados da reta real IR serão exibidas a seguir.
Considerando λ um número real e, A e B dois intervalos fechados da reta dados por
A = [a1, a2] e B = [b1, b2],
chamado de Operações Intervalares. Podemos definir essas operações aritméticas entre intervalos como (BARROS; BASSANEZI, 2010):
• Soma: A soma entre A e B é o intervalo de
A + B = [a1+ b1, a2+ b2]
• Subtração: A diferença entre A e B é o intervalo
A − B = [a1− b2, a2− b1]
• Divisão: A divisão de A por B, se 0 /∈ B, é o intervalo
A/B = [a1, a2]. 1 b2 , 1 b1
• Multiplicação: A multiplicação de A por um escalar λ é o intervalo de
λA = [λa1, λa2] se λ ≥ 0 [λa2, λa1] se λ < 0
A multiplicação de A por B é o intervalo de
A.B = [min P, max P ], onde P = {a1b1, a1b2, a2b1, a2b2}
2.2.3.1 Conectivos
Na matemática, os conectivos básicos da lógica clássica são: “e", “ou", “não" e “implicação". Estes conectivos são utilizados na matemática em sentenças do tipo:
“Se a1 está em A e b1 está em B,
Os valores lógicos para cada conectivo são analisados através de tabelas verdades e as sentenças verdadeiras possuem o valor lógico 1 e as falsas o valor lógico 0.
Já se estendendo para a Lógica Fuzzy, a notação ∧ (mínimo) é utilizado para conjunção e; ∨ (máximo) para ou; ¬ para negação e =⇒ para a implicação.
Então, para realizar esta avaliação dos conectivos lógicos em conjuntos Fuzzy, precisa-se estendê-los. Essas extensões são obtidas através das normas triangulares.
2.2.3.2 Operações T-norma e T-conorma
As operações t-normas e t-conormas, também chamadas de normas triangulares, são definidas a seguir.
Definição 2.2.3 (T-norma). A operação t-norma estende o operador ∧ do conectivo “e". O operador4: [0,1] × [0,1] −→ [0,1], 4(x, y) = x4y, é uma t-norma, se satisfazer as seguin-tes condições:
t1) elemento neutro:4(1, x) = 14x = x;
t2) comutativa: 4(x, y) = x4y = y4x = 4(y, x);
t3) associativa: x4(y4z) = (x4y)4z;
t4) monotonicidade: sex ≤ u e y ≤ v, então x4y ≤ u4v.
Definição 2.2.4 (T-conorma). Já esta operação t-conorma estende o operador ∨ que modela o conectivo “ou". Esse operador 5: [0,1] × [0,1] −→ [0,1], 5(x, y) = x5y é uma t-conorma satisfazendo as condições a seguir:
c1) elemento neutro:5(0, x) = 05x = x;
c2) comutativa: 5(x, y) = x5y = y5x = 5(y, x);
c3) associativa: x5(y5z) = (x5y)5z;
c4) monotonicidade: sex ≤ u e y ≤ v, então x5y ≤ u5v.
A metodologia de Mamdani utiliza os operadores de t-norma e t-conorma como ope-radores de máximo (união) e mínimo (intersecção), respectivamente, para efetuar o cálculo de cada regra.
2.2.4 Sistema Baseado em Regras Fuzzy
Um Sistema Baseado em Regras Fuzzy (SBRF), é um sistema que utiliza da Lógica Fuzzy para produzir saídas(“resultados") para cada entrada Fuzzy (“problema").
A entrada e saída representam a “condição" e “ação", respectivamente. Quando têm esta conotação das entradas e saídas, os SBRF são denominados de Controladores Fuzzy (CA-BRERA, 2014).
Geralmente para um sistema Fuzzy qualquer, a cada entrada deve-se corresponder uma saída Fuzzy. Se a entrada for crisp (um número Real qualquer, IRn), sua saída também será crisp, IRm. Ou seja, um sistema Fuzzy é uma função de IRnem IRm. E para efetuar o desenvolvimento dessa função, precisa-se de quatro módulos, estes compõem o controlador Fuzzy, denominados de módulos de fuzzificação, base de regras, inferência Fuzzy e de defuzzificação. A seguir é descrito a funcionalidade de cada um destes (BARROS; BASSANEZI, 2010).
2.2.4.1 Módulo de Fuzzificação
A Fuzzificação, também conhecida por processador de entrada, é o módulo responsá-vel por modelar as entradas do sistema em Conjuntos Fuzzy. As funções de pertinência são concebidas para cada Conjunto Fuzzy.
2.2.4.2 Módulo Base de Regras
O módulo da Base de Regras por sua vez, é composto por proposições Fuzzy, e cada uma destas, é representada do seguinte modo:
Se x1 é A1 e x2 é A2 e . . . xné An
Então u1 é B1 e u2 é B2 e . . . um é Bm
Estas variáveis, xi, são então modeladas pelos Conjuntos Fuzzy, Ai, ou seja, funções de
perti-nência. Ao dizer que xi é Ai, significa que a pertinência de xi é tomada em Ai.
2.2.4.3 Módulo de Inferência Fuzzy
O módulo de inferência Fuzzy tem o objetivo de “traduzir” matematicamente cada pro-posição Fuzzy através de técnicas da Lógica Fuzzy. É neste módulo que é definido quais os procedimentos e regras de inferência que serão selecionadas para se obter a relação Fuzzy que
modela a base de regras. Em outras palavras, este é o módulo que fornece o controle Fuzzy a partir de cada entrada.
