ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Συμπίεση Πληροφορίας Πλαισίου: χρήση του Αυτοπαλίνδρομου Υποδείγματος για επίτευξη Αποδοτικών Ασύρματων Επικοινωνιών Αντώνιος Ν. Κατσίκης Επιβλέποντες: Ευστάθιος Χατζηευθυμιάδης, Επίκουρος Καθηγητής Χρήστος Αναγνωστόπουλος, Επίκουρος Καθηγητής ΑΘΗΝΑ Νοέμβριος 2011
Βασική Αρχιτεκτονική ενός Σύγχρονου Συστήματος Επίγνωσης Πλαισίου (CAS) Ανάμεσα στην εφαρμογή (User) και στο προς παρατήρηση πεδίο-φαινόμενο (Sensor Field) τοποθετείται μια ασύρματη υποδομή (WSN) Ένα Ασύρματο Δίκτυο Αισθητήρων (WSN) αποτελείται από ένα σύνολο κόμβων (nodes) με δυνατότητες ανίχνευσης, προώθησης και επεξεργασίας. Υπάρχουν μονοπάτια από τους κόμβους ανίχνευσης (sensor nodes) προς τον κόμβο συλλέκτη (sink) Το πρόβλημα ανακύπτει από το γεγονός πως κάθε κόμβος (ανίχνευσης, μεταφοράς, επεξεργασίας) τροφοδοτείται από μπαταρία, συνεπώς κατέχει περιορισμένη ποσότητα ενέργειας. Αντώνιος Ν. Κατσίκης 2
Στόχος Εργασίας Αποδοτική διαχείριση των περιορισμένων ενεργειακών αποθεμάτων των κόμβων σε Ασύρματα Δίκτυα Αισθητήρων Συμπίεση της Πληροφορίας Πλαισίου πριν την προώθηση της Συνεπώς καταναλώνεται λιγότερη ποσότητα ενέργειας. Βασίζεται στην εκμετάλλευση της πολυμεταβλητής φύσης και των εξαρτήσεων μεταξύ των διανυσμάτων πλαισίου Αντώνιος Ν. Κατσίκης
Προώθηση πλαισίου dc(t) ανάμεσα σε δυο διαδοχικούς κόμβους (i, j) (Γενική εικόνα) Εκτελείται σε κάθε κόμβο αποστολής (κόμβος i) ένας αλγόριθμος συμπίεσης με σκοπό να μειωθεί η προς προώθηση πληροφορία πλαισίου (dc(t) -> Comp_dc(t)). Στον κόμβο λήψης(κόμβος j) εκτελείται ο αντίστοιχος αλγόριθμος αποσυμπίεσης, προκειμένου να γίνει ανάκτηση της αρχικής πληροφορίας (dc(t)). Ο κόμβος λήψης στη συνέχεια θα λειτουργήσει ως κόμβος αποστολής κ.ο.κ Συνεπώς αποστέλλονται-λαμβάνονται λιγότερα δεδομένα, άρα καταναλώνεται λιγότερη ποσότητα ενέργειας. Αυτό βεβαίως, επιτυγχάνεται εις βάρος της ακρίβειας της μεταδιδόμενης πληροφορίας. Αντώνιος Ν. Κατσίκης 4
Συμπίεση Πλαισίου βασισμένη Στο Αυτοπαλίνδρομο Υπόδειγμα - Autoregressive Context Compression(ARCC) Τρόπος λειτουργίας : Ο κόμβος αποστολής επιλέγει για το αν θα προωθήσει στον επόμενο κόμβο αυτούσια την πληροφορία πλαισίου dc(t) ή ένα σήμα ανακατασκευής u(t)=1. O κόμβος λήψης, αναλόγως με τα δεδομένα που έλαβε είτε χρησιμοποιεί την ληφθείσα πληροφορία άμεσα ή την ανακατασκευάζει πρώτα και ύστερα την χρησιμοποιεί. Αντώνιος Ν. Κατσίκης 5
