Datenmanagement in Sensornetzen PRESTO - Feedback gesteuertes Datenmanagement - SS 2007 Sören Wenzlaff

1 Übersicht PRE( dictive )STO( rage ) Teil 1: Aufbau von PRESTO Teil 2: Umsetzung & Ergebnisse Teil 3: Zusammenfassung Unterschiede zu bestehenden Ansätzen Skalierbarkeit PRESTO – Sören Wenzlaff

2 Teil 1: Aufbau von PRESTO Anforderungen an ein Sensornetzwerk Idee von PRESTO Unterschiede zu bestehenden Ansätzen Komponenten & deren Aufgaben PRESTO – Sören Wenzlaff

3 Anforderungen an Sensornetzwerke langlebig (effiziente Nutzung der Ressourcen) rechnen ~ speichern << kommunizieren möglichst wenig Kommunikation der Sensorknoten schnelle Anfrage-Bearbeitung interaktive Anwendungen: Antwortzeiten < 10 sek. fehlertolerant Sensorknoten kaputt / nicht erreichbar / Batterie leer skalierbar je nach Anwendung 10 – Knoten auf kleiner Fläche PRESTO – Sören Wenzlaff

4 Ansatz 1: Sensor-zentriert Beispiel: Cougar Vorteile: Nachteile: Proxy Query Data - hohe Intelligenz der Sensorknoten - Weiterleitung von Anfragen tief ins Sensornetz + effiziente Kommunikation nahe an Datenquelle + Antwort liefert genaue Daten - sehr lange Antwortzeiten - Sensorknoten senden häufig PRESTO – Sören Wenzlaff

5 Ansatz 2: Proxy-zentriert Beispiel: BBQ Vorteile: Nachteile: - Proxy beantwortet Anfragen direkt, solange das - Sonst Anforderung der Daten aus Sensornetz raum-zeitliche Modell ausreicht + im Schnitt schnelle Antwortzeiten + Komplexität im leistungsstarken Proxy - kurze Abweichungen vom Modell können - Energieeffizienz + Datengüte geht nicht übersehen werden Query Data ModellProxy PRESTO – Sören Wenzlaff

6 Ansatz 3: PRESTO Idee: Query Data ModellProxy Proxy beantwortet die meisten Anfragen direkt mit Modell (~BBQ) Knoten senden nur bei besonderen Ereignissen Genauigkeit der Daten ~ Cougar einen Weg gespart zu pull bei BBQ PRESTO – Sören Wenzlaff

7 Was noch? Speichern von Daten im Proxy & Sensorknoten für spätere Anfragen Veränderungen der Umgebung führen zur: - Anpassung des Modells im Proxy (viel Rechnen) - Aktualisierung des Modells bei allen Sensorknoten - kann für die Rekonstruktion von Ereignissen (Einbruch, Ausbruch...) hilfreich sein PRESTO – Sören Wenzlaff

8 Vorhersagemodell: SARIMA Seasonal AutoRegressive Integrated Moving Average Einsatz in z.B. Wetter- und Börsenkursprognosen Vorhersage eines Wertes zum Zeitpunkt t mit Wissen des aktuellen Trends (Tagestemp.) zus. mit längerfristigen Tendenzen (Jahreszeit) °C Zeit PRESTO – Sören Wenzlaff

9 Modell: Bestimmung & Test Bestimmung der Modellparameter aus Messreihen ist Aber: Einen Wert für Zeitpunkt t berechnen ist leicht - nur 3 Multiplikationen & 3 Additionen aufwändig (früher aufwendig ;) Arbeitsteilung: - Proxy bestimmt Modell und teilt es den Knoten mit - Jeder Knoten kann leicht Prognosewerte berechnen und mit gemessenem Wert vergleichen Also? PRESTO – Sören Wenzlaff

10 Proxy: Aufgaben Anfrage-Bearbeitung: statistisches Modell kann den Wert X t aus ist Abweichung > geforderte Genauigkeit: Annahme: jede Anfrage fordert eine Genauigkeit vergangenen Daten mit Konfidenz berechnen Daten bei Sensorknoten anfordern (Stichwort: model-driven pull bei BBQ) PRESTO – Sören Wenzlaff

11 Proxy: Aufgaben II Pflege Datenbasis & Modell: Jeder neue Wert bewirkt die Interpolation aller zeitlich benachbarten Werte berechnet für eine Anfrage empfangen vom Knoten zyklische Adaption der Modell-Parameter und Übermittlung an betroffene Sensorknoten PRESTO – Sören Wenzlaff

