New Approach for Optimizing Usage of Situation Recognition Algorithms within IoT Domains

Over the past few years technological advancements have supported the growth of the Internet of Things (IoT). The Internet of Things consists of (smart) objects embedded with sensors, actuators and controllers. These objects are connected to the Internet and are able to communicate with each other. The interconnection and communication of objects enable the creation of different application domains within the Internet of Things. Smart living is one of the major application areas for the Internet of Things. Sensors, actuators and controllers in a smart living environment (e.g. smart homes) are deployed anywhere; on objects or even on persons. As sensors have the capability to sense the environment, they can be used to collect useful information on location, motion, temperature, humidity, light, etc. Actuators can perform different actions based on data gathered from sensors, and controllers can process that data. Real-time situation awareness is one of the key tasks in a smart living environment. Real-time recognition of situations is especially important in ambient assisted living environments, where elderly or disabled people need support in their everyday lives. Recognition of situations in real-time enables immediate identification of critical situations and provides just-in-time assistance. To detect situations, data needs to be monitored, collected, analyzed and processed. Due to the increasing number of IoT connected devices, the amount of generated data is increasing too. Processing huge amounts of data is complex due to the inefficiency of continuously-running pattern/situation recognition algorithms, high requirement for processing capability and high frequency of the recognition process. Situation recognition algorithms must be executed constantly to handle the continuously generated data. For real-time recognition of situations in particular, these algorithms need to be executed permanently for all received data. The continuously-running recognition algorithms require high processing capabilities. The resource consumption of these algorithms is especially high when they are running on large sets of data. To overcome these problems there is a need for more intelligent approaches that are able to decide - based on target situation recognition purposes - which data is important and should be processed and which algorithm should be used to process this data. This study proposes an approach for optimizing the usage of situation recognition algorithms in Internet of Things domains. The key idea of our approach is to select important data, based on situation recognition purposes, and to execute the situation recognition algorithms after all relevant data have been collected. The main advantage of our approach is that situation recognition algorithms will not be executed each time new data is received. This allows reduction of the frequency of execution of the situation recognition algorithms, thus saving computational resources, such as CPU, memory, storage, bandwidth and power. Another advantage of our approach is that it can be applied to recognize situations in real-time, which is useful for ambient assisted living environments. We apply the proposed approach to implement a use case scenario on top of the universAAL IoT platform, which is an open-source platform for the development of IoT solutions. In den letzten Jahren gab es viele Fortschritte in Technologien, die zur Entwicklung des Internet der Dinge (Internet of Things) beigetragen haben. Das Internet der Dinge besteht aus (intelligenten) Objekten, in denen Sensoren, Aktuatoren und Controller eingebettet sind. Diese Objekte sind mit einem Netzwerk, wie dem Internet, verbunden, wodurch sie die Möglichkeit besitzen, miteinander zu kommunizieren. Die Vernetzung und Kommunikation von verschiedenen Objekten ermöglicht die Entwicklung unterschiedlicher Anwendungsdomänen für das Internet der Dinge. Smart Living Umgebungen sind eine der wichtigsten Anwendungsdomänen im Internet der Dinge. In einer Smart Living Umgebung werden Sensoren, Aktuatoren und Controller überall auf Objekten oder sogar auf Personen platziert. Sensoren können die Umgebung wahrnehmen und nützliche Informationen über den Standort, die Bewegung, die Temperatur, die Feuchtigkeit, das Licht und vieles mehr sammeln. Aktuatoren können verschiedene Aktionen basierend auf Daten, die von Sensoren gesammelt werden, durchführen und Controller können diese Daten verarbeiten. Echtzeit-Situationserkennung ist eine der wichtigsten Aufgaben in einer Smart Living Umgebung. Die Echtzeit-Erkennung von Situationen ist besonders wichtig in Ambient Assisted Living Umgebungen, in denen ältere oder Menschen mit Behinderung in ihrem Alltag unterstützt werden. Die Echtzeit-Situationserkennung in diesen Umgebungen ermöglicht es, kritische Situationen sofort zu erkennen und ggf. Hilfe zu leisten. Um Situationen zu erkennen, müssen Daten gesammelt, gespeichert, analysiert und verarbeitet werden. Aufgrund der zunehmenden Anzahl von Geräten im Internet der Dinge nimmt die Menge der erzeugten Daten zu. Die Verarbeitung größerer Datenmengen ist nicht trivial aufgrund der Ineffizienz von ständig laufenden Situationserkennungsalgorithmen, der hohen erforderlichen Verarbeitungsfähigkeit und der erforderlichen Erkennungshäufigkeit. Die Situationserkennungsalgorithmen müssen kontinuierlich laufen, um die kontinuierlich erzeugten Datenmengen zu verarbeiten. Darüber hinaus erfordern kontinuierlich laufende Erkennungsalgorithmen eine hohe Verarbeitungsfähigkeit. Der Ressourcenverbrauch dieser Algorithmen ist besonders hoch, wenn sie auf grosse Datensätze angewandt werden. Um diese Probleme zu überwinden, ist es notwendig, intelligentere Ansätze zu entwickeln, die auf der Grundlage der Zielsituationserkennung entscheiden können, welche Daten wichtig sind und welche verarbeitet werden sollten und welche Algorithmen zur Verarbeitung dieser Daten verwendet werden sollten. In dieser Arbeit wird ein Ansatz vorgeschlagen, der die Optimierung der Nutzung von Situationserkennungsalgorithmen im Bereich des Internet der Dinge optimiert. Die Grundidee unseres Ansatzes besteht darin, relevante Daten basierend auf den Situationserkennungszwecken auszuwählen und die Situationserkennungsalgorithmen erst dann auszuführen, nachdem alle relevanten Daten gesammelt wurden. Der Hauptvorteil dieses Ansatzes ist, dass die Situationserkennungsalgorithmen nicht jedes Mal ausgeführt werden müssen, wenn neue Daten empfangen werden. Dies ermöglicht die Häufigkeit der Ausführung von Situationserkennungsalgorithmen zu verringern und die Rechenressourcen wie CPU, Speicher, Bandbreite und Strom zu sparen. Ein weiterer Vorteil ist, dass der vorgeschlagene Ansatz Situationen in Echtzeit erkennen kann, was in einer Ambient Assisted Living Umgebung sehr nützlich ist. Wir werden den vorgeschlagenen Ansatz verwenden, um ein Use Case-Szenario basierend auf der Plattform universAAL IoT zu implementieren, die eine Open-Source-Plattform für die Entwicklung von Lösungen für das Internet der Dinge ist