2.2.4.4 Módulo de Defuzzificação
O módulo de Defuzzificação, também conhecido como Processador de Saída, funciona de modo que a cada entrada Fuzzy, o módulo de inferência produz uma saída Fuzzy. Se a entrada for um número real, espera-se que a saída também seja um número real. Mas geralmente, isto não ocorre em controladores Fuzzy pois, mesmo a entrada sendo crisp, a saída é Fuzzy. Sendo assim, deve-se utilizar um método para defuzzificar a saída e gerar um número real.
2.2.5 Método de Mamdani
O Método de Inferência de Mamdani, desenvolvido por Ebrahim Mamdani (ZADEH, 1965), é baseado na regra de composição de inferência max-min. e segue conforme o procedi-mento a seguir:
1. Para cada regra Mj, da base de regras, a condição “se x é Aj então u é Bj" modelado
pelo operador ∧ (mínimo);
2. Utiliza-se a t-norma ∧ (mínimo) para o conectivo lógico “e";
3. Utiliza-se a t-conorma ∨ (máximo) para o conectivo lógico “ou", este também liga as regras Fuzzy da base de regras.
De um modo formal, a relação fuzzy M é o subconjunto de X × U e sua função de pertinência é representada por
ϕM(x, u) = max
1≤j≤r[ϕRj(x, u)] = max1≤j≤r[ϕAj(x) ∧ ϕBj(u)],
no qual R representa o número de regras que compõem a base de regras e, Aj e Bj são
subcon-juntos da regra j. Cada um desses valores ϕAj(x) e ϕBj(u) são interpretados como graus com
que x e u pertencem aos subconjuntos Ai e Bi respectivamente, e M é a união dos produtos
cartesianos Fuzzy.
Então, considerando um controlador Fuzzy com duas entradas e uma saída, conforme as duas regras a seguir:
• Regra 1: Se x é A1e y é B1 então Z é C10;
• Regra 2: Se x é A2e x2é B2 então Z é C20,
têm-se graficamente as saídas parciais, que é a saída de cada regra. E a saída final do controlador Fuzzy de Mamdani, que é dada pela união das saídas parciais. A Figura 2.3 exibe essas regras, bem como as saídas parciais e final. A função de pertinência é representada por ϕC que foi gerado através do conectivo ∨ que é a t-conorma do máximo.
Figura 2.3 –Método de Inferência de Mamdani Fonte: (OLIVEIRA et al., 2014)
2.2.6 Método do Centro de Gravidade
Entre vários métodos de defuzzificação, um dos mais utilizados é o Método do Centro de Gravidade(G(B)), também conhecido como Centro de Área ou Centroide.
O Centroide para defuzzificação é semelhante à média aritmética para a distribuição de frequências de uma variável, e a sua diferença é que os valores ϕB(ui), que representam o grau
de compatibilidade do valor ui modelado pelo Conjunto Fuzzy B. Para um domínio discreto,
tem-se a seguinte equação:
G(B) = n X i=0 uiϕB(ui) n X i=0 ϕB(ui)
2.3 Conjuntos Fuzzy Tipo-2
A Lógica Fuzzy do Tipo-2 (LF2), foi introduzida no ano de 1975 por Lotfi A. Zadeh como uma extensão da LF tradicional, Tipo-1. A origem da LF2 está relacionada com a in-suficiência da Lógica Fuzzy Tipo-1 (LF1) em modelar as incertezas referente a definição das funções de pertinência dos antecedentes e consequentes em um sistema de inferência Fuzzy (DILLI, 2020). Mesmo que a função de pertinência da LF2 seja precisa, ela possui uma “man-cha” de incerteza (FOU − Footprint of Uncertainty). Para representar um Conjunto Fuzzy Tipo-2 (CF2) bidimensionalmente, é utilizada a mancha de incerteza (FOU), que representa a incerteza dos limites dos CF2 por meio de uma área desfocada em torno da curva que retrata a função de pertinência principal ou através de uma área hachurada (CABRERA, 2014).
A Figura 2.4, apresenta a diferença de uma função de pertinência de um Conjunto Fuzzy Tipo-1 (CF1) triangular (a) para um CF2 triangular (b) (CASTAÑÓN-PUGA et al., 2015), é possível visualizar a FOU (b).
Figura 2.4 –Diferença entre Conjuntos Fuzzy: (a) Tipo-1 e (b) Tipo-2 (CASTAÑÓN-PUGA et al., 2015)
A diferença entre sistemas Fuzzy do Tipo-1 e do Tipo-2 está associada à natureza das funções de pertinência e não às regras. Por isso, as regras permanecem as mesmas tanto para o Tipo-1 quanto o Tipo-2 (FARIAS, 2019).
Conjuntos Fuzzy Tipo-2 podem ser aplicados em problemas onde existe incertezas em parâmetros das funções de pertinência ou incerteza no formato dessas funções de pertinência.
Os Conjuntos Fuzzy Tipo-2 possuem como grau de pertinência os Conjuntos Fuzzy Tipo-1 e não apenas um único valor. Particularmente, a semântica considerada provê a re-presentação do grau de pertinência do elemento x do universo X em um Conjunto Fuzzy A, como um valor numérico no intervalo de pertinência µA(x). Nesta representação, não é
pre-ciso saber qual é exatamente esse valor e, portanto, apenas fornecer limites (superior e inferior) correspondendo aos extremos do seu intervalo de pertinência (SCHNEIDER et al., 2020).
