Xây dựng hệ thống quản lý thông tin về khí hậu sử dụng vào mạng cảm biến : Luận văn ThS. Công nghệ thông tin: 60 48 01 03

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ HOÀNG THỊ HUẾ XÂY DỰNG HỆ THỐNG QUẢN LÝ THƠNG TIN VỀ KHÍ HẬU SỬ DỤNG VÀO MẠNG CẢM BIẾN Ngành: Công nghệ thông tin Chuyên ngành: Kỹ thuật phần mềm Mã số: 60480103 LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VŨ THỊ HỒNG NHẠN Hà Nội, năm 2014 CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu, tìm hiểu riêng cá nhân tơi Trong tồn nội dung luận văn, điểm trình bày cá nhân tôi, tổng hợp từ nhiều nguồn tài liệu, luận điểm đưa rõ ràng, xác, tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà Nội, ngày 26 tháng năm 2014 Tác giả luận văn HOÀNG THỊ HUẾ LỜI CẢM ƠN Để hoàn thành luận văn tốt nghiệp q trình đầy khó khăn thử thách học tập nghiên cứu thân Để có thành ngày hơm nay, ngồi nỗ lực thân, khơng thể khơng nhắc tới động viên, giúp đỡ thầy, cô giáo, bạn bè, đồng nghiệp người thân gia đình Tơi xin trân trọng cảm ơn TS Vũ Thị Hồng Nhạn giảng viên trường Đại học Cơng Nghệ hướng dẫn tận tình, chu đáo giúp đỡ hiểu chuyên môn, nghiên cứu định hướng phát triển suốt trình làm luận văn Tôi xin gửi lời cảm ơn tới thầy cô giáo trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội giảng dạy, truyền đạt kiến thức bổ ích lĩnh vực công nghệ phần mềm mà theo đuổi đồng thời tạo điều kiện thuận lợi cho tơi q trình học tập nghiên cứu đề tài Tôi xin cảm ơn tất bạn bè khóa cho tơi hội trao đổi, chia sẻ kiến thức kinh nghiệm thực tế qua mơn học, giúp tơi tiếp thu thêm nhiều vấn đề không lĩnh vực chuyên ngành phần mềm Cuối cùng, xin gửi lời bày tỏ cảm ơn chân thành sâu sắc tới gia đình tơi Gia đình chỗ dựa tinh thần ln bên tơi, ủng hộ tơi suốt q trình học tập nghiên cứu để tơi hồn thành luận văn Dù cố gắng song luận văn chắn khơng tránh khỏi thiếu sót, tơi mong nhận ý kiến đóng góp quý báu thầy cô bạn Xin chân thành cảm ơn! Hà Nội, ngày 26 tháng năm 2014 Tác giả luận văn HOÀNG THỊ HUẾ MỤC LỤC CAM ĐOAN LỜI CẢM ƠN .2 MỤC LỤC DANH MỤC HÌNH VẼ Chương .8 GIỚI THIỆU .8 1.1 Bối cảnh chung 1.2 Động định nghĩa toán 10 1.3 Giới hạn phạm vi nghiên cứu 12 1.4 Bố cục luận văn .13 Chương 14 TỔNG QUAN VỀ MẠNG CẢM BIẾN VÀ ỨNG DỤNG 14 2.1 Cơ sở liệu mạng cảm biến 14 2.2 Mơ hình lưu trữ liệu cảm biến 16 2.2.1 Lữu trữ tập trung tìm kiếm 17 2.2.2 Lưu trữ cục tìm kiếm địa lý 17 2.2.3 Lưu trữ cục với mục phân tán 18 2.2.4 Phương pháp lưu trữ cục với đa độ phân giải 18 2.3 Các cách tiếp cận xử lý truy vấn cho ứng dụng với mạng cảm biến .19 2.4 Quản lý hệ thống mạng cảm biến 23 2.4.1 Hệ thống xử lý tổng hợp liệu bên mạng 23 2.4.2 Hệ thống liệu lịch sử dài hạn 26 Chương 29 KHÁI NIỆM VÀ ĐỊNH NGHĨA .29 3.1 Bối cảnh giả thiết 29 3.2 Dữ liệu cảm biến cách lưu trữ 31 3.3 Phân tích loại truy vấn mạng cảm biến 33 Chương 36 PHƯƠNG PHÁP GIẢM DỮ LIỆU BA PHA CHO MẠNG CẢM BIẾN 36 4.1 Giới thiệu 36 4.2 Loại bỏ ghi trùng lặp 38 4.3 Khoảng cách giá trị dựa liệu giảm 40 Chương 46 XỬ LÝ TRUY VẤN DỰA TRÊN PROXY 46 5.1 Chức Proxy .46 5.2 Phân tích lịch sử truy vấn Proxy 48 5.3 Cơ sở liệu siêu liệu Proxy 50 Chương 55 CÁC THÍ NGHIỆM VÀ PHÂN TÍNH HIỆU SUẤT 55 6.1 Môi trường thí nghiệm 55 6.2 Hiệu lưu trữ thông qua chế giảm liệu 56 6.3 Độ xác truy vấn .64 6.4 Hiệu xử lý truy vấn cách sử dụng Proxy hệ thống thử nghiệm theo