Probabilistic Models and Algorithms for Energy-Efficient Large and Dense Wireless Sensor Networks

Giancarlo Pastor Figueroa

Probabilistic Models and Algorithms for Energy-Efficient Large and Dense Wireless Sensor Networks

Julkaisun otsikon käännös: Todennäköisyyspohjaisia malleja ja algoritmeja energiatehokkaille ja tiheille langattomille anturiverkoille

Giancarlo Pastor Figueroa

Tutkimustuotos: Doctoral Thesis › Monograph

Abstrakti

Laitteiden internetin ja muiden tietojärjestelmien tuottama erittäin laajat tietomassat aiheuttavat haasteita datan keräämiselle ja analytiikalle. Erityisen haasteellista suurien datamäärien kerääminen on langattomissa anturiverkoissa, antureiden laskentakyvyn, muistin, tiedonsiirron ja energian rajoitteiden takia. Näin ollen langattomissa anturiverkoissa tarvitaan uusia tehokkaita ja luotettavia menetelmiä tiedon kokoamiseksi yhteen. Harvuuden käsite mahdollistaa datan keruuprosessin paremman ymmärryksen sekä uusien kompaktiin esitystapaan perustuvien tehokkaiden datan keruu ja analyysimenetelmien kehittämisen. Pakattu datan kokoaminen (Compressive Data Aggregation, CDA) mahdollistaa työkuorman vähentämisen datan keräys- tai fuusiopisteessä. Tämä puolestaan pidentää akkujen kestoa ja kasvattaa verkon toiminta-aikaa. Tässä työssä esitetään pakattuun mittaukseen perustuva MAC-protokolla radioresurssien jakamiseksi antureiden välillä huomioiden CDA:n tuomat mahdollisuudet. Protokollan satunnaisuus mahdollistaa sen toiminnan mallintamisen käyttämällä hiljattain esitettyjä stokastisen geometrian menetelmiä. Kehitetty MAC-protokolla muistuttaa kantoaallon tunnistukseen perustuvaa CSMA-protokollaa ja sen toiminnalle on todennäköisyyteen perustuvat rajat. Erityisesti tässä työssä esitetään a) metodologia langattomien anturiverkkojen datan pakatun kokoamisen ja tietoliikenteen yhtäaikaiseen analyysiin; b) uusi stokastinen datan kokoaminen (S-CDA) MAC-protokolla, joka tehokkaasti yhdistää pakatun mittauksen ja pakettien törmäyksen välttämisen. Aikaisempi tutkimus on analysoinut CDA:ta epäyhtenäisesti olettaen joko tietoliikenteen tai pakatun mittauksen ideaaliseksi. Tässä työssä tarkastellaan näitä molempia yhdessä.

Julkaisun otsikon käännös	Todennäköisyyspohjaisia malleja ja algoritmeja energiatehokkaille ja tiheille langattomille anturiverkoille
Alkuperäiskieli	Englanti
Pätevyys	Tohtorintutkinto
Myöntävä instituutio	Aalto-yliopisto
Valvoja/neuvonantaja	Jäntti, Riku, Vastuuprofessori Caamaño Fernández, Antonio J., Vastuuprofessori, Ulkoinen henkilö
Kustantaja	Aalto University
Painoksen ISBN	978-952-60-6681-3
Sähköinen ISBN	978-952-60-6682-0
Tila	Julkaistu - 2016
OKM-julkaisutyyppi	G4 Monografiaväitöskirja

