Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

BBQ und MauveDB Jonathan Hellwig 20.07.2007 Data Management in Wireless Sensor Networks Timo Mika Gläßer & Ulf Leser.

Ähnliche Präsentationen


Präsentation zum Thema: "BBQ und MauveDB Jonathan Hellwig 20.07.2007 Data Management in Wireless Sensor Networks Timo Mika Gläßer & Ulf Leser."—  Präsentation transkript:

1 BBQ und MauveDB Jonathan Hellwig Data Management in Wireless Sensor Networks Timo Mika Gläßer & Ulf Leser

2 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 2 Modell driven data adquisition Daten werden nicht direkt abgerufen Daten fließen in Modellberechnung ein Daten werden vom Modell abgerufen Bespiel: Korrelation von Schuhgröße und Körpergröße Größere Schuhe -> mehr Körpergröße Schuhgröße -> Körpergröße Schuhgröße + Gewicht -> Körpergröße

3 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 3 Gliederung MauveDB BBQ Schlussfolgerungen Diskussion

4 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 4 MauveDB – Was ist das? Eine Datenbank Es können Model-Based-Views erstellt werden Datenerfassung unabhängig von MauveDB

5 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 5 MauveDB – Was ist das?

6 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 6 MauveDB - Wie Funktioniert MauveDB? Quelle: Deshpande, A.; Madden, S., MauveDB: Supporting Model-based User Views in Database Systems. SIGMOD 2006.

7 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 7 MauveDB - Regression Quelle: Deshpande, A.; Madden, S., MauveDB: Supporting Model-based User Views in Database Systems. SIGMOD 2006.

8 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 8 MauveDB - Interpolation Quelle: Deshpande, A.; Madden, S., MauveDB: Supporting Model-based User Views in Database Systems. SIGMOD 2006.

9 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 9 MauveDB – Anwendungsbeispiel 54 Sensoren Messung von Temperatur, Feuchtigkeit, … Create View Query CREATE VIEW IntView(time[0::1],sensorid[::1],temp) AS INTERPOLATE temp USING time, sensorid FOR EACH sensorid M TRAINNING_DATA SELECT temp, time, sensorid FROM raw-temp-readings WHERE raw-temp-readings.sensorid = M

10 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 10 MauveDB – Anwendungsbeispiel Abfrage von: 1.Temperatur über Zeit von Rohdaten 2.Temperatur über Zeit von interpolierten Daten 3.Anteil von messenden Sensoren über Zeit Quelle: Deshpande, A.; Madden, S., MauveDB: Supporting Model-based User Views in Database Systems. SIGMOD 2006.

11 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 11 Was kann MauveDB (noch) nicht? Andere Modelle als Regression und Interpolation Continuous-Queries

12 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 12 BBQ - Was ist das? Barbie Q = a Tiny-Model Query System Abfragesystem für ein Sensorennetzwerk Aus Daten der Sensoren wird Modell berechnet Anfragen an Modell und nicht an Rohdaten

13 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 13 BBQ - Was ist das?

14 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 14 BBQ - Wie funktioniert BBQ? Quelle: Deshpande, A.; Guestrin, C.; Madden, S.; Hellerstein, J.; Hong W.. Model-driven data acquisition in sensor networks. In VLDB, 2004.

15 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 15 BBQ - Wie sehen Anfragen aus? Range-Query Liegt ein Attribut (Messwert eines Sensors) in einem bestimmten Bereich Angabe der Wahrscheinlichkeit, mit der dies zutreffen soll Value-Query Werte von Attributen Wahrscheinlichkeitsangabe Angabe des tolerierten Fehlers, den die Attribute vom angegebenen Wert abweichen können Average-Query Durchschnittliche Werte von Attributen Wahrscheinlichkeitsangabe und Fehlerangabe

16 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 16 BBQ – Wie werden Anfragen beantwortet? Trainingsdaten werden benutzt, um ein Modell der Daten zu bilden Die Attribute (Messwerte der Sensoren) werden durch Zufallsvariablen dargestellt Es wird angenommen, dass Zufallsvariablen NORMALVERTEILT sind (dadurch ist die Verteilung durch den Erwartungswert und der Varianz vollständig beschrieben)

17 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 17 BBQ – Wie werden Anfragen beantwortet? Anfrage nach einem Attribut X i mit Fehlertoleranz (Abweichung vom angegeben Wert) und Wahrscheinlichkeit (mit der Wert+/-Fehler zutrifft) Zwei Möglichkeiten 1.Modell kann Anfrage sofort beantworten

18 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 18 BBQ – Wie werden Anfragen beantwortet? 2. Modell kann Anfrage nicht mit geforderter Wahrscheinlichkeit antworten. Es werden Attribute im Sensornetzwerk beobachtet, um geforderte Wahrscheinlichkeit einzuhalten

