1 / 30

Comunicaciones Selectivas en Redes de Sensores

Comunicaciones Selectivas en Redes de Sensores. Jesús Cid Sueiro. Diciembre 2011. Contexto. Actividad previa en redes de sensores, Dos proyectos financiados de ámbito nacional, y varios regionales:

lidia
Download Presentation

Comunicaciones Selectivas en Redes de Sensores

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ComunicacionesSelectivas en Redes de Sensores Jesús Cid Sueiro Diciembre 2011

  2. Contexto • Actividad previa en redes de sensores, • Dos proyectos financiados de ámbito nacional, y varios regionales: • Modelos de Aprendizaje e Inferencia Distribuida para Redes Ad-Hoc (Subproyecto 2) (TEC2005-06766-C03-02/TCM) 2005-2008. • IP: Jesús Cid Sueiro. • Nuevos Algoritmos de Procesado y Transmisión Selectivas en Redes de Sensores: Aplicación a Clasificación y Seguimiento de Blancos. (TEC2008-01348/TEC). 2009-2011. • IP: Francisco J. González Serrano • Investigadores participantes: • UC3M: 2 profesores doctores + 2 estudiantes de doctorado • URJC: (3 D) • UniLeon (1 D) • EPFL, Switzerland (1D), • Aahrus Univ., Denmark (1),

  3. Red de Sensores • WSN (Romer, 2004) • Red • No fragmentada • Multisalto • Ad-hoc • De gran escala • De Sensores • Homogéneos • Inmóviles (tras el despliegue) • Pequeños • De recursos limitados • De baja complejidad • Desplegados aleatoriamente

  4. ER+ET Batería xk ER Importancia acumulada Antecedentes • Escenario: • Nodos con baterías finitas y no recargables. • Mensajes graduados con un valor de importancia • Significancia (Wood, 2002), prioridad (Muraleedharam, 2006), relevancia (Wischoof, 2003), utilidad (Athanassoulis, 2007), QoI… • Análisis de decisiones transmitir / no transmitir A B xk xk xk dk=1 dk=0 ¿Cuál es la mejor decisión?

  5. Modelo de Teoría de la Decisión (Arroyo-Valles,2006): • Dos alternativas: “Tx” o “no Tx” • Dos hipótesis: el nodo vecino reenviará o no reenviará el mensaje. • Costes: • de no transmir c0 = ER • de transmitir un mensaje no reenviado: c10 = ER+ET • de transmitir un mensaje reenviado: c11=ER+ET – a x La estrategia de mínimo coste medio es:

  6. Otros problemas relacionados… • The secretary problem (Flood, 1949) (Gardner, 1960) • The “house selling” problem • “Stopping rules” en análisis secuencial • Knapsack problems y, en general, problemas de programación dinámica y asignación de recursos • Procesos de Decisión de Markov (MPD, Markov Decision Processes) • Ahorro de energía por agregación de datos vs retardo de transmisión (transmitir o retardar) (Ye, 2009) • Compromiso entre el ahorro de los estados de baja energía y la eficiencia del sensor (Kianpisheh, 2009) • Optiización de una función que combina consumo de energía, caudal y retardo (Munirand, 2009).

  7. Un modelo del problema basado en MDP • Vector de estado: (ek, xk) (Energía, importancia) en el “instante” k. • Acciones: Tx (dk=1), No Tx (dk=0) (y el mensaje se descarta) • Dinámica de estados: • Costes (modelo simplificado): • ET, de transmitir • ER, de recibir (igual al de captura de datos del sensor) • EI, del estado de reposo (idle) • PI, probabilidad de reposo. • La energía se reduce en • ET+ER, si dk=1, • ER, si dk=0,

  8. Un modelo del problema basado en MDP • Índice de éxito: qk, binario {0,1} • Tres casos: • Éxito global: qk=1  el mensaje enviado llega a destino. • Éxito local: qk=1  el mensaje enviado es reenviado • Éxito orden 0: qk=1  el mensaje es enviado. • Recompensas: • Si Tx: rk = xkqk • Si No Tx: rk = 0 • Objetivo: • Maximizar la importancia total esperada

