没有合适的资源?快使用搜索试试~ 我知道了~
使用数据提高聚合质量在WSNs中的分析
L’Ecole Doctorale Sciences Pour l'Ingenieur- EDSPIL’Ecole Doctorale Sciences Pour l'Ingenieur- EDSPI L’Ecole Doctorale Sciences et Technologies- EDST L’Ecole Doctorale Sciences et Technologies- EDST Pr. Abbas HIJAZI Dr. Tahiry Razafindralambo Dr. Samar Tawbi0订单号: 406590(共同指导博士论文)0获得获得0LILLE 1大学博士学位 LILLE 1大学博士学位0和和0黎巴嫩大学博士学位 黎巴嫩大学博士学位0颁发者 颁发者0(法国) (法国)0和和0(黎巴嫩)(黎巴嫩)0专业: 计算机科学0由Alia GHADDAR提出和辩护0于2011年02月12日0标题0使用数据提高聚合质量0在WSNs中的分析0导师: Pr. Isabelle SIMPLOT-RYL0评审人: Mrs. Francesca GUERRIERO 教授 - 意大利卡拉布里亚大学 Mr. Amiya NAYAK教授 - 加拿大渥太华大学 评审委员会: Mrs. Francesca GUERRIERO 教授 - 意大利卡拉布里亚大学 Mr. Amiya NAYAK 教授 - 加拿大渥太华大学 Mr. Srdjan KRCO 高级研究和创新顾问 -爱立信,塞尔维亚 Mrs. Isabelle SIMPLOT-RYL 教授 - Lille 1大学,INRIA,法国 Mr. TahiryRAZAFINDRALAMBO 初级研究员,INRIA,法国 Mr. Abass HIJAZI 教授 -黎巴嫩大学,黎巴嫩 Mrs. Samar TAWBI 博士 - 黎巴嫩大学,黎巴嫩0Alia Ghaddar的论文,Lille 1,2011年0© 2011 版权所有。http://doc.univ-lille1.frThèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.fr0致谢0这篇论文是在Lille-1大学的POPS小组和黎巴嫩大学科学与技术博士学院进行了三年的研究后产生的。在这段时间里,我与许多人一起工作,他们以各种方式的贡献值得特别提及。首先,我要感谢我的两位导师,来自Lille大学的Pr. IsabelleSimplot-Ryl,提出了论文的主题,并从研究的早期阶段开始提供了指导、建议和引导。我还要感谢来自黎巴嫩大学的Pr. AbbasHijazi,他在我工作的初期到最后阶段都给予了鼓励和支持。我还要衷心感谢我的合作导师,使我能够对这个课题有所了解。TahiryRaza�ndralambo博士在我工作的各个细节上都跟随着我,使得完成论文成为可能。我感谢他的巨大努力、耐心和与我合作。我也要感谢SamarTawbi博士。她以各种方式给予我坚定的鼓励和支持。我还要感谢DavidSimplot-Ryl教授。他也就研究进行了深入的讨论并提出了建议。我衷心感谢我的博士委员会成员。他们在他们繁忙的工作中抽出宝贵的时间来参加我的论文答辩,这是非常重要的。我向在任何方面支持我的人们致以敬意和祝福,感谢他们在完成这篇论文的过程中给予我的支持。我还要感谢我的同事、实验室伙伴和行政人员们对我的支持和愉快的时光。最后,言语无法表达我对家人的感谢,感谢他们在这篇论文以及我一生中对我的爱、鼓励和持续支持。Thèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.frAbstractWireless Sensor Networks (WSNs) are becoming largely adopted in diverse sectors suchas health care, home automation, industry process control, object tracking, etc.Thepromise and application domain of this field continue to grow due to the emergence ofembedded, small and intelligent sensor devices in our everyday life. These devices aregetting smarter with their capability to interact with the environment or other devices,to analyze data and to make decisions. They have made it possible not only gather datafrom the environment, but also to bridge the physical and virtual worlds, assist peo-ple in their activities, while achieving transparent integration of the wireless technologyaround us. Along with this promising glory for WSNs, there are however, several chal-lenges facing their deployments and functionality, especially for battery-operated sensornetworks. For these networks, the power consumption is the most important challenge.In fact, most of WSNs are composed of low-power, battery-operated sensor nodes thatare expected to replace human activities in many critical places, such as disaster reliefterrains, active volcanoes, battlefields, difficult terrain border lands, etc. This makes theirbattery replacement or recharging a non-trivial task. Hence, the main concern is how todeal with their limited energy-resources, especially that the performance of the networkstrongly depends on their lifetime. Therefore, energy saving becomes a serious and criticalrequirement that can be gained by properly managing the energy resources.We are concerned with the most energy consuming part of these networks, that isthe communication. We propose methods to reduce the cost of transmission in energy-constrained sensor nodes. Our work aims at reducing the data transmission rate andoverhead. For this purpose, we observe the way data is collected and processed to saveenergy during transmission. Our work is build on three basic axis: data estimation, datasimilarity detection and abnormal behaviors detection.Nodes, in our work, have theability to accurately predict data and detect abnormal behaviors. During data collection,the intermediate nodes can detect correlation among data and perform efficient datafusion, in order to send the minimum amount of representative values to the destination.These values are expected to assist the sink, so it can accurately re-construct the originaldata from the minimum amount it receives. In our work, we try to strike the balancebetween saving energy during transmission and the quality of data (sensed, transmittedor re-constructed).Based on the experimentation we made on different data series, results show that,depending on data type, our prediction model can reduce the transmission rate about70%. Nonetheless, the transmission overhead can be reduced to about 20% in most useddata types, using our correlation detection algorithm. As for the quality of data (sensed,predicted or re-constructed), results show that the relative errors for prediction werebetween 2% and 8%. Furthermore, data can be accurately re-constructed at the sink. Therelative error between the