Estrat´egia de Reduc¸˜ao de Dados Baseada em Amostragem
para Redes de Sensores Sem Fio Tolerantes a Atrasos com
Conex˜oes Intermitentes.
Israel L. C. Vasconcelos1, David H. S. Lima2, Carlos M. S. Figueiredo3
Andre L. L. Aquino1
1Universidade Federal de Alagoas (UFAL), Macei´o – AL – Brasil 2Instituto Federal de Alagoas (IFAL), Vic¸osa – AL – Brasil 3Universidade Federal do Amazonas, Manaus – AM – Brasil
{vasconcelos.isr, dhs.lima, mauriciofigueiredo, alla.lins}gmail.com
Abstract. This work presents a sampling solution applied to intermittently con-nected delay tolerant wireless sensor networks (ICDT-WSNs). In such networks, when the storage capacity of a node is limited, it is common to apply a packet drop strategy based on network layer parameters only. However, such strate-gies are not suitable for monitoring applications of WSNs where data quality is essential. Alternatively, we propose a data-aware drop strategy which applies a sampling algorithm over the collected data in order to reduce the amount of stored data while keeping an overall data quality to represent the monitored area. The results show that the sampling algorithm is, approximately, twice better than common drop strategies in all evaluated scenarios.
Abstract. Este trabalho apresenta uma soluc¸˜ao de amostragem aplicada a re-des de sensores sem fio tolerantes a atraso com conex˜oes intermitentes. Nes-sas redes ´e comum submeter os dados a estrat´egias de descarte de pacotes baseando-se apenas em parˆametros da camada de rede. Entretanto, essas es-trat´egias podem n˜ao ser adequadas em aplicac¸˜oes onde a qualidade dos dados ´e um fator de prioridade. Neste artigo ´e apresentada uma pol´ıtica de descarte de pacotes direcionada aos dados que utiliza um algoritmo de amostragem para reduzir a quantidade de dados armazenada. Os resultados apresentaram uma melhora de, aproximadamente, 100% na qualidade de reconstruc¸˜ao dos dados em relac¸˜ao `as abordagens tradicionais em todos os cen´arios avaliados.
1. Introduc¸˜ao
O mundo ao nosso redor possui uma grande variedade de fenˆomenos que podem ser monitorados por dispositivos capazes de de sensoriar, processar e comunicar-se entre si. Trabalhando em cooperac¸˜ao numa determinada ´area de interesse, esses dispositivos constituem uma Rede de Sensores Sem Fio (RSSF) [Akyildiz et al. 2002]. Dentre suas principais aplicac¸˜oes, pode-se destacar o monitoramento de diversos fenˆomenos f´ısicos como temperatura, press˜ao e humidade.
Se a ´area de interesse for esparsa, manter cont´ınua a comunicac¸˜ao entre os n´os ´e uma tarefa complexa, o conceito de Redes Tolerantes a Atraso (Delay Tolerant Net-work, DTNs) [Curran and Knox 2008] pode ser aplicado para a soluc¸˜ao de tal problema.
A ideia principal das DTNs consiste no uso de n´os m´oveis (Mobile Ubiquity Lan Exten-sions, MULEs) para percorrer a ´area monitorada e, de forma oportunista, coletar os dados dos n´os dentro do seu raio de comunicac¸˜ao. Esta combinac¸˜ao entre as caracter´ısticas das RSSF e DTNs ´e definida como Rede de sensores sem fio tolerantes a atraso com conex˜oes intermitentes (Intermittently Connected Delay-Tolerant Wireless Sensor Net-works, ICDT-WSNs) [Li and Bartos 2014]. Este tipo de rede possui larga aplicabilidade em diferentes cen´arios como, por exemplo, vigilˆancia de ambientes hostis, monitoramento urbano e de ´areas afetadas por desastres naturais.