2.3.1 Conceitos da Teoria de Conjuntos Fuzzy Tipo-2
Um Conjunto Fuzzy do Tipo-2, eA sobre X, é representado por uma função de pertinên-cia Tipo-2, µAe(x, u), onde x ∈ X e u ∈ Jx ⊆ [0, 1], ou seja,
e
A = {[(x, u), µAe(x, u)] | ∀x ∈ X, ∀u ∈ Jx ⊆ [0, 1]}, onde 0 ≤ µAe(x, u) ≤ 1.
Figura 2.5 –Funções de Pertinência de um Conjunto Fuzzy Tipo-2 Trapezoidal Fonte: Adaptado de (CABRERA, 2014)
A Figura 2.5 exibe tridimensionalmente a função de pertinência de um Conjunto Fuzzy Trapezoidal de Tipo-2, facilitando assim a caracterização da incerteza, representada pelo eixo vertical e a “mancha" de incerteza caracterizada pela área quadrada, em amarelo.
• Corte Vertical: É definido um corte vertical de µAe(x, u) como sendo o plano bidimen-sional em um dado x = x0, cujos eixos são u e µAe(x0, u). A Figura 2.6 mostra o corte vertical para x0 = 5.
• Pertinência Primária: Dado um valor X (JX) é definido como domínio da função de
pertinência secundária para um valor de x, com Jx ⊆ [0, 1], ∀x ∈ X, onde Jx = [Jx, Jx]
• Pertinência Secundária: A função de pertinência secundária é definida como o corte verticalµ
e
A(x, u) em um determinado valor de x = x 0
, ou seja, é µAe(x = x0, u). • Grau Primário: É denominado grau primário o valor do domínio de ux ∈ [0, 1].
• Grau Secundário: A amplitude de uma função de pertinência secundária é chamado de grau secundário, ou seja, µAe(x, u) é o grau de pertinência denominado de grau secundário. A Figura 2.6, apresentada o gráfico de forma tridimensional, exibindo o grau de perti-nência secundário, funções de pertiperti-nência primária e secundária de um Conjunto Fuzzy Tipo-2.
Figura 2.6 –Grau Secundário de um Conjunto Fuzzy Tipo-2 Trapezoidal Fonte: (CABRERA, 2014)
• FOU: Em um Conjunto Fuzzy Tipo-2, a incerteza das funções de pertinências primárias é representada pela FOU ou “mancha" de incerteza. Quando essa incerteza some, o Conjunto Fuzzy Tipo-2 passa a ser um Conjunto Fuzzy Tipo-1. A “mancha" de incerteza é definida como a união de todas as pertinências primárias,
FOU( eA) = [
x∈X
(x, Jx).
• Função de Pertinência Superior e Inferior: A FOU de um Conjunto Fuzzy Tipo-2 é delimitada por uma função de pertinência Tipo-1 superior e inferior. A função de per-tinência superior é exibida na forma µAe(x), ∀x ∈ X e a função de pertinência inferior, que é a função mais interna que limita a FOU ( eA) é dada na forma de µ
e
A(x), ∀x ∈ X,
respectivamente representadas por
µAe(x) = [
x∈X
µ e A(x) = [ x∈X (x, Jx), ondeS representa a união.
A Figura 2.7 apresenta a FOU e as funções de pertinência superior e inferior de um Conjunto Fuzzy Triangular do Tipo-2 Intervalar.
Figura 2.7 –FOU e Funções de Pertinência Superior e Inferior Fonte: (CABRERA, 2014)
• Conjunto Fuzzy Tipo-2 Intervalar: É um Conjunto Fuzzy Tipo-2 em que todos os graus secundários são 1, ou seja, µAe(x, u) = 1, ∀x ∈ X, ∀u ∈ Jx.
A Figura 2.8 mostra a função de pertinência de um Conjunto Fuzzy Triangular Tipo-2 Intervalar.
Figura 2.8 –Função de Pertinência de um Conjunto Fuzzy Triangular Tipo-2 Intervalar Fonte: (CABRERA, 2014)
2.3.2 Sistema Baseado em Regras Fuzzy Tipo-2
O Sistema Baseado em Regras Fuzzy Tipo-2 (SBRF2), é aquele em que pelo menos um dos seus Conjuntos Fuzzy presentes no antecedente ou consequente de uma regra são Con-juntos Fuzzy do Tipo-1. O SBRF2 é formado por cinco blocos, denominados de fuzzificador, inferência Fuzzy, base de regras, redutor de tipo e defuzzificador, processados nessa ordem.
Os blocos apontados pelo SBRF2 são os mesmos denominados pelo SBRF, assim, será apresentado apenas o Redutor de Tipo.
O Redutor de Tipo é executado antes do bloco de defuzzificação, com a funcionalidade de modelar um Conjunto Fuzzy Tipo-2 em Conjunto Fuzzy Tipo-1, considerando a premissa de que quando toda incerteza desaparecer, então o resultado do SBRF2 é reduzido ao SBRF (Mendel, 2017). Após o processo de execução do Redutor de Tipo, é realizada a defuzzificação. Um algoritmo muito utilizado para calcular o Redutor de Tipo de Conjuntos Fuzzy Tipo-2, é o algoritmo KM, proposto por Karnik e Mendel (KARNIK; MENDEL, 2001).