dõi khí hậu 68 Chương 72 KẾT LUẬN .72 TÀI LIỆU THAM KHẢO 74 DANH MỤC HÌNH VẼ Hình 1.1 Tổng quan mạng cảm biến Hình 2.1 Hai cách tiếp cận sở liệu mạng cảm biến 15 Hình 2.2 Tổng hợp đa độ phân giải 19 Hình 2.3 Ví dụ tập hợp đơn giản mạng 20 Hình 2.4 Mạng cảm biến với mạng (trái) tổng hợp nhóm áp dụng cho (phải) TAG 21 Hình 2.5 Giám sát mạng cảm biến không dây 22 Hình 2.6 Khái niệm xử lý liệu cho hệ thống sở liệu cảm biến TinyDB Cougar .24 Hình 2.7 Kiến trúc tổng thể Fjord 25 Hình 2.8 Kiến trúc mạng cảm biến hai lớp StonesDB .27 Hình 2.9 Mơ hình MauveDB 28 Bảng 3.1 Dữ liệu yêu cầu ước tính cho ứng dụng khoa học 30 Hình 4.1 Tổng quan lược đồ giảm liệu ba pha 37 Hình 4.2 Ví dụ giảm liệu pha Nạve 39 Thuật toán 4.1: Thủ tục so sánh ghi nhân đôi 40 Hình 4.3 Ví dụ sơ đồ giảm liệu dựa giá trị khoảng cách 42 Thuật toán 4.2 Ước khoảng giá trị khoảng liệu dựa vào thông số khoảng cách 44 Hình 4.4 Tác dụng việc giảm liệu 45 Hình 5.1 Tổng quan hệ thống ba tầng mạng cảm biến 47 Hình 5.2 Các truy vấn có điều kiện tìm kiếm chồng chéo 49 Bảng 5.1 Mô tả bảng siêu liệu không gian 51 Bảng 5.2 Mô tả bảng lịch sử truy vấn 52 Hình 5.3 Thủ tục đăng ký truy vấn .53 Bảng 5.3 Lưu trữ liệu bảng lịch sử truy vấn 53 Bảng 5.4 Lưu trữ liệu bảng lịch sử truy vấn theo thời gian 53 Bảng 6.2 Tóm tắt thông số 55 Hình 6.3 Dữ liệu giảm theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 .56 Hình 6.4 Thời gian thực thuật tốn giảm giữ liệu theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 57 Hình 6.5 Dữ liệu giảm theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 .58 Hình 6.6 Thời gian thực thuật tốn giảm giữ liệu theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 59 Hình 6.7 Dữ liệu giảm theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 0,5 61 Hình 6.8 Thời gian thực thuật toán giảm giữ liệu theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 0.5 62 Hình 6.9 So sánh nhiệt độ trung bình chế giảm liệu giảm liệu 65 so với nhiệt độ trung bình liệu thơ theo khoảng thời gian 65 Hình 6.10 So sánh nhiệt độ trung bình chế giảm liệu giảm liệu so với nhiệt độ trung bình liệu thơ theo Cảm biến 66 Hình 6.11 Tỉ lệ lỗi trung bình nhiệt độ theo khoảng thời gian 67 Hình 6.12 Tỉ lệ lỗi trung bình nhiệt độ theo cảm biến 67 Hình 6.13: Tổng quan hệ thống sử dụng mạng cảm biến để giám sát môi trường 69 Hình 6.14 Hệ thống thử nghiệm theo dõi thơng tin khí hậu 70 Hình 6.15 Đăng ký truy vấn từ người dùng 70 Chương GIỚI THIỆU Mạng cảm biến không dây sử dụng nhiều lĩnh vực ứng dụng dân sự, bao gồm môi trường, giám sát môi trường sống, ứng dụng chăm sóc sức khỏe, nhà tự động hóa điều khiển giao thơng, Cho đến nay, có nhiều nghiên cứu thực thiết kế cấu trúc mạng cảm biến phù hợp triển khai lĩnh vực ứng dụng Bên cạnh đó, việc quản lý xử lý thơng tin thu từ mạng cảm biến yêu cầu cấp thiết liệu dạng dòng (data stream) thu liên tục theo thời gian thực Dữ liệu thu thường có nhiều nhiễu lặp lại khoảng thời gian Vì để tiết kiệm tài ngun dung lượng nhớ khan tăng tốc thời gian xử lý, cần có biện pháp tiền xử lý trước đưa vào quản lý sử dụng lâu dài ứng dụng hỗ trợ định Nghiên cứu tập trung tìm hiểu, giới thiệu hệ thống theo dõi thông tin thời tiết khảo sát kiến trúc hệ thống ứng dụng công nghệ mạng cảm biến Một số kỹ thuật xử lý lưu trữ dòng liệu cảm biến theo thời gian thực thiết kế