Ranqueamento de Produtores de Dados na Internet das Coisas

• Emanoel Silva Centro de Informática, UFPE
• Kiev Gama Centro de Informática, UFPE
• Bernadete Lóscio Centro de Informática, UFPE

DOI: https://doi.org/10.5753/sbsi.2017.6048

Resumo

Com a ascensão da Internet das Coisas (Internet of Things - IoT), bilhões de dispositivos estarão conectados à internet do futuro produzindo, consumindo e processando dados e se comunicando uns com os outros. Descobrir e selecionar de forma eficiente os dispositivos que melhor respondem a uma determinada necessidade se mostram como problemas relevantes a serem investigados no paradigma IoT. Face a este problema, o presente trabalho propôs: (i) o uso e o monitoramento dinâmico de métricas de qualidade na descrição dos produtores de dados, (ii) proposta de uma técnica de ranqueamento de produtores de dados que utilize atributos de qualidade diversos, (iii) a proposta do conceito de fila dinâmica de resultados no mecanismo de busca, visando economia de processamento e ganho de desempenho e (iv) uso do estilo arquitetural REST para a oferta dos produtores de dados como recursos. Por fim, foi considerado um cenário de uso do aplicativo móvel Bike Cidadão com o objetivo de avaliar a performance das contribuições propostas.

Palavras-chave: Internet das Coisas, Qualidade de Contexto, Qualidade de Dados, Seleção de Dispositivos

Referências

E. Alpaydin. Introduction to machine learning. MIT press, 2014.

L. Bedogni, M. Di Felice, and L. Bononi. Context-aware android applications through transportation mode detection techniques. Wireless Communications and Mobile Computing, 16(16):2523–2541, 2016.

F. Calabrese, L. Ferrari, and V. D. Blondel. Urban sensing using mobile phone network data: A survey of research. ACM Comput. Surv., 47(2):25:1–25:20, Nov. 2014.

D. Crockford. The application/json media type for javascript object notation (json). 2006.

C. A. de MS Quintella, L. C. Andrade, and C. A. V. Campos. Detecting the transportation mode for context-aware systems using smartphones. In Intelligent Transportation Systems (ITSC), pages 2261–2266. IEEE, 2016.

T. Fawcett. An introduction to roc analysis. Pattern recognition letters, 27(8):861–874, 2006.

M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, and I. H. Witten. The weka data mining software: an update. ACM SIGKDD explorations newsletter, 11(1):10–18, 2009.

N. D. Lane, E. Miluzzo, H. Lu, D. Peebles, T. Choudhury, and A. T. Campbell. A survey of mobile phone sensing. IEEE Communications Magazine, 48(9):140–150, Sept 2010.

Z. A. Lari and A. Golroo. Automated transportation mode detection using smart phone applications via machine learning: Case study mega city of tehran. In Proceedings of the Transportation Research Board 94th Annual Meeting, Washington, DC, USA, pages 11–15, 2015.

D. M. Powers. Evaluation: from precision, recall and f-measure to roc, informedness, markedness and correlation. 2011.

X. Su, H. Caceres, H. Tong, and Q. He. Online travel mode identification using smartphones with battery saving considerations. IEEE Transactions on Intelligent Transportation Systems, 17(10):2921–2934, 2016.

P. J. Troped, M. S. Oliveira, C. E. Matthews, E. K. Cromley, S. J. Melly, and B. A. Craig. Prediction of activity mode with global positioning system and accelerometer data. Medicine and science in sports and exercise, 40(5):972–978, 2008.

L. Wu, B. Yang, and P. Jing. Travel mode detection based on gps raw data collected by smartphones: a systematic review of the existing methodologies. Information, 7(4):67, 2016.

G. Xiao, Z. Juan, and C. Zhang. Travel mode detection based on gps track data and bayesian networks. Computers, Environment and Urban Systems, 54:14–22, 2015.

F. Yang, Z. Yao, and P. J. Jin. Gps and acceleration data in multimode trip data recognition based on wavelet transform modulus maximum algorithm. Transportation Research Record: Journal of the Transportation Research Board, (2526):90–98, 2015.