Para um funcionamento adequado, os n´os presentes nesse tipo de rede devem sensoriar e armazenar os dados at´e que possam transmit´ı-los para a MULE. Entretanto, fatores como tamanho da rede, quantidade de dados armazenados pode fazer com que a capacidade de armazenamento dos n´os seja excedida. Uma soluc¸a˜o para esse problema ´e a utilizac¸˜ao de estrat´egias de descarte de pacotes [Jain and Chawla 2014]. ´E importante considerar que a MULE ´e um n´o m´ovel, sendo assim, o tempo de transmiss˜ao se torna um fator cr´ıtico. Uma quantidade reduzida de dados aumenta as chances das transmiss˜oes ocorrerem com sucesso.
O objetivo deste artigo ´e apresentar soluc¸˜ao que manipula os dados coletados atrav´es de um algoritmo de amostragem a fim de selecionar as amostras mais representa-tivas do conjunto, para dessa forma, reduzir o impacto causado pela perda de informac¸˜ao devido a reduc¸˜ao dos dados na qualidade da informac¸˜ao trazida por eles. A soluc¸˜ao apre-sentada considera que a MULE recebe constantemente pacotes de dados dos n´os do am-biente, ela analisa os dados recebidos e os submete a um algoritmo de amostragem a fim de selecionar apenas uma parte do conjunto inicial, descartando o resto. A estrat´egia de amostragem utilizada ´e baseada no algoritmo proposto por [Aquino and Nakamura 2009], onde no referido trabalho teve sua aplicac¸˜ao introduzida para o atendimento de demandas para comunicac¸˜ao em tempo real.
O algoritmo utilizado consiste em realizar nos dados um ordenamento crescente em func¸˜ao valor da cada amostra e dividindo o conjunto em dez intervalos igualmente espac¸ados para que possa, em seguida, selecionar os dados centrais de cada intervalo, ou seja, ao redor das medianas. O efeito causado por esse procedimento ´e que o algoritmo ir´a selecionar apenas os dados mais relevantes de cada intervalo, partindo do princ´ıpio de que as amostras pr´oximas `a mediana s˜ao as que melhor representam o comportamento dos dados dentro daquele intervalo.
Ap´os realizar esse procedimento em todos os n´os da ´area monitorada, a fim de ter uma vis˜ao global do comportamento do ambiente monitorado, o observador o reconstroi a partir das amostras coletadas atrav´es de interpolac¸˜ao com Kriging Simples [Krige 1951]. A soluc¸˜ao proposta ´e avaliada atrav´es da simulac¸˜ao de diversos cen´arios considerando a possibilidade de ocorrˆencia de diferentes eventos no ambiente, onde a ocorrˆencia desses eventos perturba os dados sobre a ´area afetada. A comparac¸˜ao da soluc¸˜ao proposta com as outras estrat´egias tradicionalmente adotadas na literatura ´e realizada tendo como principal m´etrica de avaliac¸˜ao a qualidade de reconstruc¸˜ao das informac¸˜oes referentes ao fenˆomeno observado. Os resultados mostraram que a abordagem proposta neste artigo ´e, aprox-imadamente, duas vezes melhor que as soluc¸˜oes comumente adotadas na literatura em todos os cen´arios avaliados.
A organizac¸˜ao deste artigo ´e feita conforme a descric¸˜ao a seguir. Sec¸˜ao 2 comenta a respeito os trabalhos relacionados. Sec¸˜ao 3 apresenta o modelo de aplicac¸˜ao baseado em RSSF tolerantes a atrasos com conex˜oes intermitentes. Na Sec¸˜ao 4 ´e feita a discuss˜ao dos resultados. Finalmente, as conclus˜oes obtidas e perspectivas futuras s˜ao apresentadas na sec¸˜ao 5.
2. Trabalhos Relacionados
Como mencionado anteriormente, o algoritmo proposto ´e comparado com as
soluc¸˜oes cl´assicas da literatura em redes tolerantes a atraso (DTNs). No sur-vey [Jain and Chawla 2014] s˜ao apresentadas algumas estrat´egias, comentadas a seguir.