12 Sensor: Aufgaben Test und Speicherung der Messwerte: Für jeden gemessenen Wert X t Modellwert X t * berechnen wenn X t - X t * > Grenzwert Messwert X t an Proxy weiterleiten Speicherung aller Messwerte in lokalem Flash-Speicher PRESTO – Sören Wenzlaff

13 Anfrage – Bearbeitung I Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW ANDerror < 5 Proxy Query Prozessor Welche Knoten? Zeitpunkt d. Messung? PRESTO – Sören Wenzlaff

14 Anfrage – Bearbeitung I Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW AND error < 5 Proxy Cache 3 Modell 3 X t = f(t) =... = 3 °C Abweichung < 5 PRESTO – Sören Wenzlaff

15 Anfrage – Bearbeitung I Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` ANDtime = NOW AND error < 5 Proxy Modell 3 Cache 3 t = 3 im Cache Speichern von X t = 3 im Cache PRESTO – Sören Wenzlaff

16 Anfrage – Bearbeitung I Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW AND error < 5 Proxy t = 3 Antwort: X t = 3 PRESTO – Sören Wenzlaff

17 Anfrage – Bearbeitung II Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` ANDtime = NOW AND error < 5 Proxy Query Prozessor Welche Knoten? Zeitpunkt d. Messung? PRESTO – Sören Wenzlaff

18 Anfrage – Bearbeitung II Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW AND error < 5 Proxy Cache 3 Modell 3 X t = f(t) =... = 10 °C Abweichung > 5 PRESTO – Sören Wenzlaff

19 Anfrage – Bearbeitung II Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW AND error < 5 Proxy Anforderung des exakten Werts X t * Antwort: X t * = 4 °C PRESTO – Sören Wenzlaff

20 Anfrage – Bearbeitung II Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Query SELECT temp FROM Nodes WHERE location = ``Lager`` AND time = NOW AND error < 5 Proxy t = 4 Antwort: X t = 4 PRESTO – Sören Wenzlaff

21 Anfrage – Bearbeitung II Modell 1 Cache 1 Query Prozessor ModellNAND Sensor 1 ModellNAND Sensor 2 ModellNAND Sensor 3 Modell 3 Cache 3 Modell 2 Cache 2 Proxy t * = 4 im Cache und Korrektur der Nachbar- werte von t * Speichern von X t * = 4 im Cache und Korrektur der Nachbar- werte von X t * PRESTO – Sören Wenzlaff

22 Push & Interpolation M1M1 C1C1 Query Prozessor ModellNAND Sensor 3 Modell 3 Cache 3 Proxy... Push: X 4 = 18 Interpolation PRESTO – Sören Wenzlaff

23 Teil 2: Umsetzung & Ergebnisse PRESTO am Beispiel Temperatursensoren gemessene und simulierte Ergebnisse PRESTO – Sören Wenzlaff

24 Hardware Proxy: Crossbow Stargate MHz Intel Xscale ® (auch in PDAs) - Linux Kernel MB RAM - Preis: ca. 800 $ Sensor: Crossbow TelosB Mote - 8 MHz microcontroller mit 10 kB RAM - TinyOS MB Flash für Messwerte - IEEE (ZigBee) - Preis: ca. 150 $ PRESTO – Sören Wenzlaff

25 Versuchsaufbau Emulator 20 TelosB Motes 1 Stargate Trainingsphase: - Datenreihe Reservat Testphase: - # Nachrichten - Anfrage – Wartezeit - Fehlerrate PRESTO – Sören Wenzlaff

26 Vergleich PRESTO - BBQ Anzahl der Nachrichten Grenzwert PRESTO BBQ Faktor 2-20 Energie-effizienter wegen ger. Kommunikation PRESTO – Sören Wenzlaff

27 Skalierbarkeit I Anfrage- Wartezeit Anfragen/s Durchschnitt Maximal schnell bis 4 Anfragen/s Danach Pufferung im Proxy bis Überlauf PRESTO – Sören Wenzlaff

28 Skalierbarkeit II Anfrage- Wartezeit # Sensorknoten Sende-/Empfangseinheit bricht zusammen 60 Anfragen werden zurückgewiesen PRESTO – Sören Wenzlaff

29 Teil 3: Zusammenfassung model-driven push & adaptive feedback asynchrone Verteilung der Rechenlast schnelle Antwortzeiten & hohe Datengüte PRESTO – Sören Wenzlaff

30 Noch da? Danke für die Aufmerksamkeit! PRESTO – Sören Wenzlaff