Martin Seiffert:
A model driven Classifier for distributed Event Detection Systems in Wireless Sensor Networks
Inhalt
Überblick
Ereigniserkennungssysteme in drahtlosen Sensornetzen erkennen Ereignisse wie Brandent-wicklung, Erdrutsche und Einbrüche in sicherheitsrelevante Areale mittels Temperaturdaten, Beschleunigungswerten und Bewegungsdaten aus PIR-Sensoren. Die ermittelten Rohdaten werden in dem an der Arbeitsgruppe „Computer Systems & Telematics“ der Freien Universi-tät Berlin entwickelten verteilten Ereigniserkennungssystem für drahtlose Sensornetze fusio-niert um trainierte Ereignisse zu klassifizieren. Es kommt der „nearest prototype classifactor“ zum Einsatz, welcher sich in mehreren Arbeit als geeignet erwiesen hat. Der Einsatz eines moderneren Sensorboards erlaubt jedoch den Einsatz verfeinerter und komplexer Erkennungs-Algorithmen (Klassifikatoren) um die resultierende Qualität zu optimieren.
K-Nearest Neighbour basierte Algorithmen, k-Means-Algorithmen oder auch statistische Klassifizierungen zur Bildung einer Trennfunktion können auf modernen Sensorknoten zum Einsatz kommen, um verteilte Ereigniserkennung durchzuführen. Unbekannt ist inwieweit diese bekannten Algorithmen auf drahtlosen Sensornetzen zum Einsatz kommen können und wie sie die verteilte Ereigniserkennung auch beeinflussen. Denkbar sind auch Ansätze zur Kombinationen mehrerer einfacher Klassifikatoren mit klassischen Ansätzen der Zusammen-arbeit wie Majority Voting, Summenregeln oder Belief Functions einzusetzen.
Weiterhin ist aus vorangegangenen Arbeiten bekannt, dass Kenntnisse aus einfachen Heurist-iken und Modellen wichtig sind, um drahtlose Sensornetze vor Hardwarefehlern, Ausfällen (Batteriestatus) oder Umwelteinflüssen (Temperatur) zu warnen. Diese Warn-Informationen sollen in Kooperation mit einem geeigneten Klassifizierer in der Lage sein, eine möglichst vertrauenswürde Klassifizierung vorzunehmen. In verteilten Szenarien wie dem AVS-Extrem-Projekt (Bauzaunüberwachung) stellt sich ins-besondere die Frage, welchen Einfluss bereits einfache Modelle- oder Heuristiken auf die Vertrauenswürdigkeit eines geeigneten Klassifikators und damit der Genauigkeit der Ereig-niserkennung haben.
Aufgaben
Eine Diplom- oder Masterarbeit in diesem Bereich umfasst folgende Punkte:
- Einarbeitung in AVS-Extrem und Erarbeitung eines ausgeprägten Signalverständnis über die im Projekt auftretenden Rohdaten und Ereignismerkmale des BOSCH-SMB380-Sensors.
- Implementierung einiger geeigneter Modelle/Heuristiken zur Prävention von typischen Sensornetzfehlern (s.o.).
- Evaluierung einiger bekannter Klassifikatoren für den Einsatz zur verteilten Ereignis-erkennung in Sensornetzen und Implementierung einer geeigneten Variante. Gesamt-bewertung der Klassifizierung (durch Heuristiken, o. ggf. Klassifikator-Kombination).
- Experimentelle Evaluation der verteilten Ereigniserkennung im Sensornetze anhand eines adäquat angelegten Feldversuches
Umfeld
Verteilte Ereigniserkennung in Sensornetzen ist derzeit ein aktuelles Thema in der Forschung. Die grundsätzliche Möglichkeit der Ereigniserkennung mit Hilfe der ScatterWeb Plattform wurde am Fachbereich bereits gezeigt, die Vorgehensweise ist gut dokumentiert und auf der Fence Monitoring Homepage beschrieben. Für den praktischen Teil der Arbeit stehen ScatterWeb Sensorknoten zur Verfügung, die am Fachbereich entwickelt wurden.
Zur Vernetzung der Aktivitäten der Arbeitsgruppe gibt es regelmäßige Treffen aller Studien- und Diplomarbeiter sowie der wissenschaftlichen Mitarbeiter der Arbeitsgruppe montags von 10:00 bis 12:00 Uhr.
Bei Interesse entweder bei Norman Dziengel (dziengel@inf.fu-berlin.de) melden oder einfach in Raum 135 vorbeikommen