để hỗ trợ truy vấn liên quan tới liệu biến đổi liên tục theo không gian thời gian Đặc biệt nghiên cứu tìm hiểu triển khai phương pháp xử lý liệu cảm biến thu với mục tiêu giảm dung lượng lưu trữ đồng thời đảm bảo độ xác thơng tin Hiệu phương pháp đánh giá truy vấn liệu theo thay đổi điều kiện truy vấn liên quan tới không gian thời gian 1.1 Bối cảnh chung Sự tiến mạng cảm biến công nghệ phần cứng đại đưa tới đời khái niệm điện toán đến khắp nơi cho ứng dụng giới thực giám sát địa vật lý, theo dõi vi khí hậu, giám sát nhiễm khơng khí, theo dõi chuyển động, theo dõi cấu trúc sức khỏe, theo dõi bệnh nhân y tế, Mạng cảm biến tạo nên số lượng lớn cảm biến, chúng có khả thu thập giao tiếp liệu liên tục với (như hình 1.1) Những cảm biến thiết kế để thu liệu phạm vi khu vực ứng dụng cụ thể (ví dụ: nhiệt độ, ánh sáng, âm áp suất), liệu sau truyền máy chủ cách phối hợp với trạm trung gian khác đặt gần chúng Các máy chủ giám sát toàn hệ thống, quản lý liệu thu cung cấp giao diện để xử lý truy vấn người dùng hiển thị kết truy vấn cho người dùng Các cảm biến tiết kiệm lượng phương pháp truyền thơng tối ưu [Madd 2005] Hình 1.1 Tổng quan mạng cảm biến Trong môi trường này, liệu cảm biến định nghĩa siêu liệu (ví dụ: liệu lưu trữ), bao gồm thông tin không gian (địa điểm), chi tiết kỹ thuật liệu đo (ví dụ: liệu cảm biến) với thời gian [Bonn 2001, Yao 2002] Những liệu sử dụng để trả lời không truy vấn không gian thời gian, mà cịn truy vấn khơng gian thời gian Để có kết truy vấn hệ thống ứng dụng thực hoạt động liên quan đến điều kiện không gian, thời gian, khơng gian thời gian Theo đó, giải pháp tốt cho vấn đề xử lý hiệu truy vấn phức tạp liên quan đến không gian, thời gian không gian thời gian cần thiết Các loại truy vấn lịch sử chủ yếu phân tích định kỳ thống kê số liệu luồng liệu Vì vậy, hiểu tính liệu mạng cảm biến quan trọng xử lý hiệu truy vấn cung cấp dịch vụ tối ưu theo yêu cầu ứng dụng Cho đến nay, nhiều cơng trình nghiên cứu xử lý truy vấn liệu mạng 61 100% 90% 80% 70% 60% Raw 50% Naïve 40% Level1 (TL:0,5) 30% Level2 (TL:0,5) 20% Event-weight 10% 0% 9000 27000 45000 90000 180000 Tổng số mẫu Hình 6.7 Dữ liệu giảm theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 0,5 Như hình 6.7: cho thấy liệu theo chế ba pha liệu giảm nhiều so với chế Event-weight TinyDB, mà độ xác liệu chấp nhận Từ liệu ban đầu, sau sử dụng chế giảm liệu ba pha, liệu giảm đáng kể Cụ thể sau: - - Với 000 mẫu: o Pha Naïve: liệu giảm 10,37% so với liệu thô ban đầu o Pha Level1: với ngưỡng giá trị khoảng cách liệu giảm 71,34% so với pha Nạve, giảm 74,31% so với liệu thô ban đầu o Pha Level2: với ngưỡng giá trị khoảng cách liệu giảm 57,6% so với pha Level1, giảm 89,11% so với liệu thô ban đầu o Trong chế Event-weight TinyDB liệu giảm 50% so với liệu thô ban đầu Với 90 000 mẫu: o Pha Naïve: liệu giảm 16,56% so với liệu thô ban đầu o Pha Level1: với ngưỡng giá trị khoảng cách liệu giảm 71,63% so với pha Naïve, giảm 76,33% so với liệu thô ban đầu o Pha Level2: với ngưỡng giá trị khoảng cách liệu giảm 62 - 57,3% so với pha Level1, giảm 89,91% so với liệu thơ ban đầu o Trong chế Event-weight TinyDB liệu giảm 50% so với liệu thô ban đầu Với 180 000 mẫu: o Pha Naïve: liệu giảm 21,35% so với liệu thô ban đầu o Pha Level1: với ngưỡng giá trị khoảng cách 0,5 liệu giảm 51,39% so với pha