Συμπίεση Πλαισίου βασισμένη Στο Αυτοπαλίνδρομο Υπόδειγμα - Autoregressive Context Compression(ARCC) ARCC Κόμβος Αποστολής Max error Ο κόμβος αποστολής την χρονική στιγμή t λαμβάνει (ή ανιχνεύει) μια νέα πληροφορία πλαισίου dc(t) Υπολογίζει (κάνοντας χρήση του VAR) το dc*(t), χρησιμοποιώντας τα p τελευταία διανύσματα πλαισίου, dc(t-p),, dc(t-1), p > 0, που έχουν διέλθει από αυτόν Συγκρίνει την πραγματική τιμή dc(t) με την εκτιμώμενη dc*(t) Aν η διαφορά τους e(t) είναι μικρότερη από μια προκαθορισμένη τιμή σφάλματος Max error, προωθεί στον επόμενο κόμβο ένα σήμα ανακατασκευής u(t) (1 bit) Διαφο ρ ετικά, προωθείται η πραγματική πληροφορία πλαισίου dc(t) Αντώνιος Ν. Κατσίκης 6
Συμπίεση Πλαισίου βασισμένη Στο Αυτοπαλίνδρομο Υπόδειγμα - Autoregressive Context Compression(ARCC) ARCC Κόμβος Λήψης Ο κόμβος λήψης, εξετάζει την ληφθείσα πληροφορία: Αν, πρόκειται για το σήμα ανακατασκευής u(t), εκτελεί την αντίστοιχη διαδικασία υπολογισμού (VAR), χρησιμοποιώντας τα, dc (t-p),, dc (t-1), p > 0, που έχουν διέλθει από αυτόν, και «προβλέπει» το dc (t). Η διαφορά της πραγματικής πληροφορίας πλαισίου από την προβλεπόμενη αποτελεί το σφάλμα ανακατασκευής για την χρ. στιγμή t, δηλ. dc(t)- dc (t) = e(t) Διαφο ρετικά, έχει λάβει αυτούσια την πραγματική πληροφορία πλαισίου για την χρονική στιγμή t. Συνεπώς δεν υπάρχει σφάλμα ανακατασκευής Αντώνιος Ν. Κατσίκης 7
Vector AutoRegression (VAR) Model Διανυσματικό Αυτοπαλίνδρομο Υπόδειγμα Υλοποιεί τον μηχανισμό «πρόβλεψης» που υλοποιείται σε κάθε κόμβο Αποτελεί επέκταση του απλού (μονομεταβλητού) αυτοπαλίνδρομου μοντέλου (AR). Είναι ένα από τα πιο επιτυχημένα, ευέλικτα, και εύκολα στη χρήση πρότυπα για την ανάλυση πολυμεταβλητών χρονοσειρών Εκμεταλλευόμαστε την πολυμεταβλητή φύση και την στατιστική εξάρτηση των διανυσμάτων πλαισίου, με τα οποία αναπαρίσταται η πληροφορία πλαισίου Αντώνιος Ν. Κατσίκης 8
Προσομοίωση - Εκτίμηση Απόδοσης Χρησιμοποιήθηκαν πραγματικά δεδομένα ανίχνευσης σε δίκτυα αισθητήρων. Το κάθε διάνυσμα πλαισίου αποτελείται από 7 μεταβλητές με περιεχόμενο (θερμοκρασία1, υγρασία1, θερμοκρασια2, υγρασία2, θερμοκρασια3, υγρασία3,ταχύτητα ανέμου) Υιοθετήθηκε το μοντέλο κατανάλωσης ενέργεια Mica2 Τρόπος Λειτουργία Κόμβου Εκτέλεση εντολής Αδρανής - Αναμονή Αποστολή - Προώθηση Ενεργειακό Κόστος 4 nj/εντολή 9.6 mj/s 0.33mJ/s 720 nj/bit 110 nj/bit Η κάθε μεταβλητή δεσμεύει 4 bytes από το ωφέλιμο φορτίο κάθε πακέτου, ενώ το σήμα ανακατασκευής έχει μέγεθος 1 bit Ο μηχανισμός ARCC, συγκρίνεται με τον μηχανισμό απλής προώθησης όλων των δεδομένων πλαισίου (Simple Data Forwarding - SDF) Αντώνιος Ν. Κατσίκης 9