source and sink estimations were in [−7 × 10−7, 10−6]. Finally,the performance of our outliers detection algorithm was reflected, in our experimentation,by its ability to detect accurately 78% up to 90% of slipped anomalous values.Thèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.frR´esum´eLes r´eseaux de capteurs sans fil (WSNs) sont largement adopt´es dans divers secteurscomme la m´edecine, la domotique, le contrˆole de processus industriels, la localisationdes objets, etc. Les domaines d’application de ces r´eseaux continuent `a croˆıtre grˆace `al’´emergence de capteurs de plus en plus petits et de plus en plus intelligents dans notre viequotidienne. Ces dispositifs interagissent avec l’environnement ou d’autres p´eriph´eriques,pour analyser les donn´ees et produire de l’information. En plus de cr´eer de l’information,les r´eseaux de capteurs permettent de cr´eer des ponts entre le monde physique et lemonde virtuel. Les capteurs permettent, ainsi, une int´egration transparente de la tech-nologie virtuelle autour de nous. Il existe cependant plusieurs d´efis autour des r´eseaux decapteurs, notamment au niveau de l’autonomie ´energ´etique des capteurs. La consomma-tion ´energ´etique de ces petits objets devient le principale verrou technologique empechantleur d´eploiement `a grande ´echelle. En effet, la plupart des r´eseaux de capteurs sont com-pos´es des nœuds de faible puissance et fonctionnant sur batterie. Ils sont souvent utilis´edans des zones g´eographiques dangereuse et peu accessible, tels que les volcans actifs, leschamps de bataille, ou apr`es une catastrophe naturelle etc. Ces zones critiques rendentle remplacement ou la recharge des batteries de chaque capteur difficile voire impossible.Ainsi, le principal d´efi dans les r´eseaux de capteurs est la gestion de la consommation´energ´etique, pour permettre d’accroˆıtre sa dur´ee de vie.Nous sommes int´eress´es par la partie la plus consommatrice d’´energie dans les r´eseauxde capteurs: la communication ou l’envoi et la r´eception de donn´ees. Nous proposons desm´ethodes pour r´eduire les transmissions des nœuds en r´eduisant le volume de donn´eesa transmettre.Pour cela, nous observons la maniere dont les donn´ees corr´el´ees pourr´eduire le nombre de transmissions. Notre travail s’articule autour de trois axes fonda-mentaux: la pr´ediction des donn´ees, la d´etection de similarit´e des donn´ees et la d´etectiondes comportements anormaux.Les solutions utilisant les s´eries temporelles que nousavons d´evelopp´ees permettent de pr´edire efficacement les donn´ees et de d´etecter des com-portements anormaux. Nous proposons aussi un m´ecanisme d’agr´egation de donn´ees danslequel les nœuds interm´ediaires (entre la source et la destination des donn´ees) observentla corr´elation entre les valeurs pour effectuer une fusion efficace de ces donn´ees, afin deminimiser la quantit´e de donn´ees envoy´ees. Dans notre travail, nous essayons de trouverl’´equilibre entre l’´economie d’´energie et qualit´e des donn´ees car toute pr´ediction ou fusionprovoque des pertes.Nous avons lanc´es des exp´erimentations sur diff´erentes s´eries de donn´ees. Les r´esultatsont montr´e que notre solution de pr´ediction permet de r´eduire le taux de transmissionjusqu’`a 70% par rapport `a une solution sans pr´ediction. Quant `a la qualit´e des donn´ees,les r´esultats montrent que les erreurs relatives de pr´ediction sont compris entre 2% et 8%par rapport aux valeurs r´eelles. Ce qui montre que les donn´ees peuvent ˆetre reconstruitesavec pr´ecision au niveau de la destination.L’erreur relative entre les estimations desnœuds source et du puits se situe entre [−7 × 10−7, 10−6]. Enfin, notre algorithme ded´etection des anomalies permet de d´etecter jusqu’`a 90% des valeurs anormales.Thèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.frContents1Introduction21.1Preliminary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31.2Data, information and knowledge . . . . . . . . . . . . . . . . . . . . . . .41.3Energy consumption in WSNs . . . . . . . . . . . . . . . . . . . . . . . . .51.4Motivation and contribution . . . . . . . . . . . . . . . . . . . . . . . . . .91.5Organization of the Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . .102State of the Art122.1Data management in WSN middleware . . . . . . . . . . . . . . . . . . . .142.2Data quality Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192.3Data-driven techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . .212.4Contribution Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . .303Data prediction323.1Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .333.2Forecasting techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . .343.3Motivation and Contribution . . . . . . . . . . . . . . . . . . . . . . . . . .353.4EEE Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .363.5EEE+ Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .373.6Preliminaries-Choice of parameters. . . . . . . . . . . . . . . . . . . . . .373.7EEE+ versus EEE and AR/ARMA . . . . . . . . . . . . . . . . . . . . .393.8EEE+ energy efficiency. . . . . . . . . . . . . . . . . . . . . . . . . . . .413.9From EEE+ to EEE∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . .423.10 EEE∗ model efficiency . . . . . . . . . . . . . . . . . . . . . . . . . . . . .433.