Naïve, giảm 61,77% so với liệu thô ban đầu o Pha Level2: với ngưỡng giá trị khoảng cách 0,5 liệu giảm 58,1% so với pha Level1, giảm 83,99% so với liệu thơ ban đầu Trong chế Event-weight TinyDB liệu giảm 50% so với liệu thơ ban đầu Thời gian thực thuật tốn (giây) 6,000 5,000 4,000 3,000 Naïve Level1 (TL:0,5) Level2 (TL:0,5) 2,000 1,000 9000 27000 45000 90000 180000 Tổng số mẫu Hình 6.8 Thời gian thực thuật tốn giảm giữ liệu theo chế ba pha với tập cảm biến ngưỡng giá trị khoảng cách Level1 Level2 0.5 - Thời gian để thực thuật toán giảm liệu theo chế ba pha thể hình 6.8 Cụ thể sau: Với 000 mẫu: o Pha Naïve: thời gian thực 33 giây 63 - - o Pha Level: với ngưỡng giá trị khoảng cách 0,5 thời gian giây o Pha Level2: với ngưỡng giá trị khoảng cách 0,5 thời gian giây Với 90 000 mẫu: o Pha Naïve: thời gian thực 511 giây o Pha Level1: với ngưỡng giá trị khoảng cách 0,5 thời gian 12 giây o Pha Level2: với ngưỡng giá trị khoảng cách 0,5 thời gian giây Với 18 000 mẫu: o Pha Naïve: thời gian thực 434 giây o Pha Level1: với ngưỡng giá trị khoảng cách 0,5 thời gian 50 giây o Pha Level2: với ngưỡng giá trị khoảng cách 0,5 thời gian 17 giây thực thực thực thực thực thực Phương pháp lấy mẫu dựa Event-weight TinyDB loại bỏ giá trị liệu gần không đổi thay đổi chút thời gian, có hiệu tốt so với pha Nạve Tuy nhiên, phương pháp lấy mẫu dựa Event-weight TinyDB đưa hiệu suất thấp so với pha Level1 Bên cạnh đó, đề xuất giảm liệu theo phương pháp thí nghiệm giảm khoảng 9% đến 23% liệu so với liệu thô pha Naïve, giảm 50% đến 75% so với liệu thô pha Level1 (tùy thuộc vào ngưỡng giá trị khoảng cách), giảm khoảng 75% đến 90% so với liệu thô Level2 (tùy thuộc vào ngưỡng giá trị khoảng cách) Tức nút cảm biến loại bỏ mẫu trước lưu trữ vào nhớ, có khoảng 81% đến 77% liệu giữ lại Với việc sử dụng ngưỡng giá trị khoảng cách dựa liệu thực pha Level1 giảm lưu trữ so với pha Nạve nhiều, điều tiết kiệm dung lượng lưu trữ nhiều Bởi chiến lược tối ưu liệu pha Level1 kết hợp số mẫu liệu khoảng thời gian dựa ngưỡng khoảng cách giá trị định nghĩa, thường khoảng thời gian có khoảng mẫu kết hợp theo ngưỡng giá trị khoảng cách Nếu liệu bị tràn sau pha Nạve pha Level1 tiếp tục thực tối ưu liệu theo pha Level2, theo pha liệu giảm nhiều so với liệu ban đầu Trong chế giảm liệu ba pha, giá trị gần lấy từ giá trị trung bình tổng giá trị liệu đạt từ khoảng thời gian đó, cho độ tin cậy liệu giá trị cao Đặc biệt, pha Level1 thuật toán giảm liệu đề xuất thực số mẫu liệu có giá trị khác biệt nhỏ, mà từ giá trị gần giá trị đại 64 diện cho nhóm Hình 6.7 cho thấy thử nghiệm bốn phương pháp để biểu rõ độ giảm liên tục liệu theo thời gian với dịng liệu đến Dữ liệu ước tính cịn phù hợp với liệu thơ Do dung lượng lưu trữ hạn chế nút cảm biến, liệu gửi liên tục, nên hiệu để lưu trữ tất liệu đến không khả quan Do chế tối ưu liệu cách giảm liệu theo chế ba mang lại hiệu tốt 6.3 Độ xác truy vấn Sau thực nén liệu, điều quan trọng mà ta quan tâm chất lượng liệu có ảnh hưởng lớn đến tính xác truy vấn hiệu hệ thống hay khơng Hình 6.8 biểu diễn kết truy vấn trung bình ngày theo nhiệt độ Hình 6.9 hiển thị kết truy vấn trung bình cảm biến theo nhiệt độ Kết nhiệt độ trung bình thu từ chế Event-weight phương pháp TinyDB chế giảm liệu ba pha Naïve, Level1 Level2, kết chương trình giảm liệu khác Các lỗi nhỏ kết truy vấn sau