  9. Resolución. • Teorema 1: La estrategia óptima es siendo Qk(e,xk) la probabilidad de éxito al enviar xk y • Problemas: recursión hacia delante, ecuaciones multifuncionales irresolubles, determinación de Qk…

  10. Modelo estacionario: • Estacionariedad: • Estadísticos de consumos e importancias independientes de k. • Probabilidad de reenvío independiente de k. • Teorema 2: La estrategia óptima es siendo • Problemas: recursión hacia adelante, ecuación funcional irresoluble, determinación de Q.

  11. Evolución del umbral • Para ilustrar la función de umbral, consideremos el siguiente modelo simplificando: • Éxito de orden 0 ( qk=1 Q=1). • Distribución de importancias conocida. • Umbral óptimo, en función de la energía, cuando sólo queda energía para una transmisión. • (ET=1, Distrib U(0,2))

  12. Evolución del umbral. • Umbral óptimo, en función de la energía, para diferentes distribuciones de importancia. Uniforme Exponencial Pareto

  13. Umbrales asintóticos • El cálculo del umbral óptimo es computacionalmente prohibitivo. • Sin embargo, para e grande, el umbral es asintóticamente constante. • Teorema 3: El umbral asintótico es solución (única) de la ecuación [¡y puede estimarse recursivamente!] • El umbral asintótico permite prescindir de e, y suprime una componente de no estacionaridad en los nodos …

  14. Diseño experimental • Nodos homogéneos, • Idéntica carga inicial, radio de cobertura, patrón de consumo. • ET=4, ER=1, EI=0 • Nodo de destino con energía ilimitada. • Los nodos funcionan hasta que se agotan sus baterías. • La red muere cuando muere su último nodo. • Generación secuenciada y aleatoria de mensajes. • Enrutamiento por reenvío voraz (greedy forwarding) (Karp, 2000). • Redes de sensores: • NS: No selectivos • AT: Adaptive Transmitter (Sensores Selectivos de orden 0) • LF: Local Forwarder (Índice de éxito local) • GF: Global Forwarder (Índice de éxito global).

  15. Nodos con información completa • Información completa: los nodos conocen (a coste cero) el umbral usado por sus vecinos. • Caso 1: Red en cadena de 30 nodos igualmente espaciados: • Nodos 1-28: U(0,1). Nodo 29: U(0,2) • LF, que sólo precisa información local, tiene prestaciones casi idénticas a los nodos GF.

  16. Nodos AT • Caso 2: Red de doble rama. • Tráfico en cada rama: • Rama superior U(0,1) • Rama inferior U(1,2) • Nodo 21 mezcla. • La propagación hacia atrás de los umbrales inhibe el envío de mensajes irrelevantes. Nodos LF

  17. Caso 3: Agotamiento de baterías • Escenario: • m1=1.6, m2=2.6, m3=0.95 • Nodo 2, batería baja. • Cuando muere el nodo 2, el nodo 1 reajusta el umbral.

  18. Nodos con información incompleta • Información incompleta: los nodos desconocen los umbrales de los vecinos: • Aprendizaje: • LF-EST: Los nodos estiman la probabilidad de reenvío mediante un modelo de regresión logística. • Realimentación: • LF-VAR: Los nodos comunican el umbral a sus vecinos cada vez que varía significativamente. • LF-BEAC: Los nodos comunican el umbral periódicamente mediante balizas (beacons)

  19. Nodos con información incompleta • Caso 4: Red de 140 nodos distribuido sobre un área rectangular. • La fase de estimación o realimentación tiene un efecto moderado en las prestaciones.

  20. Conclusiones • El reenvío selectivo mejora las prestaciones de los transmisores selectivos que no tienen en cuenta el comportamiento de los vecinos. • El uso de información local (sensores LF) es equiparable al uso de información global (senores GF) (o mejor, si se tienen en cuenta los costes).

