Um modelo hıbrido baseado em ontologias para aplicaç ... - PUC-Rio

Um modelo híbrido baseado em ontologias para aplicações
sensíveis ao contexto no middleware MoCA ∗
Ricardo C. A. da Rocha † , Marco A. Casanova, Markus Endler
1 Departamento de Informática
Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
Rio de Janeiro – RJ – Brazil
{rcarocha,casanova,endler}@inf.puc-rio.br
Abstract. Several projects in context-aware computing have adopted ontologies
for modeling context information, due to its rich constructions for modeling
high-dependent concepts and its mechanisms for describing complex inferences.
However, ontologies introduce scalability and performance drawbacks
on context-aware systems, which usually process high-volume and distributed
information. To avoid such disadvantage, some research efforts have proposed
the adoption of hybrid context models. This paper presents a hybrid context
model for the MoCA, a middleware for developing and deploying context-aware
collaborative applications for mobile users.
Resumo. Vários projetos em computação sensível ao contexto têm adotado
ontologias para modelagem de contexto, devido às suas construções ricas
para modelagem de conceitos altamente dependentes entre si e a facilidade
de prover mecanismos de inferências complexos. Entretanto, ontologias introduzem
limitações na escabilidade e desempenho dos sistemas sensíveis a contexto,
que usualmente processam informações em grande volume e distribuição.
Para contornar esta desvantagem, muitos modelos de contexto híbridos têm
sido propostos. Neste artigo, apresentamos um modelo de contexto híbrido
para o MoCA, um middleware de desenvolvimento de aplicações colaborativas
sensíveis a contexto para usuários móveis.
1. Introdução
Computação sensível ao contexto é o paradigma no qual aplicações podem se adaptar
dinamicamente a mudanças no estado do ambiente, o qual é chamado simplesmente de
contexto. Contexto pode ser definido como ”qualquer informação que pode ser usada
para caracterizar a situação de uma entidade” [Dey 2001], seja a entidade uma pessoa,
objeto, lugar ou atividade.
O paradigma de computação sensível ao contexto fomentou o desenvolvimento
de vários protótipos de aplicações, sistemas de middleware e tecnologias de sensoriamento.
Entretanto, a promessa da computação sensível ao contexto ainda não foi de
fato concretizada, e atualmente encontramos apenas alguns poucos serviços orientados ao
contexto de localização disponíveis no mercado.
∗ Trabalho parcialmente financiado pelos projetos CNPq 55.2068/02-2 (ESSMA) e 479824/04-5 (Ed.
Universal)
† Bolsista CNPq

Um dos problemas ainda não resolvidos é a especificação de modelos de contexto
capazes de descrever o ambiente físico no qual o sistema está inserido. Estes modelos são
importantes porque definem como o contexto pode ser interpretado e processado pelas
aplicações e a infra-estrutura sensível ao contexto.
Vários modelos foram desenvolvidos no passado, como o modelo parvalor
[Schilit et al. 1994], mas eles se mostraram insuficientes para descrever a complexidade
do ambiente em termos do alto relacionamento entre informações contextuais, ambiguidade,
incerteza e imprecisão da informação contextual.
Mais recentemente, ontologias têm sido exploradas para a modelagem de contexto
em sistemas como CoBrA [Chen 2004], que se baseia na aplicação de salas de reunião
inteligentes. Entretanto, embora ontologias ofereçam poder de modelagem, elas introduzem
limitações na escalabilidade e desempenho dos sistemas. Para contornar esta dificuldade,
vários modelos híbridos baseados em ontologias têm sido desenvolvidos, como
[Henricksen et al. 2004, Strimpakou et al. 2006], com o objetivo de adequar o poder da
modelagem baseada em ontologias com estruturas adequadas para o processamento eficiente
de contexto.
Neste artigo, apresentaremos um modelo de contexto híbrido para o middleware
MoCA [Sacramento et al. 2004], seu propósito, uso e limitações. Este artigo está organizado
da seguinte maneira: na seção 2 discutiremos o uso de ontologias para modelagem
de contexto em computação ubíqua e sensível ao contexto e suas principais limitações.
Na seção 3, apresentaremos uma visão geral do middleware MoCA e o modelo de contexto.
Na seção 4 apresentaremos uma abordagem para utilização de um modelo híbrido
de contexto no middleware MoCA, como os conceitos do modelo MoCA são mapeados
para a ontologia proposta, suas vantagens e limitações. Por fim, na seção 5 discutiremos
o estado atual da pesquisa e nossos próximos passos.
2. Ontologias para Computação Sensível ao Contexto
Sistemas sensíveis ao contexto fazem basicamente o uso de contexto para promoverem
adaptações, sejam elas no nível de aplicação, middleware ou de serviços providos por
um middleware. Na implementação de aplicações sensíveis a contexto, é necessário que
o programador indique as condições para as quais uma aplicação deve ativar uma certa
funcionalidade. Por exemplo, uma aplicação de sala de aula inteligente poderia carregar a
apresentação do professor assim que ele entrasse na sala de aula e manter atualizada a lista
de presentes sempre que um aluno entrasse ou saisse da sala durante a aula. Para fazê-lo,
a aplicação poderia fazer uso de informações de contexto como localização, papéis dos
usuários na sala, cronograma das aulas e tempo.
Várias ontologias têm sido desenvolvidas para computação ubíqua e sensível ao
contexto. Um dos primeiros sistemas sensíveis a contexto a utilizarem ontologias foi
o CoBrA [Chen 2004], que tinha como aplicação-alvo as salas de reuniões inteligentes,
para os quais o sistema reconhecia reuniões agendadas em um calendário, participantes
que estavam presentes nas salas e automatizava tarefas dependendo dos papéis que eles
deveriam executar na reunião. Neste contexto, duas ontologias foram desenvolvidas:
SOUPA [Chen et al. 2004], uma ontologia padrão para aplicações ubíquas que modelava
conceitos com pessoa, reunião e ação, e CoBrA-ONTO, que descrevia os conceitos específicos
do ambiente físico da universidade na qual as aplicações CoBrA executavam.