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .504Data Similarity in In-network processing514.1Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .524.2Preliminaries. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .534.3Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .554.4Our data similarity detection algorithm . . . . . . . . . . . . . . . . . . . .564.5Experimentation and accuracy results . . . . . . . . . . . . . . . . . . . . .594.6Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61iThèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.fr5Anomaly Detection in WSNs625.1Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .635.2Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .645.3Motivation and Contribution . . . . . . . . . . . . . . . . . . . . . . . . . .655.4Preliminaries. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .675.5Our anomaly detection technique . . . . . . . . . . . . . . . . . . . . . . .685.6Evaluation methodology and Setup . . . . . . . . . . . . . . . . . . . . . .705.7Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .756Conclusions and Future works786.1Ouline of results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .796.2Future works. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .80iiThèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.frList of Figures1.1Sensor node architecture. . . . . . . . . . . . . . . . . . . . . . . . . . . . .51.2Sources of energy consumption in a sensor node. . . . . . . . . . . . . . . .72.1Reference model of WSN middleware. . . . . . . . . . . . . . . . . . . . . .142.2Taxonomy of outlier detection techniques in WSNs. . . . . . . . . . . . . .293.1Influence of the prediction window size on the estimation precision usingEEE+ and therr = 0.05. . . . . . . . . . . . . . . . . . . . . . . . . . . . .383.2Influence of the prediction window size on the estimation error using EEE+and therr = 0.05.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .383.3Relative error produced using EEE+ and Adaptive-ARMA(3,3) with therr =0.05. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .403.4Relative error produced by EEE∗ and different other models such as AR(2),AR(3) and ARMA(3,3) applied on some real time series data.. . . . . . .443.5Relative error produced by EEE∗ and different other models such as AR(2),AR(3) and ARMA(3,3) on additional real data types. . . . . . . . . . . . .453.6Relative error produced by Adaptive-ARMA(3,3) with a bound=0.05 andEEE∗ applied on some data types. . . . . . . . . . . . . . . . . . . . . . .463.7Relative error produced by Adaptive-ARMA(3,3) with a bound=0.05 andEEE∗ applied on additional data types.. . . . . . . . . . . . . . . . . . .473.8Scatterplots for some data types.. . . . . . . . . . . . . . . . . . . . . . .494.1The concept of similarity region. . . . . . . . . . . . . . . . . . . . . . . . .574.2Wind speed measurement: the source sensor is located at Lille while thecluster head at Paris. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .594.3The relative error between the sensor and sink estimations. . . . . . . . . .605.1Example of masked anomalies. . . . . . . . . . . . . . . . . . . . . . . . . .665.2Anomalous v/s normal data and the random perturbation rate generating50 outliers for the chemical process temperature. . . . . . . . . . . . . . . .715.3The perturbation rate of undetected anomalous values for some data type.735.4The perturbation rate of undetected anomalous values for additional datatype. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .745.5ROC curves for Chemistry process temp. and Garden temperature data..755.6ROC curves for CO2 and Cardiac frequency data. . . . . . . . . . . . . . .76iiiThèse d'Alia Ghaddar, Lille 1, 2011© 2011 Tous droits réservés.http://doc.univ-lille1.frList of Tables3.1Comparison between different models using different threshold values. . . .393.2The percentage of accepted estimations.. . . . . . . . . . . . . . . . . . .423.3The relative error produced by each model estimations: AR(2), AR(3),ARMA(3,3) and EEE∗ . . . .
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功