Detecção de eventos em redes de sensores sem fio

Detecção de eventos é um problema fundamental em redes de sensores sem fio. Aplicações típicas são monitoramento de ambiente, detecção de presença, aplicações médicas e militares, dentre outras. O objetivo é, durante o monitoramento, identificar quando os dados coletados identificam a ocorrência de um evento de interesse. A falta de uniformidade no tratamento deste problema (como variações nas modelagens do evento analisado e da medida feita pelo sensor, além do conjunto de métodos utilizados para a sua detecção) não permite a comparação entre propostas diferentes. Este trabalho apresenta um arcabouço para detectar eventos em um cenário com ocorrências de falhas de sensores não-ideais, cujas medidas possuem imprecisões provenientes das flutuações de valor das características monitoradas em ambientes com ruído. Para tal, propomos a adaptação do arcabouço de fusão de dados Diffuse para o caso de detecção de eventos e o avaliamos com um método proposto baseado em Gráficos de Controle de Qualidade. O arcabouço Diffuse foi inicialmente proposto para detecção de falhas em cenário de fluxo contínuo de dados na rede, usando métricas de tráfego. A versão adaptada do Diffuse é formada por 4 componentes: i) Processador de Medida, que é um módulo de filtragem do dados coletado e detecção de falhas, ii) Processador de Eventos, usado para estimar a ocorrência de evento dado um conjunto de características físicas monitoradas; iii) Estimador de Estado, que infere a ocorrência de eventos dadas as estimativas de ocorrência dos nós vizinhos e, iv) Tomador de Decisão, que opta pelo envio de uma notificação de ocorrência de evento para o nó sorvedouro caso ele tenha sido detectado. Os resultados das simulações realizadas no Sinalgo mostram que: i) para 10% de falhas de sensores (i.e., quando um sensor mede um dado errado do ambiente), nossa implementação do arcabouço tem, aproximadamente, 96% de taxa de acerto de detecção de eventos; e ii) 30% de falhas de sensores, nossa implementação do arcabouço tem 75% de taxa de acerto de detecção de eventos. A contribuição deste trabalho é fornecer a versão adaptada do arcabouço Diffuse, que permite implementações de métodos de detecção de eventos baseados em técnicas de estimativa e inferência usando dados coletados imprecisos, formalizando comparações de implementações de métodos de detecção de eventos. Além disso, também disponibilizamos um conjunto de modelos-padrão para comparar métodos de detecção de eventos e dois novos métodos: um baseado na Teoria de Gráfico de Controle e o outro baseado em Intervalos de Confiança.Event detection is a fundamental problem in wireless sensor networks. Typical applications related to event detection include, among others, medical and military developments, environment monitoring and presence detection. The goal of event detection is to identify when a collected data represents the occurrence of an event of interest. The lack of uniformity on treating this problem (such as the variations in modeling of data collection made by the sensor and of event, and the set of methods for its detection) does not allow the comparison among different proposals. This work presents a framework to detect events for scenarios with fault occurrence, measuring imprecision of the monitored characteristic performed by a non-ideal sensor device at an environment with background noise. For this purpose, we adapted the framework Diffuse to the case of event detection, and evaluated it with a new proposed method based on Control Charts Theory. The framework Diffuse was initially proposed to detect sensor faults in a scenario of constant data streaming over a wireless sensor network using traffic metrics. The adapted version of the Diffuse framework consists of four elements: (i) Measurement Processor, which is a module to filter the collected data and detect faults; (ii) Event Processor, which is used to estimate the occurrence of a given event from a set of monitored characteristics; (iii) State Estimator, which infers the occurrence of events given the estimations of occurrence of neighborhood, and (iv) Decision Maker, which chooses sending an event occurrence notification to the sink (in case it has been detected). Simulation results performed with the Sinalgo simulator showed that: (i) for 10% of sensor faults (i.e., when a sensor device measures a wrong data from the environment) our framework implementation has approximately 96% of event detection hit rate; and (ii) for 30% of sensor faults, our framework implementation has 75% of event detection hit rate. The contribution of this work is to provide an adapted version of the Diffuse framework that covers event detection methods based on estimation and inference theories using inaccurate collected data providing a way to compare event detection implementations. Furthermore, we also provided a set of default models to compare event detection methods and two new methods: one based on Control Charts Theory and another one based on Confidence Interval