  21. Hipótesis en este y otros modelos • Cada sensor … • (H1) puede cuantificar la importancia, x, de cada mensaje • +(H1b) La suma de importancias es una buena medida de las prestaciones de un sensor. • (H2) puede medir el nivel de su batería. • +(H2b) Las baterías no son recargables • (H3) conoce el consumo energético de sus estados: detectar (ES), recibir, (ER), transmitir (ET), reposo (EI). • +(H3b) Los estados son observables • +(H3c) Estos consumos son constantes e independientes de x • (H4) puede verificar el reenvío de sus mensajes • (H5) sólo tiene dos opciones: Tx o no Tx • (H6) estacionaridad, ergodicidad e independencia

  22. Líneas de investigación • 1. Implementación de algoritmos sobre sensores reales • 2. Diseño de nuevos algoritmos de comunicaciones selectivas • 2.1. Algoritmos para observaciones dependientes • 2.2. Algoritmos para sensores no binarios • 2.3. Algoritmos para sensores recargables • 2.4. Algoritmos para sensores cooperativos • 2.5. Algoritmos para entornos no estacionarios • 2.6. Análisis teórico de sensores basados en MDP • 2.7. Otros dilemas entre información y consumo • 3. Aplicaciones: • 3.1. Seguimiento de blancos • 3.2. Clasificación y detección distribuida. • 3.3. Estimación Distribuida

  23. 1. Implementación. • Trabajo preliminar (enviado a RealWSN’2010). • Red de nodos TmoteSky conectados a un PC • Consumos de energía estimados a partir del tiempo que el nodo permanece en cada estado. • Dificultades: • Identificar estados • Imputar costes • Dependencia de parámetros MAC, red, tráfico …

  24. 2.3. Algoritmos para sensores recargables • Nuestro modelo en (Arroyo-Valles, 2009) no es aplicable a nodos recargables. • Soluciones: • Cambiar el criterio de diseño y discretizar el espacio de estados (Lei, 2009). Difícilmente adaptativo. • Otras opciones: • Ponderación exponencial a las importancias • Modelos de aprendizaje por refuerzo.

  25. 2.3. Algoritmos para sensores cooperativos • El análisis conjunto de los MDP de todos los nodos se complica • (Lei, 2009) (Arroyo-Valles, 2009) basan el diseño en un nodo aislado. • Sin embargo, la optimización global puede mejorar significativamente las prestaciones: • Al evaluar costes, los nodos tendrán en cuenta sus costes de Tx y todos los de Rx-Tx subsiguientes. • Potencialmente, las redes grandes con nodos cooperativos pueden ser mucho más eficientes incluso cuando los costes de Tx son bajos.

  26. 3.1 Seguimiento de blancos • Escenario: • 8 × 8 sensores distribuidos uniformemente sobre un área cuadrada 250 × 250 m2. • Blanco aislado móvil (Gustafsson, 2002) • Sensores acústicos

  27. Seguimiento de blancos • Seguimiento: • Filtro de partículas (Liu, 2003) • Esquema IDSQ (Information-Driven Sensor Querying) (Chu, 2002) • Las medidas se envían a un nodo líder (en un rango R o 2R) • El lider encamina las medidas al destino. • Estrategias selectiva: • Importancia igual a la amplitud de la medida del sensor.

  28. Seguimiento de blancos • Caso 1: Agregación de datos.

  29. Seguimiento de blancos • Caso 2: Fusión de datos.

  30. 3.2. Detección y clasificación distribuida. • Objetivos: • Corto plazo: • En modelos de redes de censores con cotas sobre el consumo energético (Appadwedula, 2005) (Lázaro, 2008), integrar MDPs que determinen automáticamente las cotas. • Largo plazo: • Aprendizaje sensible a costes (Cost Sensitive Learning) sobre redes de sensores: • Problema: combinar costes energéticos y costes asociados a los errores (posiblemente dependientes de la observación) en un escenario de aprendizaje distribuido.

More Related