2.4 O Método de Wang-Mendel
Esta Seção apresenta a origem do método de geração de regras Fuzzy automatizadas, a partir dos dados de entrada, proposto por Wang-Mendel na publicação seminal (WANG; MEN-DEL, 1992). Desde então este método vem sendo revisado e discutido, tendo ampla aceitação
pela comunidade que trabalha com Lógica Fuzzy (JOV ˇCI ´C et al., 2019)(MUTLU; SEZER; AKCAYOL, 2018).
Este método foi concebido com o intuito de combinar informações numéricas e linguís-ticas em uma Base de Regras Fuzzy. A principal ideia da proposta é projetar um sistema de controle para substituir o controlador humano.
Ainda segundo Wang-Mendel, o seguinte problema é caracterizado: há um sistema de controle complexo no qual um controlador humano é uma parte essencial; o ambiente enfren-tado por esse controlador humano é tão complicado que não existe nenhum modelo matemático para ele, ou o modelo matemático é fortemente não linear, de modo que não existe um método de projeto.
Neste sentido, para projetar esse sistema de controle, primeiro é preciso saber quais in-formações estão disponíveis. Assumindo que não existe um modelo matemático, ou seja, con-siderando um problema de projeto sem modelo. Uma vez que já existe um controlador humano controlando o sistema com sucesso, existem dois tipos de informações disponíveis, (i) a experi-ência do controlador humano e (ii) pares de entrada-saída, que são registrados com sucesso pelo controlador humano. A experiência do controlador humano é geralmente expressa como algu-mas regras linguísticas “SE-ENTÃO” (“IF-THEN”) que determinam em que situações quais ações devem ser tomadas. As amostras dos pares de entrada-saída são dados numéricos que fornecem os valores específicos das entradas e saídas correspondentes.
Nesta perspectiva, o interessante para Wang-Mendel é quando a combinação desses dois tipos de informações é suficiente para um projeto bem-sucedido. Assim, abordaram o con-trolador Fuzzy por ser eficaz na utilização e manipulação de regras linguísticas. Deste modo, decidiram gerar regras Fuzzy a partir dos pares de dados numéricos, e armazenar essas regras linguísticas na Base de Regras Fuzzy. Os passos deste método são destacados na Seção 4.1.4.4.
2.5 Algoritmos MCDA
Os algoritmos MCDA (Multiple Criteria Decision Analysis – Análise de Decisão de Múltiplos Critérios) também conhecidos como MCDM (Multiple Criteria Decision Making), são algoritmos de tomada de decisão. Os algoritmos MCDA contam com um conjunto de obje-tivos e critérios para atender no julgamento da tomada de decisão, estabelecendo seus pesos de importância relativa para cada opção em relação com o critério desejado. MCDA não é somente um conjunto de teorias, metodologias e técnicas, mas também, uma perspectiva específica para lidar com problemas de tomada de decisão (DILLI, 2020; GRECO; EHRGOTT; FIGUEIRA,
2016). A seguir são apresentados resumidamente os quatro algoritmos MCDA mais utilizados da literatura (NUNES et al., 2016).
2.5.1 Analytic Hierarchy Process (AHP)
O método AHP, Processo de Hierarquia Analítica, foi introduzido por Thomas L. Saaty em 1980. Este método foi amplamente abordado em problemas complexos para tomada de decisão. O AHP realiza uma comparação de critérios em pares, permitindo também dados qualitativos e quantitativos em sua comparação.
Os atributos são estruturados em uma relação hierárquica, começando do nível supe-rior e passando pelos níveis infesupe-riores, que correspondem aos critérios e subcritérios e assim sucessivamente até concluir as comparações das alternativas. A melhor alternativa em rela-ção a cada atributo é geralmente selecionada, concluído assim o seu objetivo (GÜNDO ˘GDU; KAHRAMAN, 2020; DILLI, 2020; CRISTÓBAL, 2011).
Uma extensão desse método que é muito utilizado é o Fuzzy-AHP, que possui as mesmas características do método AHP, porém, utiliza valores Fuzzy para efetuar a comparação dos critérios.
2.5.2 Technique for Order of Preferences by Similarity to Ideal Solution (TOPSIS)
A TOPSIS, uma Técnica para Ordenação de Preferências por Similaridade à Solução Ideal, foi originalmente desenvolvida por Hwang e Yoon em 1981 (LEI et al., 2020). Essa técnica tenta selecionar uma alternativa que mais se aproxima da preferência pela semelhança como uma solução ideal, ou seja, selecionando a que mais se distancia da solução não ideal. Nesta perspectiva, a matriz de decisão é normalizada inicialmente e as soluções ideais e não ide-ais são apontadas na matriz de decisão. Assim, a matriz seleciona as alternativas que possuem menor distanciamento da solução ideal positiva e com maior distância da solução ideal nega-tiva (MOHAMMADSHAHI, 2013). A técnica TOPSIS, introduz uma função de agregação, incluindo as distâncias, tanto do ponto ideal positivo quanto do ponto ideal negativo, descon-siderando sua importância relativa. Todavia, o ponto de referência deve ser o mais próximo possível da solução ideal (DILLI, 2020; REHMAN; HUSSAIN; HUSSAIN, 2012; CRISTÓ-BAL, 2011).
2.5.3 VIseKriterijumska Optimizacija I Kompromisno Resenje (VIKOR)
O método VIKOR, conhecido também como o método de classificação de compromisso, é um mecanismo eficaz na tomada de decisão multicritério. O método concentra-se na classifi-cação e seleciona a partir de um conjunto de amostras com diferentes critérios. É um método para otimizar vários critérios em um sistema complexo (SIREGAR et al., 2018).