19 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 19 BBQ - Kostenvorhersage und Minimierung O ist Menge der beobachteten Variablen C a ( O ) Kosten für Datengewinnung C t ( O ) Kosten für Transmission C( O ) = C a ( O ) + C t ( O ) Beobachtungskosten Optimales O muss Folgendes erfüllen: 1.Beobachtung erweitert Modell, so dass geforderte Wahrscheinlichkeit von Anfrage erfüllt wird 2.Beobachtungskosten für C( O ) minimal Brute Force (Exponentiell), Greedy (nicht optimal)

20 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 20 BBQ – Kosten Energiekosten für verschiedene Aufgaben eines Nodes/Sensors im (getesteten) Sensornetzwerk SensorEnergy Per Sample mJ Solar Radiation Barometric Pressure Humidity and Temperature Voltage NodeEnergy, mJ Sending Recieving 0.4

21 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 21 BBQ – Wie funktioniert BBQ (genauer)? Quelle: Deshpande, A.; Guestrin, C.; Madden, S.; Hellerstein, J.; Hong W.. Model-driven data acquisition in sensor networks. In VLDB, 2004.

22 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 22 BBQ – Was kann BBQ messen? BBQ kann kontinuierliche Daten messen Temperaturmessungen Licht Luftfeuchtigkeit BBQ kann nicht diskontinuierliche Daten messen Erdbeben

23 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 23 BBQ – Gründe um BBQ zu benutzen Energie sparen Auch bei Ausfall von Sensoren (Eingeschränkte) Funktion Stetige Werte von Messdaten bei diskreten Messungen

24 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 24 BBQ - Anwendungsbeispiele NameGardenLab Anzahl von Sensoren 1154 Was wird gemessen Feuchtigkeit, Licht, Temperatur, Spannung WoAußenInnen Anzahl von Messungen /3 Training 1/3 Test 6 Tage Trainingsdaten 2 Tage Testdaten

25 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 25 BBQ – Anwendungsbeispiele Vergleich zu: 1.TinyDB-style Querying Alle Sensoren werden Abgefragt Keinen Fehler 2.Approximate-Caching Sensoren messen immer Nur wenn eine festgelegte Toleranzgrenze überschritten wird, meldet Sensor Messung Fehler wird immer eingehalten Spart Transmissionskosten

26 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 26 BBQ - Garden Quelle: Deshpande, A.; Guestrin, C.; Madden, S.; Hellerstein, J.; Hong W.. Model-driven data acquisition in sensor networks. In VLDB, 2004.

27 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 27 BBQ - Garden Quelle: Deshpande, A.; Guestrin, C.; Madden, S.; Hellerstein, J.; Hong W.. Model-driven data acquisition in sensor networks. In VLDB, 2004.

28 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 28 BBQ - Lab Quelle: Deshpande, A.; Guestrin, C.; Madden, S.; Hellerstein, J.; Hong W.. Model-driven data acquisition in sensor networks. In VLDB, 2004.

29 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 29 BBQ - Was kann BBQ (noch) nicht? Dynamische Netzwerke Ausreißer Messungen die nicht Trainingsmuster entsprechen

30 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 30 Schlussfolgerungen Was haben MauveDB und BBQ gemeinsam? Anfragen in SQL-Style Anfragen an Modelle statt an Rohdaten

31 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 31 Schlussfolgerungen Worin unterscheiden sich MauveDB und BBQ? MauveDB ist unabhängig von Sensorennetzwerk BBQ interagiert mit Sensorennetzwerk Unterstützung von unterschiedliche Modelle (Implementierungsfrage?)

32 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 32 Schlussfolgerungen Unter welchen Umständen sind Daten aus Modellen sinnvoller als Rohdaten? Schwankungen der Daten durch Messungenaugkeiten Unvollständige Daten (Ausfall von Sensoren, Sensoren decken nicht alles ab) Prognosen

33 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 33 Schlussfolgerungen Für welche Arten von Wireles Sensor Networsks (WSN) können BBQ und MauveDB eingesetzt werden? Ausfall von Sensoren Für welche nicht? Bewegliche Knoten Daten werden im Knoten bearbeitet Desasterzonen in denen kein Daten-Training durchgeführt werden kann Gesundheitsüberwachung in der eine Wahrscheinlichkeit von 95% nicht ausreicht

34 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 34 Diskussion Bieten sich BBQ und MauveDB überhaupt für WSN an?

35 Jonathan Hellwig – BBQ und MauveDB Timo Mika Gläßer & Ulf Leser - Data Management in Wireless Sensor Networks 35 Vielen Dank! Fragen?


Herunterladen ppt "BBQ und MauveDB Jonathan Hellwig 20.07.2007 Data Management in Wireless Sensor Networks Timo Mika Gläßer & Ulf Leser."

Ähnliche Präsentationen


Google-Anzeigen