• Descarte o ´ultimo ou primeiro pacote: Estrat´egia de descarte intuitiva e de f´acil implementac¸˜ao, consiste em eliminar os pacotes recebidos por ´ultimo ou primeiro. O crit´erio de descarte desta pol´ıtica parte do princ´ıpio de que os dados mais antigos ou mais recentes.
• Descarte de pacote aleat´orio: Como o nome sugere, consiste em eliminar um pacote escolhido aleatoriamente, de modo que ´e considerada igual importˆancia a todos os dados do conjunto.
Uma estrat´egia espec´ıfica utilizada em ICDT-WSNs ´e o descarte baseado na otimizac¸˜ao da cobertura da rede (Coverage Based Drop Policy, CBDP [Luiz et al. 2012]). Essa t´ecnica considera os dados para calcular a cobertura global da rede e ent˜ao, escolher quais pacotes ser˜ao descartados, o objetivo ´e minimizar o impacto desses descartes na aplicac¸˜ao de monitoramento.
O principal problema sobre as abordagens descritas acima est´a em considerar o descarte de pacotes apenas em relac¸˜ao a aspectos da camada de rede, dessa forma, ten-dendo a falhar quando uma pol´ıtica de qualidade dos dados for demandada pela aplicac¸˜ao. As duas ´ultimas propostas visam atender m´etricas espec´ıficas de determinada aplicac¸˜ao, como cobertura e prazo de entrega em tempo real. Tal desvantagem ´e o grande diferencial da proposta apresentada nesse artigo.
3. Modelo de Aplicac¸˜ao para ICDT-WSNs
Neste trabalho utilizamos como exemplo de uma aplicac¸˜ao ICDT-WSN a an´alise do com-portamento da temperatura de uma floresta para monitoramento da vida selvagem. As etapas previstas nesse modelo est˜ao detalhadas nas subsec¸˜oes seguintes.
3.1. Simulac¸˜ao do Fenˆomeno
Considerando o comportamento ideal denotado por: N P //V∗ R //D ,
onde N denota o ambiente a ser monitorado e P ´e o fenˆomeno de interesse, sendo V∗sua representac¸˜ao no dom´ınio espac¸o-temporal. Se fosse poss´ıvel uma observac¸˜ao completa e n˜ao corrompida do ambiente, seria poss´ıvel definir um conjunto R de regras ideais para conduzir a tomada de decis˜oes ideais D.
Para representar o ambiente V∗, utilizamos um campo Gaussiano
de medida, m´edia m = 25 e variˆancia v = 100. O campo Gaussiano ´e definido como um processo estoc´astico
V∗(x) : x ∈ d, em que d representa a dimens˜ao do dom´ınio.
Os valores definidos para m e v foram escolhidos levando em considerac¸˜ao o comportamento da temperatura num cen´ario em que podem ser observadas as condic¸˜oes normais de temperatura e press˜ao, ou seja, 25oC em geral.
Para descrever a relac¸˜ao espacial entre os pontos do campo, ´e utilizado o Modelo de Covariˆancia de Matern [Diggle and Ribeiro 2007]. O modelo de Matern ´e dado por
ρ(u) = 1 2κ−1Γ(κ) u φ !κ Kκ u φ ! ,
onde u a distˆancia euclidiana entre os pontos. Γ ´e a func¸˜ao gama, Kκrepresenta a func¸˜ao
Bessel de ordem n [Abramowitz and Stegun 1964], κ > 0 ´e o parˆametro de suavizac¸˜ao e φ > 0, o parˆametro de alcance.
Junto com o modelo de Covariˆancia de Matern, o campo Gaussiano aleat´orio foi utilizado nos experimentos para representar ambientes com valores homogˆeneos, ou seja, cen´arios sem a occorˆencia de eventos externos.