gây mát thơng tin chấp nhận Dữ liệu độ tin cậy thực liệu thô Cơ chế giảm thiểu liệu đặc biệt phù hợp với ứng dụng mạng cảm biến mà giá trị thay đổi theo thời gian Ví dụ, liệu môi trường nhiệt độ khu vực cụ thể thay đổi cho khoảng thời gian Tính nhiệt độ trung bình chế giảm liệu ba pha với chế dựa kiện lấy mẫu Event-weight cho mơ hình phân tán liệu so sánh với nhiệt độ trung bình liệu thơ ban đầu để xác định độ xác liệu sau sử dụng tối ưu hóa liệu Để đánh giá khách quan thực nghiệm thực so sánh nhiệt độ trung bình theo hai cách: nhiệt độ trung bình theo thời gian nhiệt độ trung bình theo nút cảm biến Nhiệt độ trung bình theo thời gian: thời gian tính nhiệt độ trung bình ngày liên tiếp, từ ngày 25/03/2014 đến ngày 02/04/2014 hai chế so với nhiệt độ trung bình liệu thơ Như thể hình 6.8 65 Nhiệt độ trung bình (độ C) 27.5 27 26.5 26 Raw Event-weight 25.5 Naïve Level1 Level2 25 24.5 Hình 6.9 So sánh nhiệt độ trung bình chế giảm liệu giảm liệu so với nhiệt độ trung bình liệu thơ theo khoảng thời gian Như hình 6.9 cho thấy độ xác liệu sau sử dụng chế giảm liệu ba pha cho kết tương đối sát với kết trung bình nhiệt độ liệu thơ Độ lệch nhiệt độ trung bình so với nhiệt độ trung bình liệu thơ chế giảm liệu ba pha sau: thấp 0,0040C cao 0,18710C pha Naïve; thấp 0,00820C cao 0,21110C pha Level1; thấp 0,00740C cao 0,21150C pha Level2 Trong độ lệch so với thô chế Event-weight sau: thấp 0,2970C cao 1,21790C Như ta thấy độ xác liệu chế giảm liệu ba pha sát với liệu thơ ban đầu, cho dù có sử dụng qua pha liệu tin cậy nhiều so với chế giảm liệu Event-weight Nhiệt độ trung bình theo cảm biến: tính nhiệt độ trung bình theo cảm biến ngày liên tiếp, từ ngày 25/03/2014 đến ngày 02/04/2014 hai chế so với nhiệt độ trung bình liệu thơ Như thể hình 6.10 bên dưới: độ lệch trung bình liệu chế giảm liệu Event-weight cao so với chế 66 giảm liệu ba pha, so với liệu thô Tại chế giảm liệu ba pha độ lệch thấp là: 0,13570C cao 0,44370C; độ lệch theo chế giảm liệu Event-weight: thấp 0,99070C cao 2,00820C 28.5 Nhiệt độ trung bình (độ C) 28 27.5 27 26.5 26 25.5 25 Raw Event-weight Naïve Level1 24.5 Level2 24 23.5 23 Hình 6.10 So sánh nhiệt độ trung bình chế giảm liệu giảm liệu so với nhiệt độ trung bình liệu thô theo Cảm biến Sau thực nghiệm với hai cách so sánh truy vấn với nhiệt độ trung bình thấy rằng, chế dựa kiện lấy mẫu Event-weight dẫn đến độ xác thấp so với chế giảm liệu ba pha, loạt thay đổi giá trị khoảng thời gian mang lại liệu khơng phù hợp mơ hình phân tán liệu Mặc dù chế giảm liệu ba pha thường xuyên thực số thay đổi mô hình phân tán liệu, điểm mấu chốt liệu gần trì với lỗi thấp Nếu liệu lưu trữ nút cảm biến với nhiều lỗi cao tỉ lệ lỗi bất thường, độ tin cậy liệu giảm theo thời gian Tương tự tỉ lệ lỗi trung bình có khác biệt chế giảm liệu, thể hình 6.11 6.12 bên 67 1.4 1.2 Tỉ lệ lỗi trung bình 0.8 0.6 0.4 0.2 Raw Event-weight Naïve Level1 Level2 -0.2 -0.4 Hình 6.11 Tỉ lệ lỗi trung bình nhiệt độ theo khoảng thời gian 2.5 Tỉ lệ lỗi trung bình 1.5 0.5 Raw Event-weight Navie Level1 -0.5 Level2 -1 -1.5 Hình 6.12 Tỉ lệ lỗi trung bình nhiệt độ theo cảm biến Trong chế giảm liệu, tỉ lệ lỗi trung bình bao gồm trường hợp xấu 68 trường hợp tốt tương ứng ± 0,448 ± 0,007 Các kết thử nghiệm đưa chế giảm liệu ba pha Naïve Level1 tốt so với thu Level2 Tuy nhiên, độ lệch liệu thực nhỏ, độ xác liệu cao Ngồi so với chế giảm liệu ba pha chế Event-weight tỉ lệ lỗi trung bình trường hợp xấu tốt tương ứng ± 2.008 ±0,297, cao nhiều so với chế giảm liệu ba pha, đặc biệt độ xác so với liệu thơ thấp 6.4 Hiệu xử lý truy vấn cách sử dụng Proxy hệ thống thử nghiệm theo dõi khí hậu Khi phạm vi truy vấn lịch sử gửi tới mạng cảm biến tiêu thụ lượng mạng cảm biến tiết kiệm cách sử dụng proxy để lọc phạm vi truy vấn trùng lặp với phạm vi truy vấn thực trước Mục đích proxy hoàn toàn ngăn chặn xử lý lặp lặp lại hoạt động tương tự cách lưu trữ truy vấn từ truy vấn ban đầu, cho phép phân tán thích hợp truy vấn mạng hệ thống ứng dụng Đánh giá truy vấn thực cách thiết lập truy vấn ngẫu nhiên giảm phạm vi truy vấn Số lượng ghi thuộc phạm vi truy vấn với proxy không sử dụng proxy mạng cảm biến đề xuất Thử nghiệm với tất mẫu liệu cho loạt truy vấn liệu tích lũy này, với trường hợp truy vấn phát từ người dùng giống Việc hỗ trợ chức proxy, ngăn chặn tái xử lý truy vấn xử lý, trước phân tán vào mạng cảm biến Như vậy, số lượng mẫu thao tác mạng cảm biến cho truy vấn giảm nhiều, so với phương pháp tiếp cận khơng sử dụng proxy Đã có nhiều nghiên cứu trước đánh giá hiệu việc sử dụng Proxy hiệu việc xử lý truy vấn Dưới hệ thống thử nghiệm theo dõi khí hậu: 69 Hình 6.13: Tổng quan hệ thống sử dụng mạng cảm biến để giám sát mơi trường Hình 6.13 mơ tả kiến trúc mạng cảm biến triển khai quản lý thông tin khí hậu số khu vực Mạng cảm biến bao gồm nút cảm biến thu thập liệu theo yêu cầu ứng dụng cụ thể nhiều trạm sở nhận liệu truyền đến từ mạng cảm biến Dữ liệu cảm biến gửi từ trạm trạm sở lưu trữ hệ thống tập trung Rồi tổ chức quản lý sử dụng cho mục đích khác truy vấn dùng để phân tích thống kê khai thác liệu, Và xử lý truy vấn hiệu mục tiêu hệ thống theo dõi thời tiết đề xuất Ứng dụng theo dõi thời tiết dựa kiến trúc hệ thống đề xuất Các cảm biến nhiệt độ phân tán khu vực không gian thu thập truyền tải luồng liệu tới máy chủ Máy chủ nhận liệu từ cảm biến giám sát thời gian thực Người dùng thường đăng ký truy vấn liên tục, hệ thống thực truy vấn đăng ký liên tục dòng liệu đến theo điều kiện truy vấn 70 Hình 6.14 Hệ thống thử nghiệm theo dõi thơng tin khí hậu Hình 6.14 giao diện cho hệ thống theo dõi thời tiết Hệ thống hiển thị liệu từ cảm biến thời gian thực, liệu tự động cập nhật có thay đổi giá trị so sánh với giá trị cũ nhớ Hình 6.15 Đăng ký truy vấn từ người dùng 71 Hình 6.15 thể việc đăng ký truy vấn Bộ xử lý truy vấn liên tục tạo kết truy vấn giá trị nhiệt độ đo từ cảm biến tất khu vực Người dùng đăng ký truy vấn cho phép người dùng nhận thông báo sau gửi truy vấn kết hiển phía Nếu truy vấn phát trùng lặp với phạm vi truy vấn trước hệ thống tự động trả kết dựa vào thơng tin có sẵn bảng truy vấn lịch sử Như nhờ kỹ thuật xử lý truy vấn trùng lặp mang lại tính tối ưu việc truyền liệu mạng cảm biến hệ thống ứng dụng, tránh xử lý nhiều lần thao tác truy vấn trùng lặp 72 Chương KẾT LUẬN Mạng cảm biến bao gồm số lượng lớn cảm biến thu truyền liệu liên tục giới vật chất Dữ liệu cảm biến mạng cảm biến không liên quan đến thuộc tính khơng gian thời gian ngồi khơng gian thời gian Để xử lý truy vấn ứng dụng mạng cảm biến hệ thống phải thực thao tác liên quan đến điều kiện khơng gian, thời gian, ngồi khơng gian thời gian Theo đó, giải pháp tốt cho vấn đề xử lý hiệu