O índice de classificação multicritério aborda uma medida de “proximidade” à solução ideal. Uma função de agregação qualifica a distância da solução ideal entre satisfação individual e ideal (DILLI, 2020; CRISTÓBAL, 2011).
2.5.4 Simple Additive Weighting (SAW)
O algoritmo SAW consiste, basicamente, em uma soma ponderada entre todos os atri-butos das alternativas e o que obtiver o maior valor pode ser considerado a melhor alternativa (SUCENA; SILVA, 2020).
O método SAW utiliza uma pontuação de avaliação, obtida através dos valores de atribu-tos normalizados (qij0 ) e por meio do somatório da multiplicação dos pesos (wj), para classificar
cada opção disponível. As opções são classificadas em ordem decrescente conforme sua pon-tuação final, que é a soma das pontuações para cada critério (DILLI, 2020). O método pode ser resumido em três etapas, apresentadas a seguir.
1. Normalizar a matriz Q (2.1) de acordo com a Equação (2.2), se o critério deve ser maxi-mizado, ou Equação (2.3), se o critério deve ser minimizado.
Q = q11 q12 q13 ... q1j q21 q22 q23 ... q2j . . . . . . . . . . . . . . . qi1 qi2 qi3 ... qij (2.1) qij0 = qij − q min j qmax j − qminj (2.2) qij0 = q max j − qij qmax j − qjmin (2.3)
usando a Equação (2.4), em que wj corresponde ao peso do critério e N representa o
número de critérios na matriz de avaliação.
φ(qi) = N
X
j=1
wj.q0ij (2.4)
3. Classificar qi em ordem decrescente de acordo com a pontuação φ(q0i) para obter o
ran-queamento resultante.
Esse método é conhecido por sua simplicidade e eficiência comprovadas, assim como, os algoritmos que aplicam esse conceito, por exigir menos processamento em larga escala (SU-CENA; SILVA, 2020).
2.6 Ordens Admissíveis
Nem sempre é possível comparar, por meio de métodos convencionais, uma lista de intervalos gerada pela saída do Sistema Baseado em Regras Fuzzy Tipo-2. Portanto, considera-se o emprego de uma ordem total para intervalos através de Ordens Admissíveis. Uma ordem linear ≤ acima de P é uma relação binária transitiva, antissimétrica e total. Equivalente, uma ordem linear é uma ordem parcial sob a qual cada par de elementos é comparável (DILLI, 2020).
Alguns exemplos de ordens lineares em L ([0, 1]) são as Ordens Lexicográficas, com ≤Lex1relacionado à primeira variável e ≤Lex2para a segunda variável, respectivamente
defini-das, para todo X = [X, X], Y = [Y , Y ] ∈ L([0, 1]), do seguinte modo:
[X, X] ≤Lex1[Y , Y ] ⇔ X < Y ; ou X = Y e X ≤ Y ; [X, X] ≤Lex2[Y , Y ] ⇔ X < Y ; ou X = Y e X ≤ Y .
para todos os X, Y ∈ U, da seguinte forma: [X, X] ≤XY [Y , Y ] ⇔ X + X < Y + Y ; ou X + X = Y + Y e X − X ≤ Y − Y . (2.5)
3 TRABALHOS RELACIONADOS
Este Capítulo caracteriza o esforço de pesquisa realizado para seleção de Trabalhos Re-lacionados ao IoT-DFR3. Os mesmos foram escolhidos tendo por base sua proximidade com a pesquisa desenvolvida nesta dissertação de mestrado. São discutidos os aspectos mais relevan-tes de cada trabalho, sendo também apresentada uma comparação dos diferenrelevan-tes trabalhos com a Proposta desta dissertação.
A revisão destes Trabalhos Relacionados contribuiu de modo significativo para concep-ção das diferentes funcionalidades contempladas pela arquitetura IoT-DFR3, considerando sua
finalidade de classificar recursos na IoT com o emprego de Lógica Fuzzy.
3.1 TR1 - Web Service Selection Approach Based on Agent and Fuzzy Logic
O trabalho (BELOUAAR; KAZAR; KABACHI, 2019) é proposto para selecionar ser-viços da web com base na Lógica Fuzzy, que é utilizada para traduzir os valores dos atributos de QoS atribuído aos serviços em termos linguísticos. O sistema seleciona e fornece o serviço desejado pelo cliente.
O trabalho apresenta a solução em três camadas, (i) camada do usuário, que recebe solicitações funcionais dos clientes; (ii) camada básica, que implementa o serviço e também obtém os valores de QoS do serviço repositório; e (iii) camada Fuzzy, que possui como entrada os atributos de QoS. Esses atributos são Availability, Reliability, Response Time e Execution Price. Os valores de QoS qualificam cada serviço da web e ao final do processo, o melhor serviço é enviado para o cliente. A seguir são apontados os componentes desta arquitetura.
• Requester Agent: Primeiro o cliente inicia a consulta conforme suas necessidades, ex-pressa em linguagem natural, então, o “agente solicitante” analisa e normaliza a consulta de forma funcional.
• Registry Agent: O “agente de Registro” retornará um conjunto de serviços da Web que satisfaça à consulta do cliente.
• QoS Manager Agent: É o agente principal, onde os outros agentes representam uma im-plementação padrão dos serviços. A função do “agente gerenciador de QoS” é extrair para cada serviço valores crisp de atributos não funcionais, como disponibilidade, confi-abilidade, tempo de resposta e preço de execução. Em seguida, os atributos de QoS são
encaminhados para a camada Fuzzy, que é considerada a camada principal, explicada a seguir.