Entretanto, a ocorrˆencia de eventos ´e um aspecto desej´avel para aumentar o n´ıvel de realidade do modelo, para isso, uma processo de contaminac¸˜ao param´etrica foi inserido a fim de perturbar os dados, representando a ocorrˆencia de um evento.
O processo de contaminac¸˜ao ´e realizado para representar a influˆencia de even-tos externos `as medic¸˜oes dos sensores causando um comportamento at´ıpico na regi˜ao da ocorrˆencia. Nesse processo, ´e escolhido um ponto no campo para ter o seu valor alter-ado usando uma escala de contaminac¸˜ao como fator multiplicativo, considerando tamb´em que a vizinhanc¸a desse ponto deve ser influenciada pelo evento. Para isso, foi inserido um parˆametro que define o alcance da contaminac¸˜ao.
A ilustrac¸˜ao do ambiente com e sem eventos ´e mostrada na Figura 1, onde a inten-sidade de cor de cada pixel representa sua respectiva medic¸˜ao. Sobre esses dois cen´arios ser˜ao aplicadas as t´ecnicas de reduc¸˜ao e amostragem para aferir sua robustez.
(a) Sem evento (b) Com evento
Figure 1. Campo Gaussiano aleat ´orio representando o ambiente.
3.2. Distribuic¸˜ao Espacial e Cobertura dos N´os Denotando a atividade dos sensores como:
Nesse caso, temos um conjunto s de sensores S = (S1, . . . , Ss), cada um deles
re-portando um conjunto de medic¸˜oes do fenˆomeno denotado por Vicom 1 ≤ i ≤ s; e o
con-junto dos respectivos dom´ınios de cada n´o da rede ´e representado por V = (V1, . . . , Vs).
A distribuic¸˜ao espacial S dos n´os sobre o campo utiliza um processo de inibic¸˜ao sequencial simples (Simple Sequential Inhibition, SSI [Baddeley 2007]), que consiste em estipular ao redor de cada n´o um raio de repuls˜ao (ou inibic¸˜ao) de modo que n˜ao ´e poss´ıvel colocar outro n´o na ´area coberta por esse raio, isso possibilita controlar o grau de aleato-riedade do processo de distribuic¸˜ao. Neste trabalho utilizamos uma distribuic¸˜ao dos n´os seguindo o processo SSI com raio de repuls˜ao α = 4 obtendo assim uma distribuic¸˜ao parcialmente aleat´oria.
Uma vez distribu´ıdos os n´os sobre o campo, ´e necess´ario delimitar a ´area pela qual cada n´o ´e respons´avel por cobrir (ou seja, Vi). Para isso ´e constru´ıdo sobre o campo
um diagrama de Voronoi [Aurenhammer 1991]. Onde as sementes do diagrama ser˜ao os n´os-sensores e a dominˆancia ´e a sub-´area coberta por cada n´o. Esta sub-´area ´e conhecida como C´elula de Voronoi. Este conjunto de ´areas ´e utilizado para compor V, onde cada sensor ser´a capaz de medir apenas dados do fenˆomeno contidos em sua respectiva c´elula de Voronoi.
A MULE percorre um trajeto pr´e definido e uniforme que varre toda a extens˜ao do campo. Esse deslocamento ´e representado por uma janela de ´area 5 × 5 sobre o campo, representando a ´area de percepc¸˜ao da MULE. O deslocamento inicia-se no ponto (0, 0) e ocorre no sentido horizontal at´e a extremidade oposta, ao ating´ı-la a MULE se desloca 5 unidades verticalmente volta a percorrer o campo no sentido contr´ario. Esse procedimento se repete at´e que todo o campo tenha sido percorrido.
No tocante a outros fatores da rede inerentes a esse procedimento como, por exem-plo, velocidade da MULE e tempo m´ınimo de permanˆencia do n´o em sua ´area de alcance para a transmiss˜ao dos dados com sucesso, s˜ao consideradas as condic¸˜oes ideais para o seu funcionamento.