Προσομοίωση - Εκτίμηση Απόδοσης Έχει ενσωματωθεί το ενεργειακό κόστος που προκαλείται στον ARCC από την υλοποίηση της VAR Το συνολικό κόστος σε Joule την χρονική στιγμή t για έναν κόμβο i, αναπαρίσταται ως εξής: c(t) = c(t -1) + cr(t) +ct(t) + ci(t) + c0(t) Όπου cr(t), ct(t), είναι το κόστος λήψης και αποστολής των δεδομένων ci(t) είναι το ενεργειακό κόστος, για την εκτέλεση των εντολών της CPU c0(t) είναι το κόστος της αρχικής κατάστασης του κόμβου Η εξοικονόμηση ενέργειας επιτυγχάνεται μέσω της σημαντικής μείωσης του cr(t) +ct(t), εις βάρος της σχετικά μικρής αύξησης του ci(t) Αντώνιος Ν. Κατσίκης 10
Ενεργειακό Κόστος (ARCC-SDF) Αντώνιος Ν. Κατσίκης 11
Ενεργειακό Κέρδος & Συντελεστής Απόδοσης Ενεργειακό Κέρδος: Η ποσοστιαία εξοικονόμηση που έχουμε στο ενεργειακό κόστος, όταν σε έναν ασύρματο δίκτυο αισθητήρων, εφαρμόζουμε τον μηχανισμό ARCC, αντί για την απλή προώθηση πλαισίων, SDF:, pcg(t) [0, 1] Συντελεστής Απόδοσης: Συνεκτιμούμε ταυτόχρονα τους παράγοντες ενεργειακό κόστος και σφάλμα ανακατασκευής, για τους οποίους ενδιαφερόμαστε πρωτίστως, ισοζυγίζοντας τους στον παρακάτω τύπο ως εξής:, f(t) [0, 1] Από τον τύπο, προκύπτει πως ο συντελεστής απόδοσης στον SDF, έχει σταθερή τιμή, ίση με 0.5 Αντώνιος Ν. Κατσίκης 12
Ενεργειακό Κέρδος (pcg) ARCC Αντώνιος Ν. Κατσίκης 13
Συντελεστής Απόδοσης (f) Αντώνιος Ν. Κατσίκης 14
Συμπίεση Πλαισίου βασιζόμενη στην Ανάλυση Κύριων Συνιστωσών και στο Αυτοπαλίνδρομο υπόδειγμα (Principal Component- Autoregression-based Context Compression PCARCC) Αντώνιος Ν. Κατσίκης 15
PCARCC Φάσεις Μάθησης Συμπίεσης (Υπό-μάθησης/Υπό-συμπίεσης) Η κάθε περίοδος του μηχανισμού PCARCC αποτελείται από τις εξής φάσεις: Φάση μάθησης (PCA): Ο κόμβος αποστολής μαθαίνει τις κύριες συνιστώσες των τελευταίων m μετρήσεων που έλαβε/ανίχνευσε, ενώ παράλληλα προωθεί χωρίς επεξεργασία τα διανύσματα αυτά στο επόμενο κόμβο. Φάση Υπό-μάθησης (VAR): Ο κόμβος αποστολής προωθεί στον επόμενο κόμβο, το συμπιεσμένο κατά PCA διάνυσμα πλαισίου και παράλληλα, δημιουργεί την μνήμη (μάθηση) για την διαδικασία VAR, που πρόκειται να ακολουθήσει. Φάση Υπό-συμπίεσης (VAR): Στα συμπιεσμένα κατά PCA πλαίσια, εφαρμόζεται η διαδικασία VAR. Κατά αυτό τον τρόπο στον επόμενο κόμβο, όταν οι συνθήκες είναι κατάλληλες, προωθούνται σήματα ανακατασκευής. αντί των συμπιεσμένων πλαισίων. Αντώνιος Ν. Κατσίκης 16
Ενεργειακό Κόστος ARCC/PCARCC/PC3/SDF Αντώνιος Ν. Κατσίκης 17
Ενεργειακό Κέρδος (PCG) ARCC/PCARCC/PC3 - SDF Αντώνιος Ν. Κατσίκης 18
Συντελεστής Απόδοσης (f) Αντώνιος Ν. Κατσίκης 19
Τέλος Παρουσίασης Ευχαριστώ!!! Αντώνιος Ν. Κατσίκης 20