Figura 3.1 –TR1 - Visão da Proposta Fonte: (BELOUAAR; KAZAR; KABACHI, 2019)
3.1.1 Camada Fuzzy
A visão geral da camada Fuzzy é exibida no final da Figura 3.1. Esta camada possui três agentes Fuzzification Agent, Fuzzy Inference Agent, Deffuzification Agent e uma Base de Regras Fuzzy.
• Fuzzification Agent: recebe uma matriz contendo os serviços da web com os valores dos atributos de QoS. Esse agente transforma a matriz em termos linguísticos utilizando funções de pertinência triangular.
• Fuzzy Inference Agent: esse agente recebe a matriz do “agente de fuzzificação”, que utiliza as regras de inferência para deduzir o conjunto de valores que representam as pontuações de serviços da web, considerada como média para serviços de cluster.
• Deffuzification Agent: Por fim, esse agente transforma os resultados Fuzzy em valores quantitativos, no qual qualificam cada serviço da web. O melhor serviço é enviado ao Requester Agente então encaminhado para o cliente.
• Fuzzy Rule Base: A base de regras é definida como do tipo Mamdani, ao qual possui quatro antecedentes, atributos de QoS, e um consequente, atribuído pela variável Score. Um exemplo de regra utilizada é If (Availability is high) and (Reliability is fair) and (Response_Time is low) and (price is cheap)then (score is very_good).
Os agentes são uma das importantes contribuições da Inteligência Artificial sobre a na-tureza da computação. Esse trabalho foi implementado como um sistema multiagente. O uso do conceito de agente para serviços web é um grande desafio para melhorar o desempenho do sistema de seleção de serviços (BELOUAAR; KAZAR; KABACHI, 2019).
3.2 TR2 - Fuzzy QoS Requirement-Aware Dynamic Service Discovery and Adaptation
A proposta (TRIPATHY; TRIPATHY, 2018), aborda o uso de Lógica Fuzzy para seleção de serviços, composição e adaptação de QoS em tempo de execução. O sistema implementa um conjunto de mecanismos de adaptação com base no monitoramento da saída e sugerirá os serviços adequados para composição, com base na seleção de serviços. Isso permite com que o sistema introduza um novo serviço com melhor QoS. O processo de descoberta de serviço utiliza gráfico de serviço e o peso estimado dos serviços e, em seguida, seleciona os mais adequados usando um algoritmo de seleção de serviço.
A Figura 3.2 apresenta a arquitetura desta proposta e em seguida é descrito cada com-ponente.
Figura 3.2 –TR2 - Visão da Proposta Fonte: (TRIPATHY; TRIPATHY, 2018)
• Replan for remaining Process Execution Fragment: O cliente especifica o requisito de fluxo de negócios como um processo, que é uma sequência de fragmentos de processos, que são as variáveis linguísticas referente aos atributos de QoS.
• Fuzzy Inference System: O sistema Fuzzy recebe como entrada os atributos de QoS dos “serviços disponíveis”, após é efetuada a inferência com base nas regras Fuzzy e então, é realizada a defuzzificação, obtendo os pesos dos serviços. Esses pesos são então, os “requisito de composição” (Composition Requirements) para participarem do processo de descoberta de serviços para composição.
• Dynamic Composition for Execution: Logo que o serviço é selecionado para composi-ção, este pode ser utilizado para composição dinâmica.
• Service Graph: O processo de descoberta de serviço utiliza um “gráfico de serviço” e estima os peso desses serviços e então seleciona o serviço adequado utilizando um algoritmo de seleção.
• Run-Time Monitoring: Há uma necessidade de monitoramento e adaptação em tempo de execução para aprimorar a confiabilidade do sistema. Cada serviço expõe um conjunto de eventos, representando mensagens de interação e informações relevantes sobre o sistema correspondente. Todos esses eventos são disponibilizados para o sistema de monitora-mento, ao qual agrega diferentes informações. Em seguida, converte-o em uma descrição coerente do status do sistema. Depois que o sistema de monitoramento aciona uma ne-cessidade de adaptação no tempo de execução, o componente de adaptação é replanejado para os “fragmentos de processo” restantes como uma solução de adaptação.
3.2.1 Regras Fuzzy
As regras são definidas pelo cliente. O provedor de serviços da proposta, pode receber o feedback dos usuários, para ajustar as regras do sistema Fuzzy.
As variáveis linguísticas utilizadas são Cost, Confort and Reliability, Travel Time e de saída, Service Selection Rating. Definidas com funções de pertinência triangular.
O algoritmo FQASD (fuzzy QoS aware service discovery) proposto para adaptação e composição, utiliza aprendizado profundo e foi testado para treinar os atributos de QoS, con-forme necessidade do cliente, resultando em 2 horas e 10 minutos de treinamento (Travel Time) para o menor tempo e 40 horas para o maior tempo.
Embora a eficácia da proposta, adotando apenas três parâmetros de QoS, três serviços participantes e dois tipos de usuários, o problema se torna mais complexo com o aumento do número de serviços disponíveis, atributos de QoS e tipos de usuários. Nesse caso, a seleção ma-nual de serviço não será eficaz. Portanto, o Sistema de Inferência Fuzzy PFIS (Proposed Fuzzy Inferece System) proposto, pode ser utilizado para a classificação e seleção automática para composição dinâmica de serviços da Web (TRIPATHY; TRIPATHY, 2018). O PFIS abordado para encontrar o peso relevante do serviço para o processo de seleção, baseado nos atributos de QoS e nas regras definidas por uma classe de cliente.