truy vấn phức tạp yêu cầu cấp thiết Đối với loại truy vấn lịch sử, yêu cầu chủ yếu cho việc phân tích định kỳ số liệu thống kê luồng liệu, hiểu đặc điểm liệu mạng cảm biến quan trọng đối để xử lý có hiệu cung cấp dịch vụ tối ưu theo yêu cầu ứng dụng Trong luận văn nghiên cứu kỹ thuật xử lý truy vấn liệu lịch sử cảm biến dựa kiến trúc proxy chế giảm liệu ba pha cho mạng cảm biến với kho lưu trữ tập trung với mục tiêu tiêu thụ lượng hiệu sử dụng tối ưu nguồn lượng hạn chế Tùy thuộc vào dung lượng lưu trữ nút cảm biến, liệu nén lỏng lẻo nén chặt Ngoài ra, sử dụng kiến trúc proxy để xử lý truy vấn truyền tải kết gói liệu mạng cảm biến hệ thống ứng dụng Với hỗ trợ bảng siêu liệu trì lịch sử truy vấn Luận văn đã:  Tìm hiểu kiến trúc mạng cảm biến mơ hình liệu, phương án lưu trữ liệu hiệu mơ hình truy vấn theo điều kiện khơng gian, thời gian không gian thời gian  Giới thiệu cách giảm thiểu liệu theo chế ba pha, giá trị đọc từ cảm biến liên tục kiểm tra, khác biệt giá trị đọc liên tiếp nhỏ giá trị loại bỏ Điều giúp loại bỏ trùng lặp liệu Vì giá trị gần lưu nút cảm biến, đảm bảo độ xác cao kết truy vấn  Xây dựng hệ thống thử nghiệm cài đặt phương pháp nghiên cứu Hiệu xử lý đánh giá thông qua số yếu tố, mức độ 73 xác liệu sau trải qua thao tác nén, hiệu sử dụng lưu trữ nút cảm biến, số lượng ghi liệu xử lý trình thực truy vấn hiệu việc sử dụng proxy để quản lý liệu xử lý truy vấn Trong kết thử nghiệm, lưu trữ liệu mạng cảm biến với hỗ trợ chế giảm thiểu liệu ba pha giảm 15% nhiều 88% so với liệu thô Tóm lại, phương pháp nén giảm liệu cảm biến không giúp giảm lượng liệu đáng kể xử lý truy vấn phức tạp (ví dụ: truy vấn khơng gian, thời gian), mà cịn đảm bảo tính xác cho câu trả lời mức độ chấp nhận Bên cạnh đó, kích thước gói liệu truyền mạng giảm, dẫn đến tiêu thụ lượng hiệu Theo đó, truy vấn phù hợp xử lý với trường hợp giới hạn lượng nút cảm biến Chính kỹ thuật đề xuất áp dụng cho nhiều ứng dụng, theo dõi cấu trúc sức khỏe, giám sát vi khí hậu, theo dõi chuyển động, số lượng lớn liệu mạng cảm biến cần phải thu thập, quản lý, phân tích, thao tác hiển thị cách hiệu 74 TÀI LIỆU THAM KHẢO Tài liệu tham khảo tiếng Anh [Aly 2008] M Aly, A Gopalan, J Zhao, A M Youssef, “STDCS: A SpatioTemporal Data-Centric Storage Scheme For Real-Time Sensornet Applications” In Proceedings of the Fifth Annual IEEE Communications Society Conference on Sensor, Mesh and Ad Hoc Communications and Networks, pp.377-385, 2008 [Bonn 2001] P Bonnet, J Gehrke, P Seshadri, “Towards Sensor Database Systems” Mobile Data Management, Second International Conference, pp.3-14, 2001 [Bott 2004] M Botts, “Sensor Model Language” http://vast.nsstc.uah.edu/ SensorML/SensorML_04-019_1.0_beta.doc, 2004 [Deli 2005] A Deligiannakis, Y Kotidis, “Data Reduction Techniques in Sensor Networks” IEEE Data Engineering Bulletin Vol.28, No.1, pp.19-25, 2005 [Diao 2007] Y Diao, D Ganesan, G Mathur, P J Shenoy, “Rethinking Data Management for Storage-centric Sensor Networks” In Proceedings of the Third Biennial Conference on Innovative Data Systems Research, pp.22-31,2007 [Desh 2006] A Deshpande, S Madden, “MauveDB: supporting model-based user views in database systems” In Proceedings of the ACM SIGMOD International Conference on Management of Data, pp.73-84, 2006 [Gane 2003b] D Ganesan, D Estrin, J S