3.3. Coleta e processamento dos dados
Considerando a coleta e processamento dos dados como N P //V∗ S //V Ψ //V0,
Temos que V representa toda a informac¸˜ao coletada pelos n´os, entretanto, transmitir in-tegralmente esse conjunto de dados pode ter alto custo em termos de consumo de energia, largura de banda dispon´ıvel e capacidade de armazenamento da MULE.
A fim de diminuir o impacto dessas limitac¸˜oes, ´e poss´ıvel atrav´es de uma es-trat´egia de amostragem Ψ obter um conjunto de dados reduzido V0 a partir do dom´ınio V.
Nossa estrat´egia de amostragem Ψ recebe um conjunto completo de medic¸˜oes Vi, realiza sobre este uma ordenac¸˜ao crescente em func¸˜ao do valor da medic¸˜ao de cada
amostra. Em seguida, os dados do conjunto s˜ao normalizados para ajustar o valor das amostras no intervalo [0; 1].
(de comprimento 0, 1) para construir um histograma em func¸˜ao das amostras, onde cada subintervalo normalizado do conjunto Vi ´e uma classe desse histograma.
O algoritmo de amostragem percorre o histograma selecionando as amostras cen-trais de cada uma de suas classes, ou seja, as amostras que est˜ao nos arredores da mediana de cada subintervalo. Essa decis˜ao ´e tomada partindo do princ´ıpio de que as amostras que est˜ao pr´oximas `a mediana s˜ao as que melhor representam o comportamento dos dados da classe inteira. A quantidade de amostras selecionada respeita o tamanho do conjunto V0 estipulado para a reduc¸˜ao.
Ao final deste procedimento, o conjunto Vi0 ser´a representado por um histograma de estrutura similar constru´ıdo sobre Vi, por´em, contendo apenas as amostras selecionadas
ao redor do centro de cada classe.
O algoritmo ´e detalhado no pseudoc´odigo 1, possuindo complexidade
O(|V| log |V|) + O(|V| + |V0|) + O(|V0| log |V0|) = O(|V| log |V|), se |V0| ≤ |V|. Ter
o conjunto V ordenado ´e uma condic¸˜ao para que selecionar as amostras corretas dentro do histograma. O loop da linha 6 possui complexidade O(|V| + |V0|) por ser intercalado pelo presente na linha 10, que por sua vez, s´o ´e executado se for satisfeita a condic¸˜ao da linha 7 retornando o conjunto reduzido (V0).
Algorithm 1: Data-Centric sampling algorithm.
Data: V – original data stream Data: |V0| – sample size Result: V0– sampled data stream
1 Sort(V ) {based on data values};
2 lg ← “Histogram classes”;
3 pr ← 0 {first index of the first histogram class};
4 nc← 0 {number of elements, for each histogram class}; 5 k ← 0;
6 for i ← 0 to |V | − 1 do
7 if V [i] > V [pr] + lg or i = |V | − 1 then
8 n0
c← dnc|V0|/|V |e {number of elements, for each column in V0}; 9 index ← “Index choice following step 2”;
10 for j ← 0 to n0cdo 11 V0[k] ← V [index];
12 k ← k + 1;
13 index ← “Index choice following step 2”;
14 end 15 nc← 0; 16 pr ← i; 17 end 18 nc← nc+ 1; 19 end
20 Sort(V0) {based on arrival order};
3.4. Reconstruc¸˜ao do Fenˆomeno
Considerando a reconstruc¸˜ao de dados e a avaliac¸˜ao do erro denotados por
V0 ω //cV R //D .c
Nessa etapa, temos um conjunto de dados reduzidos V0que servir´a como entrada para executar o processo de interpolac¸˜ao ω para reconstruir a informac¸˜ao perdida, resul-tando no dados finaiscV.
Para interpolac¸˜ao utilizamos o Kriging simples [Hengl 2009].
