Detecção e identificação de outliers em redes de sensores sem fio de larga escala

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2017.Redes de Sensores Sem Fio (RSSFs) são utilizadas em diversas áreas para rastreamento e monitoramento de ambientes. A facilidade de implantação dessas redes, associada ao baixo custo dos nodos, incentivam a sua utilização para fins comerciais, militares e industriais. Entretanto, as RSSFs de larga escala, por possuírem uma grande quantidade de nodos implantados, geram uma grande quantidade de dados brutos. Além disso, em virtude da própria natureza dessas redes, dados anômalos (outliers) podem ser gerados, comprometendo a confiabilidade dos dados. De forma geral, a utilização de técnicas para detecção e identificação (classificação) de outliers é essencial para manter a confiabilidade dos dados para que futuras tomadas de decisões sejam realizadas. Devido às restrições de hardware dos nodos, as técnicas tradicionais de detecção e identificação de outliers geralmente não são aplicáveis às RSSFs. Sendo assim, a aplicação de técnicas de baixo custo computacional é uma das únicas soluções viáveis. O objetivo desse trabalho de mestrado é analisar e aplicar técnicas de detecção e identificação de outliers, de baixo custo computacional, para RSSFs de larga escala. A abordagem proposta é dividida em duas etapas: a primeira para detecção de outliers, através da aplicação de técnicas baseadas em estatísticas. A segunda etapa é dedicada à identificação de outliers, por meio da combinação de correlações espaciais e limites pré-definidos. Para avaliação da proposta é utilizado o simulador OMNeT++/Castalia. Os resultados obtidos através das simulações mostraram que é viável a utilização de técnicas baseadas em estatísticas com baixo custo computacional, para a detecção e identificação de outliers em RSSF de larga escala.Abstract : Wireless Sensor Networks (WSNs) are used in many areas for tracking and monitoring environments. The ease of deployment of these networks, coupled with the low cost of nodes, encourages their use for commercial, military and industrial purposes. However, the large-scale WSNs have a large number of implanted nodes, consequently generate a large amount of raw data. Moreover, due to the nature of these networks, outliers can be generated, compromising data reliability. In general, the use of techniques for detection and identification (classification) of outliers to maintain the reliability of data for future detainees is vital. Due to the hardware constraints of the nodes, traditional outliers detection and identification techniques are generally applicable to WSNs. Thus, an application of techniques of low computational cost is one of the only solution viable. The objective of this masters dissertation is to analyze and apply low-computational outliers detection and identification techniques for large-scale WSNs. The proposed approach is divided into two steps: the first one to detect outliers, through the application of statistical techniques. The second step is dedicated to the identification of outliers, through the combination of spatial correlations and predefined boundaries. To evaluate the proposal, the OMNeT ++/Castalia simulator is used. The results obtained through the simulations showed that it is feasible to use techniques based on statistics with low computational cost for the detection and identification of outliers in large-scale WSN