Heidemann, “Dimensions: why we need a new data handling architecture for sensor networks?” Computer Communication Review, Vol.33, No.1, pp.143-148, 2003 [Gane 2005] D Ganesan, B Greenstein, D Estrin, J S Heidemann, R Govindan, “Multiresolution storage and search in sensor networks” ACM Transactions on Storage, Vol.1, No.3, pp.277-315, 2005 [Gil 2007] T M Gil, S Madden, “Scoop: An Adaptive Indexing Scheme for Stored Data in Sensor Networks” In Proceedings of the 23International rd Conference on Data Engineering, pp.1345-1349, 2007 10 [Gola 2006] L Golab, P Prahladka, M T Özsu, “Indexing Time-Evolving Data With Variable Lifetimes” In Proceedings of the 18 International th Conference on Scientific and Statistical Database Management, pp.265-274, 2006 11 [Gree 2003] B Greenstein, S Ratnasamy, S Shenker, R Govindan, D Estrin, “DIFS: A Distributed Index for Features in Sensor Networks” AdHoc Networks, Vol.1, No.2, pp.333-349, 2003 12 [Lee 2008] Y K Lee, K H Ryu, “Historical Sensor Data Management Using 75 Temporal Information” Journal of Korea Spacial Information System Society, Vol.10, No.4, pp.92-96, 2008 13 [Madd 2005] S Madden, M J Franklin, J M Hellerstein, W Hong, “TinyDB: an acquisitional query processing system for sensor networks” ACM Transactions on Database Systems, Vol.30, No.1, pp.122-173, 2005 14 [Madd 2003] S Madden, M J Franklin, J M Hellerstein, W Hong, “The Design of an Acquisitional Query Processor For Sensor Networks” In Proceedings of the ACM SIGMOD International Conference on Management of Data, pp.491-502, 2003 15 [Madd 2002a] S Madden, M J Franklin, “Fjording the Stream: An Architecture for Queries Over Streaming Sensor Data” In Proceedings of the 18th International Conference on Data Engineering, pp.555-566, 2002 16 [Madd 2002b] S Madden, M J Franklin, J M Hellerstein, W Hong, “TAG: A Tiny AGgregation Service for Ad-Hoc Sensor Networks” 5th Symposium on Operating System Design and Implementation, 2002 17 [Math 2006] G Mathur, P Desnoyers, D Ganesan, P J Shenoy, “Capsule: an energy-optimized object storage system for memory-constrained sensor xevices” In Proceedings of the 4th International Conference on Embedded Networked Sensor Systems, pp.195-208, 2006 18 [Ratn 2003] S Ratnasamy, B Karp, S Shenker, D Estrin, R Govindan, L Yin, F Yu, “Data-Centric Storage in Sensornets with GHT, a Geographic Hash table” Mobile Networks and Applications Vol.8, No.4, pp.427-442, 2003 19 [Sada 2005] N Sadagopan, B Krishnamachari, A Helmy, “Active query forwarding in sensor networks” AdHoc Networks, Vol.3, No.1, pp.91-113, 2005 20 [Su 2012] Su Wook Ha, Yang Koo Lee, Thi Hong Nhan Vu, Young Jin Jung, Keun Ho Ryu “An Environmental Monitoring System for Managing ST sensor”, 2012 21 [Suen 2008] S Suenaga, S Honiden, “Name-based location service for mobile agents in wireless sensor networks” In Proceedings of the 1st International Conference on MOBILe Wireless MiddleWARE, Operating Systems, and Applications, pp.3, 2008 22 [Yao 2002] Y Yao, J Gehrke, “The Cougar Approach to In-Network Query Processing in Sensor Networks” SIGMOD Record, Vol.31, No.3, pp.9-18, 2002 23 [Zhao 2002] J Zhao, R Govindan, and D Estrin, “Computing aggregates for monitoring wireless sensor networks” In IEEE International Workshop st on Sensor Network Protocols and Applications, 2002