Considere-mos um conjunto de aConsidere-mostras das vari´aveis observadas V∗ ser denotado como
V0(s1), V0(s2), . . . , V0(sn), onde si = (xi, yi) ´e a localizac¸˜ao no campo simulado e o
par (xi, yi) s˜ao as coordenadas no espac¸o geogr´afico e n ´e a quantidade de amostras de
V0.
O Kriging simples pode ser descrito como
c
V = ω(s) = λT · V0,
onde λ ´e o vetor de pesos, V0, neste modelo, representa o vetor de n amostras nas locali-dades prim´arias1.
Novas regras R que utilizamcV levam a um conjunto de decis˜oes D. As regrasc
s˜ao aplicadas nos dados reconstru´ıdos.
A m´etrica considerada para avaliar o desempenho de cada estrat´egia foi o Valor Absoluto do Erro Relativo [Frery et al. 2010], que ´e definido como
ˆ = 1 104 100 X i,j=1 V∗(i, j) −V(i, j)c V∗(i, j) ,
onde V∗ ´e o campo que representa o ambiente e onde foi inicialmente simulado ecV ´e
o campo reconstru´ıdo. Al´em disso, de acordo com o fato de que um campo Gaussiano aleat´orio ´e continuo em seu dom´ınio, podemos afirmar que ˆ sempre ser´a definido desde que V∗(i, j) 6= 0.
4. Resultados e Discuss˜ao
As simulac¸˜oes foram realizadas na plataforma R na vers˜ao
3.0.2 [R Development Core Team 2010] utilizando as seguintes bibliotecas: RAN
-DOMFIELDS para gerac¸˜ao dos campos Gaussianos aleat´orios, que representam o
ambiente ideal V∗, SPATSTAT para realizar a distribuic¸˜ao dos n´os sobre o campo utilizando o processo SSI, GEOR para realizar a reconstruc¸˜ao do campo a partir das amostras V0com Kriging Simples, resultando numa nova representac¸˜ao reconstru´ıda V∗ do campo.
Os experimentos foram executados em um computador com as seguintes especificac¸˜oes: Model SGI Rackable Standard-Depth Servers com 12 n´ucleos em 2 sock-ets, processador Intel Xeon Six-Core 5649 com 2.53 GHz, 144 GB de mem´oria DDR3 (18×8 GB, 1,333 MHz), 2× controladores NVIDIA Tesla C2075 e sistema operacional Linux. A paralelizac¸˜ao dos experimentos e a quantidade consider´avel de recursos com-putacionais demandada pela etapa do Kriging Simples s˜ao os principais motivos para o dimensionamento de hardware adotado.
As simulac¸˜oes avaliaram o algoritmo de amostragem e as pol´ıticas de descarte de pacotes. O fenˆomeno de interesse foi simulado em uma ´area de 100 × 100 com m´edia m = 25 e variˆancia v = 100, levando em considerac¸˜ao o comportamento da temperatura em condic¸˜oes normais. O campo foi constru´ıdo considerando o modelo de covariˆancia de
Matern com parˆametros κ = 0.5 (suavizac¸˜ao) e φ = 2 (alcance), descrevendo a correlac¸˜ao especial entre os pontos da ´area monitorada.
A simulac¸˜ao de eventos externos se d´a atrav´es da escolha aleat´oria de um ponto no campo que tem seu valor de medic¸˜ao multiplicado pelo fator de contaminac¸˜ao η = 3, ex-ercendo influˆencia sobre a vizinhanc¸a num alcance de 30 pontos. O fator de contaminac¸˜ao decai linearmente a medida que se afasta do foco do evento. Com relac¸˜ao a distribuic¸˜ao dos n´os, foi utilizado raio de repuls˜ao α = 4 no processo SSI. Todos os valores de parˆametros foram adotados de forma emp´ırica.
Foram considerados dois cen´arios: i. sem evento (campo n˜ao contaminado) para avaliar o comportamento geral das t´ecnicas; ii. com evento (campo com contaminac¸˜ao nos dados) para avaliar a robustez das t´ecnicas.