Tutkimusalat

datan kokoaminen
pakattu mittaus
stokastinen geometria

Pääsy asiakirjaan

http://urn.fi/URN:ISBN:978-952-60-6682-0Lisenssi: Määrittelemätön

Siteeraa tätä

@phdthesis{71d32a3aea5e4f20b4b945722e9df610,

title = "Probabilistic Models and Algorithms for Energy-Efficient Large and Dense Wireless Sensor Networks",

abstract = "The concept of sparsity is fundamental to understanding data collection in foreseeable large scenarios. This intuition is based on the fact that future analytics will only perform efficiently over compact information domains. This scenario is even more critical in Wireless Sensor Networks (WSN), since small sensors suffer from major limitations. Hence, Compressive Data Aggregation (CDA) is required to alleviate the work load of the sensors. This research has proposed a compressed sensing-based protocol which follows a random sensing principle. This principle allows for the characterization of sensor interactions using methods from stochastic geometry. This work will deliver: a) a methodology to jointly analyze the compression and communication aspects of CDA in WSNs and b) a novel protocol that effectively implements compressed sensing with collision avoidance. It is called Stochastic Compressive Data Aggregation (S-CDA). Although there have been great advances, there is a lack of methodologies to jointly analyze the compression and communication aspects of CDA in WSNs. Consequently, this dissertation seeks to bridge this gap. ",

keywords = "compressed sensing, data aggregation, stochastic geometry, datan kokoaminen, pakattu mittaus, stokastinen geometria, compressed sensing, data aggregation, stochastic geometry",

author = "{Pastor Figueroa}, Giancarlo",

year = "2016",

language = "English",

isbn = "978-952-60-6681-3",

series = "Aalto University publication series DOCTORAL DISSERTATIONS",

publisher = "Aalto University",

number = "38",

address = "Finland",

school = "Aalto University",

}

TY - BOOK

T1 - Probabilistic Models and Algorithms for Energy-Efficient Large and Dense Wireless Sensor Networks

AU - Pastor Figueroa, Giancarlo

PY - 2016

Y1 - 2016

N2 - The concept of sparsity is fundamental to understanding data collection in foreseeable large scenarios. This intuition is based on the fact that future analytics will only perform efficiently over compact information domains. This scenario is even more critical in Wireless Sensor Networks (WSN), since small sensors suffer from major limitations. Hence, Compressive Data Aggregation (CDA) is required to alleviate the work load of the sensors. This research has proposed a compressed sensing-based protocol which follows a random sensing principle. This principle allows for the characterization of sensor interactions using methods from stochastic geometry. This work will deliver: a) a methodology to jointly analyze the compression and communication aspects of CDA in WSNs and b) a novel protocol that effectively implements compressed sensing with collision avoidance. It is called Stochastic Compressive Data Aggregation (S-CDA). Although there have been great advances, there is a lack of methodologies to jointly analyze the compression and communication aspects of CDA in WSNs. Consequently, this dissertation seeks to bridge this gap.

AB - The concept of sparsity is fundamental to understanding data collection in foreseeable large scenarios. This intuition is based on the fact that future analytics will only perform efficiently over compact information domains. This scenario is even more critical in Wireless Sensor Networks (WSN), since small sensors suffer from major limitations. Hence, Compressive Data Aggregation (CDA) is required to alleviate the work load of the sensors. This research has proposed a compressed sensing-based protocol which follows a random sensing principle. This principle allows for the characterization of sensor interactions using methods from stochastic geometry. This work will deliver: a) a methodology to jointly analyze the compression and communication aspects of CDA in WSNs and b) a novel protocol that effectively implements compressed sensing with collision avoidance. It is called Stochastic Compressive Data Aggregation (S-CDA). Although there have been great advances, there is a lack of methodologies to jointly analyze the compression and communication aspects of CDA in WSNs. Consequently, this dissertation seeks to bridge this gap.

KW - compressed sensing

KW - data aggregation

KW - stochastic geometry

KW - datan kokoaminen

KW - pakattu mittaus

KW - stokastinen geometria

KW - compressed sensing

KW - data aggregation

KW - stochastic geometry

M3 - Doctoral Thesis

SN - 978-952-60-6681-3

T3 - Aalto University publication series DOCTORAL DISSERTATIONS

PB - Aalto University

ER -

Probabilistic Models and Algorithms for Energy-Efficient Large and Dense Wireless Sensor Networks

Abstrakti

Tutkimusalat

Pääsy asiakirjaan

Sormenjälki

Siteeraa tätä