3.3 TR3 - Fuzzy Hybrid Approach for Ranking and Selecting Services in Cloud-based Mar-ketplaces
O trabalho (EZENWOKE, 2018), aborda um modelo baseado em Fuzzy para seleção de serviço em mercado eletrônico de acordo com as preferências do cliente. A proposta,
denomi-nada de FOCUSS (Fuzzy-Oriented Cloud Service Selection), inclui um método de “processo de hierarquia analítica Fuzzy” (Fuzzy AHP) para obter os pesos dos atributos de QoS, um método de “tomada de decisão Fuzzy” (Fuzzy DM) para obter “aspirações” (valores de QoS deseja-dos pelo usuário) e um módulo de “otimização multiobjetivo” Fuzzy (Fuzzy MOP) para avaliar os serviços com relação as preferências do usuário. A Figura 3.3, apresenta a visão geral da proposta. A seguir é descrito cada componente.
Figura 3.3 –TR3 - Visão da Proposta Fonte: (EZENWOKE, 2018).
• Fuzzy AHP: O método Fuzzy-AHP é baseado na abordagem AHP (Analytic Hierarchy Process) tradicional, proposta por Saaty em 1980. Em vez de utilizar números inteiros para realizar a comparação par a par de critérios, o método Fuzzy-AHP emprega números fuzzy para essa finalidade (ULHOA; LIMA; OSIRO, 2017).
• Fuzzy DM: A proposta modela a aspiração, que são os valores de QoS requerido pelo usuário, como uma combinação de objetivos e restrições Fuzzy que permitem que os usuários da nuvem definam suas preferências de QoS. Essas restrições são “o custo do serviço que deve ser baixo” e “ o custo deve ser próximo de k”, onde o valor k é definido pelo usuário.
• Fuzzy MOP: Os serviços foram classificados utilizando Fuzzy MOP, considerando as preferências do usuário. A finalidade de MOP é encontrar o serviço nas proximidades de um serviço de nuvem ideal que tenha os melhores valores de QoS e também que seja mais próximo dos requisitos de QoS do usuário.
• Derive QoS priority weights: Para obter os pesos relevante para cada atributo de QoS, foi utilizado o método AHP. Conforme os passos a seguir.
– Passo 1, executar comparação aos pares: O usuário executa uma comparação dos atributos de QoS por pares, utilizando a escala de comparação fuzzificada Saaty para preencher a matriz de comparação Fuzzy (EZENWOKE, 2018).
– Passo 2, obter os pesos Fuzzy: Esses pesos representam a importância relativa de cada atributo de QoS, que foram obtidos a partir da matriz de comparação Fuzzy.
• Resolve QoS aspirations: Os valores de QoS requeridos pelo usuário, foram resolvidos conforme a seguir.
– Passo 1, selecione a meta e restrição de QoS para cada atributo: A variável linguís-tica é selecionada pelo usuário. No exemplo apresentado, a meta do usuário para o atributo de QoS “Availability” é “muito alta”, enquanto a restrição é definida como “perto de 98%”.
– Passo 2, aplicando a tomada de decisão Fuzzy para encontrar o melhor valor de QoS: Os valores de QoS foram definidos a partir das estimativas dos usuários, en-contrando o elemento com a função de pertinência mais alta.
• Service Ranking using Fuzzy MOP: Os serviços são classificados seguindo os passos a seguir.
– Passo 1, definir a meta e a restrição: A meta é que o valor da melhor alternativa de serviço seja “vizinho” do valor ideal. E a restrição é que o valor de QoS da melhor alternativa de serviço seja próxima da aspiração do usuário.
– Passo 2, resolvendo o Fuzzy MOP: O modelo otimização é resolvido com o algo-ritmo PSO (Particle Swarm Optimization – Otimização por Enxame de Partículas). Os resultados obtidos foram valores de QoS que melhor aproximam-se dos requisi-tos de QoS do usuário.
– Passo 3, classificação de serviços: E por fim, classificar no diretório de serviços os melhores valores de QoS, que foram obtidos aplicando o algoritmo k-nearest neighbors, localizando os vizinhos próximos.
3.4 TR4 - A Fuzzy-Based Decision-Making Broker For Effective Identification and Selection Of Cloud Infrastructure Services
A proposta (NAGARAJAN; THIRUNAVUKARASU, 2019) apresenta um broker in-teligente para a seleção de serviços em vários provedores de nuvem. A proposta é baseada na Lógica Fuzzy para remover a imprecisão do ambiente de nuvem do usuário inexperiente, fornecendo os requisitos dos serviços de infraestrutura, que são atributos como HDD(TB), RAM(GB), processamento (GHz) e banda de rede (Gbps).
O broker atua como uma camada entre o provedor e o usuário, que descobre os serviços apropriados através do processo de fuzzificação e defuzzificação. Além disso, o broker realiza a agregação de serviços utilizando o método de Sugeno e a implementação de árvores de decisão Fuzzy para a seleção dos serviços adequados, com base nos atributos.
A Figura 3.4 apresenta a arquitetura de software proposta, denominada de ICB (Intelli-gent Cloud Broker). Em seguida são descritas suas funcionalidades.
Figura 3.4 –TR4 - Visão da Proposta
• Broker Interface: Essa camada proporciona uma interface para facilitar a interação do usuário com o sistema. Através dessa interface, o usuário submete os seus requisitos (atributos) e ao finalizar todo o processo, é retornado para o usuário a seleção dos serviços adequados, com base nas suas preferências.