Em todos os casos foi avaliado o percentual de uso das amostras em 10%, 25% e 50%, considerando uma rota linear e pr´e definida em ambientes simulados a partir de do c´alculo da m´edia dos erros de reconstruc¸˜ao em 65 replicac¸˜oes independentes com semente ´unica para cada uma delas, com um intervalo de confianc¸a de 95%. A Figura 2(a) apre-senta o comportamento do erro de reconstruc¸˜ao ˆ em func¸˜ao da quantidade de amostras.
Todas as pol´ıticas de descarte apresentaram comportamento similar, observando que n˜ao h´a diferenc¸as expressivas entre os seus valores de ˆ. Isso ocorre devido ao n˜ao tratamento dos dados e da pol´ıtica de descarte n˜ao considerar a relevˆancia dos dados, mas sim a posic¸˜ao dos n´os, ou seja, todos os dados de um n´o s˜ao descartados em caso de buffer cheio ocasionando a perda de informac¸˜oes relevantes.
A estrat´egia baseada em amostragem apresentou os melhores resultados pelo fato de selecionar os dados mais representativos de cada n´o ao inv´es de descartar integralmente seus dados, distribuindo melhor as informac¸˜oes importantes a respeito do campo.
10 20 30 40 50 0.4 0.6 0.8 1.0 1.2
Percentage of data sampled
Error
Sensor Stream Reduction Drop Last Packet Packets Drop First Packets Drop Random Packet
− − − − − − − − − − − − − − − − − −
(a) Cen´ario sem evento.
10 20 30 40 50 0.4 0.6 0.8 1.0 1.2
Percentage of data sampled
Error
Sensor Stream Reduction Drop Last Packet Packets Drop First Packets Drop Random Packet
− − − − − − − − − − − − − − − − − −
(b) Cen´ario com evento.
Figure 2. Comparac¸ ˜ao entre os erros de reconstruc¸ ˜ao gerados por cada t ´ecnica.
Os valores observados de ˆ no algoritmo de amostragem mostram que seu erro de reconstruc¸˜ao foi, em m´edia, 46% menor do que que o das demais estrat´egias em todos os cen´arios considerados.
os erros das pol´ıticas de descarte foram superiores a 100% em relac¸˜ao ao algoritmo de amostragem. Para obter um resultado similar ao algoritmo de amostragem utilizando 10% das amostras, as pol´ıticas de descarte precisam de 50% dos dados.
A segunda avaliac¸˜ao considera o cen´ario com eventos externos. Figura 2(b) apre-senta os resultados obtidos. O erro m´edio observado na estrat´egia de amostragem foi 50% inferior em relac¸˜ao `as pol´ıticas de descarte. Em comparac¸˜ao com o cen´ario sem eventos, as pol´ıticas de descarte apresentaram uma piora de aproximadamente 10%. Isso ocorre pois a relevˆancia dos dados n˜ao ´e considerada no momento do descarte, podendo perder dados relativos ao evento, n˜ao podendo assim reconstru´ı-lo.
A estrat´egia de amostragem n˜ao apresentou mudanc¸as em seu comportamento, revelando robustez `a variac¸˜ao dos dados e apresentando os melhores resultados, mostrando a importˆancia de ter uma soluc¸˜ao de reduc¸˜ao que considere o comportamento dos dados.
Finalmente, observando a Figura 3 ´e poss´ıvel fazer uma comparac¸˜ao visual entre os resultados das t´ecnicas avaliadas, essa comparac¸˜ao fortalece as conclus˜oes obtidas atrav´es da an´alise dos dados. Figura 3(a) apresenta o campo contaminado original. As Figuras 3(c) e 3(d) apresentam ´areas continuas em cinza resultantes da ausˆencia de dados gerado pelo descarte de pacotes, enquanto o algoritmo de amostragem consegue preservar melhor seus dados (Figura 3(b)).
