Extração Descentralizada de Regras de Associação em Bases de Dados Embarcadas de Dispositivos Internet das Coisas
Resumo
Embora extração de conhecimento de bases de dados seja geralmente realizada em arquiteturas centralizadas, sua execução em cenário descentralizado é um desafio computacional importante, especialmente quando realizadas no contexto da Internet das Coisas onde há as rigorosas restrições de armazenamento e processamento nos dispositivos. Para contornar tais restrições, este artigo apresenta um método para minerar correlações implícitas entre as ações disponíveis nos dispositivos IoT através da análise associativa embarcada. Baseada nas variações das métricas support, lift e confidence, o método proposto identifica as correlações mais relevantes entre pares de ações de diferentes dispositivos e sugere-as ao usuário como forma de integração através de requisições HTTP. Os experimentos mostraram que, em média, as regras mais relevantes foram as mesmas em ambas arquiteturas para 99.75% dos casos. Além disso, o método proposto foi capaz de identificar correlações relevantes que não foram identificadas pela arquitetura centralizada, reforçando assim o entendimento positivo de que a análise do padrão de ações dos dispositivos é uma abordagem eficiente para prover um ambiente IoT altamente integrado e inteligente apesar das restrições existentes em cenários descentralizados.
Referências
M. Verhelst and B. Moons, “Embedded deep neural network processing:Algorithmic and processor techniques bring deep learning to iot and edgedevices,”IEEE Solid-State Circuits Magazine, vol. 9, no. 4, pp. 55–65,2017.
M. Z. Alom, T. Taha, C. Yakopcic, S. Westberg, P. Sidike, M. Nasrin,M. Hasan, B. Essen, A. Awwal, and V. Asari, “A state-of-the-art surveyon deep learning theory and architectures,”Electronics, vol. 8, p. 292,03 2019.
L. Li, Q. Li, Y. Wu, Y. Ou, and D. Chen, “Mining association rulesbased on deep pruning strategies,”Wireless Personal Communications,vol. 102, pp. 2157–2181, Oct 2018.
E. Nazerfard, “Temporal features and relations discovery of activitiesfrom sensor data,”Journal of Ambient Intelligence and HumanizedComputing, May 2018.
V. Kireev, A. Guseva, P. Bochkaryov, I. Kuznetsov, and S. Filippov,“Association rules mining for predictive analytics in iot cloud system,”inBiologically Inspired Cognitive Architectures(A. V. Samsonovich,ed.), (Cham), pp. 107–112, Springer, 2019.
R. Agrawal and R. Srikant, “Fast algorithms for mining associationrules,” inProc. of 20th Intl. Conf. on VLDB, pp. 487–499, 1994.
J. Han, J. Pei, Y. Yin, and R. Mao, “Mining frequent patterns withoutcandidate generation: A frequent-pattern tree approach,”Data Miningand Knowledge Discovery, vol. 8, pp. 53–87, Jan 2004.
J.-F. Boulicaut and B. Jeudy,Constraint-Based Data Mining, pp. 399–416. Boston, MA: Springer US, 2005.
M. Z. A. Bhuiyan and J. Wu, “Event detection through differentialpattern mining in internet of things,” in2016 IEEE 13th InternationalConference on Mobile Ad Hoc and Sensor Systems (MASS), pp. 109–117, Oct 2016.
M. Smith, X. Wang, and R. Rangayyan, “Evaluation of the sensitivity ofa medical data-mining application to the number of elements in smalldatabases,”Biomedical Signal Processing and Control, vol. 4, no. 3,pp. 262–268, 2009.
Y.-C. Chen, Y.-L. Ko, and W.-C. Peng, “An intelligent system formining usage patterns from appliance data in smart home environment,”inConference on Technologies and Applications of Artificial Intelli-gence(TAAI), pp. 319–322, 2012.
E. Heierman and D. Cook, “Improving home automation by discove-ring regularly occurring device usage patterns,” inIEEE InternationalConference on Data Mining, ICDM, pp. 537–540, 2003.
D. McArthur, S. Encheva, and I. Thorsen, “Exploring the Determinantsof Regional Unemployment Disparities in Small Data Sets,”Internatio-nal Regional Science Review, vol. 35, no. 4, pp. 442–463, 2012.
X. Wang, M. Chen, and L. Chen, “Research of the optimization of adata mining algorithm based on an embedded data mining system,”Cy-bernetics and Information Technologies, vol. 13, no. SPECIALISSUE,pp. 5–17, 2013.
L. Gonzalez and O. Amft, “Mining relations and physical grouping ofbuilding-embedded sensors and actuators,” in2015 IEEE InternationalConference on Pervasive Computing and Communications, PerCom2015, pp. 1–10, 2015.
K. Pal, S. Adepu, and J. Goh, “Effectiveness of association rules miningfor invariants generation in cyber-physical systems,” inProceedings ofIEEE International Symposium on High Assurance Systems Engineering,pp. 124–127, 2017.
S. Venaas, “Multicast Ping Protocol.” RFC 6450, Dec. 2011.
R Development Core Team,R: A Language and Environment forStatistical Computing. R Foundation for Statistical Computing, Vienna,Austria, 2008. ISBN 3-900051-07-0.
M. Hahsler, S. Chelluboina, K. Hornik, and C. Buchta, “The arules r-package ecosystem: Analyzing interesting patterns from large transactiondatasets,”Journal of Machine Learning Research, vol. 12, pp. 1977–1981, 2011.
D. J. Cook, A. S. Crandall, B. L. Thomas, and N. C. Krishnan, “Casas:A smart home in a box,”Computer (Long Beach Calif), vol. 46,p. 10.1109/MC.2012.328, Jul 2013.
M. Alencar, R. Barreto, H. Oliveira, R. Pazzi, and E. Souto,“eMbeddedAssociativeKnowledgeExtraction-MAKE.”https://github.com/macalencar/make, 2018.