• Fuzzy Inference Model: Os pesos de entrada são normalizados conforme escala de cada atributo. Em seguida, são definidos os valores das funções de pertinência. E então, reali-zada a fuzzificação das entradas.
• Service Identification e Aggregation: Esta camada tem o objetivo de identificar os ser-viços através das operações Max-Min e Alpha Cut. Assim são obtidos o valores máximo, mínimo e intermediário dos serviços, esse último é alcançado pela operação Alpha cut caso o usuário necessite. Após, é realizada a agregação pelo método da Integral de Su-geno.
• Service Crawler: Este módulo é uma extensão do módulo de “identificação e agrega-ção”, que realizará a nova descoberta de serviço consultando os provedores de nuvem. Através deste componente, os detalhes de serviços são atualizados com o uso do Service Registry.
• Fuzzy Decision Making Model: Esta camada representa o sistema de conhecimento con-forme os requisitos do usuário. Então é construída a árvore de decisão Fuzzy de acordo com o maior valor do atributo preço, encontrado no módulo do “cálculo de ganho de in-formação”. Por fim, o modelo gera as regras de decisão Fuzzy para a recomendação dos serviços ao usuário da nuvem.
3.5 TR5 - Optimal Web Service Selection Model using Fuzzy Extended AHP and Weighted Sum Method
No trabalho (KOHAR, 2018), um modelo de seleção de serviço considerando as prefe-rências do usuário é apresentado. A proposta utiliza o método FEAHP (Fuzzy Extended Analytic Hierarchy Process) para manusear as propriedades não funcionais e o método WSM (Weighted Sum Method– soma ponderada) para as propriedades funcionais.
A propriedade funcional de um serviço é representada pelo número geral de funciona-lidades (operações) fornecidas pelo serviço e quantas vezes foi chamado pelo usuário. Essa
propriedade é baseada no documento WSDL (Web Services Description Language, descrito com base no XML).
Já a propriedade não funcional, são os atributos de QoS dos serviços. Então, o usuário define suas preferências de acordo com essas duas propriedades (KOHAR, 2018).
A Figura 3.5 apresenta o modelo proposto e suas funcionalidades são descritas a seguir.
Figura 3.5 –TR5 - Visão da Proposta Fonte: (KOHAR, 2018)
• User Interface: O usuário, por meio de uma interface, envia uma solicitação contendo suas preferências de requisitos funcionais e não funcionais.
• Service Repository: Os serviços e os documentos WSDL, com as propriedades funcio-nais e não funciofuncio-nais, são armazenados neste repositório, ao qual efetua à busca pelas funcionalidades necessárias.
• Service Mathcing: Os serviços com as funcionalidades correspondentes, são definidos como serviços alternativos (Alternate Service).
• NFP values in TFNs: Os valores das propriedades não funcionais de cada serviço alter-nativo são transformados em números Fuzzy com funções de pertinência triangular. • FEAHP Module: Esse módulo utiliza os números Fuzzy e aplica o método FEAHP para
calcular os pesos. A saída deste módulo são todos os serviços alternativos com seus pesos prioritários.
• WS Module: As preferências funcionais do usuário também são transformadas em valo-res Fuzzy. Após, é efetuada a soma ponderada. Assim, a saída deste módulo são todos os serviços alternativos com seus pesos para as propriedades funcionais.
• Integration: Por fim, os pesos para as duas propriedades são agregados para selecionar o serviço ideal para o usuário.
3.6 TR6 - Prioritizing The Solution of Cloud Service Selection Using Integrated MCDM Methods Under Fuzzy Environment
No trabalho (KUMAR; MISHRA; KUMAR, 2017), é proposto um modelo de seleção de serviço em nuvem sob o ambiente Fuzzy, utilizando o método do “processo de hierarquia analítica”(AHP) e a “técnica Fuzzy para preferências de pedidos por similaridade à solução ideal”(Fuzzy TOPSIS). O método AHP é aplicado para configurar a estrutura do problema de seleção de serviço em nuvem e atribuir o peso dos critérios usando comparações de pares e o método TOPSIS utiliza a classificação final da solução.
Os requisitos não funcionais de QoS são considerados para a seleção do serviço apro-priado. Além disso, o modelo explora um conjunto de variáveis linguísticas predefinidas, para-metrizadas por números Fuzzy com funções de pertinência triangular para avaliar os pesos de cada critério (KUMAR; MISHRA; KUMAR, 2017).
A Figura 3.6 apresenta o diagrama do modelo proposto para seleção de serviços em nuvem. O diagrama possui três estágios que são explicados a seguir.
• Estágio 1, Pré-processamento: Um grupo de painéis de decisão são estabelecidos para identificar provedores de serviços em nuvem adequados e os critérios relacionados à se-leção de serviços em nuvem, resultando na formação de uma estrutura hierárquica. • Estágio 2, AHP: Após a formação da estrutura hierárquica, o segundo estágio envolve a
atribuição do peso dos critérios utilizando o método AHP. Nesse contexto, a tomada de decisão é responsável por avaliar as matrizes de comparação em pares necessárias para calcular os pesos relativos dos critérios. A matriz final de comparação por pares é cons-truída calculando a média geométrica das avaliações independentes. Os pesos calculados com base em cada critério devem ser aprovados pelos especialistas, facilitando assim a verificação da taxa de consistência (CR – consistency ratio). Se o valor de CR for menor