(a) Campo original (b) Amostra central (c) Descarte aleat´orio (d) Descarte primeiros
Figure 3. Reconstruc¸ ˜ao utilizando 10% dos dados
5. Considerac¸˜oes Finais
Este artigo apresentou uma soluc¸˜ao baseada em uma estrat´egia de amostragem aplicada a ICDT-WSNs. A principal contribuic¸˜ao foi apresentar a viabilidade da reduc¸˜ao da quanti-dade de dados e preservac¸˜ao de sua representativiquanti-dade utilizando t´ecnicas de amostragem e reconstruc¸˜ao de dados. Essa ´e uma importante caracter´ıstica de cen´arios onde existe a possibilidade de falhas de conex˜ao, criando a necessidade de um alto poder de armazena-mento dos n´os. Os resultados de avaliac¸˜ao apresentados revelaram que a soluc¸˜ao proposta obteve melhor desempenho em relac¸˜ao as pol´ıticas tradicionais de descarte de pacotes dispon´ıveis na literatura, sendo mais adequado para aplicac¸˜oes de monitoramento.
As perspectivas futuras deste trabalho incluem a inserc¸˜ao de outros tipos de evento no campo monitorado ocorrendo de maneira simultˆanea, avaliac¸˜ao do comportamento da rede quando a amostragem tamb´em ´e realizada localmente em cada um de seus n´os, e n˜ao apenas na MULE, utilizac¸˜ao de outras m´etricas de avaliac¸˜ao como a cobertura global do campo e o comportamento de outros parˆametros da rede. Por fim, ser˜ao desenvolvidos experimentos em ambientes reais para validac¸˜ao do estudo realizado.
References
Abramowitz, M. and Stegun, I. (1964). Handbook of Mathematical Functions: with Formulas, Graphs, and Mathematical Tables. Applied mathematics series. Dover Pub-lications.
Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., and Cyirci, E. (2002). Wireless sensor networks: a survey. Computer Networks, 38(4):393–422.
Aquino, A. L. L. and Nakamura, E. (2009). Data centric sensor stream reduction for real-time applications in wireless sensor networks. Sensors, 9:9666–9688.
Aurenhammer, F. (1991). Voronoi diagrams: A survey of a fundamental data structure. ACM Computing Surveys, 23:345–405.
Baddeley, A. (2007). Spatial point processes and their application. In Weil, W., edi-tor, Stochastic Geometry, volume 1892 of Lecture Notes in Mathematics, pages 1–75. Springer, Berlin.
Curran, K. and Knox, J. (2008). Disruption tolerant networking. Computer and Informa-tion Science, 1(1):69–71.
Diggle, P. J. and Ribeiro, P. J. (2007). Model-based Geostatistics. Springer.
Frery, A. C., Ramos, H. S., Alencar-Neto, J., Nakamura, E., and Loureiro, A. A. F. (2010). Data driven performance evaluation of wireless sensor networks. Sensors, 10(3):2150– 2168.
Hengl, T. (2009). A Practical Guide to Geostatistical Mapping.
Jain, S. and Chawla, M. (2014). Survey of buffer management policies for delay tolerant networks. The Journal of Engineering, 2014(6):7.
Krige, D. G. (1951). A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Chemical, Metallurgical and Mining Society of South Africa, 52:119–139.
Li, Y. and Bartos, R. (2014). A survey of protocols for intermittently connected delay-tolerant wireless sensor networks. Journal of Network and Computer Applications, 41(1):411–423.
Luiz, D. F., Figueiredo, C. M. S., and Nakamura, E. F. (2012). A coverage-based drop-policy in wireless sensor network with disruptive connections. In IEEE Symposium on Computers and Communications.
R Development Core Team (2010). The R Project for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0.
Wood, A. T. A. and Chan, G. (1994). Simulation of stationary gaussian processes in [0, 1]d. Journal of Computational and Graphical Statistics, 3(4):409–432.
