Gewährleistung effizienter Zeitbereichs-Anfragen in Sensornetzen
Zusammenfassung der Projektergebnisse
Drahtlose Sensornetze (Wireless Sensor Networks, WSN) messen in einem hochgradig verteilten, unzuverlässigen System Sensordaten, die sie über eine Funkschnittstelle an eine Basisstation weiterkommunizieren. Dabei stehen Ressourcen wie Energie, Rechenleistung, Speicherkapazität oder Übertragungsbandbreite nur eingeschränkt zur Verfügung. Zudem werden die Daten im WSN erst zum Zeitpunkt der Anfrageverarbeitung gemessen, und zwar von unterschiedlichen Sensorknoten. Daher weisen Sensordaten einen Zeit- und einen Ortsbezug auf, nämlich die Messzeit sowie die Position des messenden Knotens. Dies hat Auswirkungen darauf, wie Anfragen im Sensornetz bearbeitet werden müssen. Aufgrund knapper Ressourcen sind so wenige Daten wie möglich zu messen und zu übertragen, und die Daten müssen im WSN soweit möglich vorverarbeitet werden. Dabei sind die Daten häufig räumlich und zeitlich korreliert. Das heißt, aufeinanderfolgend gemessene Daten oder Daten von benachbarten Knoten sind ähnlich. Da die Routing-Bäume, über die die Kommunikation mit der Basisstation abläuft, ebenfalls räumlich organisiert sind, haben Knoten- oder Kommunikationsausfälle oft unberechenbare Auswirkungen auf das Anfrageergebnis. Dies führt dazu, dass Sensordaten systeminhärent ungenau sind, und dass die Anfragebearbeitung mit ungenauen Daten können umgehen muss. Wir haben in diesem Projekt den Zusammenhang zwischen der Ungenauigkeit von Sensordaten und der Korrektheit von Anfrageergebnissen untersucht. Dazu haben wir Verfahren zur Analyse von multivariaten Korrelationen entwickelt, Methoden zum Ersetzen von Messwerten durch geschätzte Daten erforscht und Ansätze zur verlustbehafteten Kompression untersucht. Aufbauend darauf haben wir erforscht, welche Auswirkungen die auf diese Weise in die Daten eingebrachte Ungenauigkeit auf die Ergebnisqualität von Change Detection-Verfahren hat. Bei Change Detection geht es darum, in einer Zeitreihe die Zeitpunkte zu identifizieren, an denen eine definierte Änderung auftritt, z. B. ein Anstieg der Varianz in den Messwerten. Wir haben ein Maß entwickelt, das die Auswirkungen von Ungenauigkeit auf Change Detection quantifizieren kann. Unser Maß erlaubt es beispielsweise, Kompressionsverfahren auszuwählen, die bestimmte Changes in einem Datenbestand erhalten. Parallel dazu haben wir ein Verfahren entworfen, das die von einem Phänomen überdeckte Fläche mit oberen und unteren Schranken bestimmt. Wir haben eine Methode zur Identifikation von defekten Sensorknoten ausgearbeitet, die ohne Annahmen zu Eigenschaften des Defekts auskommt. Zuletzt haben wir untersucht, wie sich Exact-Match-Anfragen auf verschlüsselten Daten berechnen lassen. Bei der Beantragung dieses Vorhabens haben wir uns auf die Entwicklung von neuartigen Anfragestrategien für Sensordaten mit Zeit- und Ortsbezug fokussiert. Wir haben jedoch bereits in der ersten Phase der Bearbeitung festgestellt, dass so ermittelte Anfrageergebnisse häufig nicht mit der Realität übereinstimmen, obwohl sie gemäß der zugrunde gelegten Datenbasis formal korrekt waren. Wir haben daher erkannt, dass der Schlüssel zur Lösung der im Antrag beschriebenen Fragestellungen im Umgang mit der Ungenauigkeit liegt. Entsprechend haben wir unsere Arbeiten durchgeführt wie beantragt, jedoch mit einem Schwerpunkt auf verschiedenen Arten von Ungenauigkeit.
Projektbezogene Publikationen (Auswahl)
- FRESCO: A Framework for the Energy Estimation of Computers. In: Proceedings of the 16th IEEE Conference on Business Informatics (CBI'14), 2014
Efros, Pavel; Buchmann, Erik; Böhm, Klemens
(Siehe online unter https://doi.org/10.1109/CBI.2014.28) - Multivariate Maximal Correlation Analysis. In: Proceedings of the 31th International Conference on Machine Learning (ICML), 2014
Nguyen, Hoang Vu; Müller, Emmanuel; Vreeken, Jilles; Efros, Pavel; Böhm, Klemens
- A Time-Series Compression Technique and its Application to the Smart Grid. In: The VLDB Journal, 24(2): 193-218, 2015
Eichinger, Frank; Efros, Pavel; Karnouskos, Stamatis; Böhm, Klemens Böhm
(Siehe online unter https://doi.org/10.1007/s00778-014-0368-8) - Deriving Bounds on the Size of Spatial Areas. In: Open Journal of Databases (OJDB), 2(1), 2015
Buchmann, Erik; Bradley; Patrick Erik; Böhm, Klemens
- Efficient and Secure Exact-Match Queries in Outsourced Databases. In: World Wide Web 18(3): 567-605, 2015
Heidinger, Clemens; Böhm, Klemens; Buchmann, Erik; Spoo, Martin
(Siehe online unter https://doi.org/10.1007/s11280-013-0270-0) - How to Quantify the Impact of Lossy Transformations on Change Detection. In: Proceedings of the 27th Conference on Scientific and Statistical Database Management (SSDBM), 2015
Efros, Pavel; Buchmann, Erik; Englhardt, Adrian; Böhm, Klemens
(Siehe online unter https://doi.org/10.1145/2791347.2791371)