Outros exemplos de sistemas sensíveis ao contexto que fazem uso de ontologias são
ACAI [Khedr and Karmouch 2005] e GAIA [Ranganathan et al. 2003]. Estes trabalhos
demonstraram o poder de ontologias para descrever informações contextuais e em separar
a descrição de contexto e suas regras de inferência da implementação dos sistemas
sensíveis ao contexto.
Entretanto, a adoção de ontologias introduziu algumas dificuldades no desenvolvimento
de sistemas sensíveis a contexto. A maior desvantagem é que elas dificultam a
captura, gerenciamento e processamento de contexto de uma maneira escalável e eficiente
[Wang et al. 2004, Strimpakou et al. 2006]. O problema do desempenho e escalabilidade
torna-se mais crítico quando o sistema processa informações de contexto como
localização, que podem mudar rapidamente e exigir a execução constante de inferências.
Além disso, as abstrações para acesso e uso de contexto baseado em ontologias não são
adequadas. Ontologias não permitem modelar diretamente mudanças ao longo do tempo
e adaptações, o que são imprescindíveis para computação sensível ao contexto.
Além desta limitação, alguns trabalhos [Henricksen et al. 2004] arguem que o
tipo de inferência possível com linguagens como OWL são limitados para modelagem
de informação contextual, e que é difícil modelar inferência baseada em qualidade de
contexto ou a utilização de informação contextual imperfeita.
Para contornar tais limitações, recentemente têm sido desenvolvidas abordagens
de modelagem de contexto híbridas, que fazem o uso de ontologias em conjunto
com outras técnicas de modelagem e processamento, tentanto aproveitar ao máximo
as qualidades de cada um dos modelos. Exemplos desses esforços são os trabalhos
[Henricksen et al. 2004] e [Strimpakou et al. 2006].
3. Modelagem e Processamento de Contexto no Middleware MoCA
MoCA [Sacramento et al. 2004] é um middleware baseado em serviços para o desenvolvimento
de aplicações sensíveis ao contexto. Na arquitetura MoCA, nós modelamos
duas informações de contexto base: a informação de contexto local, que descreve o contexto
de execução de um dispositivo incluindo dados com nível de energia, memória e
uso da CPU, e o contexto de conectividade sem fio, que inclui os pontos de acesso IEEE
802.11 alcançáveis pelo dispositivo e seus correspondentes níveis de sinal. O LIS (Location
Inference Service) [Nascimento 2005] é um serviço MoCA responsável por publicar
informações de contexto de localização dos dispositivos na forma de localizações
simbólicas (exemplo: Sala A, Prédio B), o qual é inferido a partir do contexto de
comunicação sem fio do dispositivo.
Recentemente, propusemos uma extensão do modelo de contexto original
do MoCA, descrito em [Sacramento et al. 2004]. Este novo modelo de contexto
[da Rocha and Endler 2006b] foi desenvolvido com o objetivo de prover extensibilidade
e permitir a modelagem de relacionamentos, dependência e associações entre
informações contextuais. Além disso, introduzimos uma abordagem simples para modelagem
de qualidade de contexto.
Neste modelo de contexto, o elemento básico é o atributo de contexto, que encapsula
valores ou uma associação com outra informação contextual. No modelo de contexto,
o desenvolvedor modela o comportamento em tempo de execução das informações de

contexto, tais como: se uma informação é estática ou dinâmica, se a confiabilidade de uma
informação decresce com o tempo, detalhes para auxiliar a implantação do tipo de contexto
no serviço de contexto, qual é o provedor de contexto responsável pela geração da
informação contextual, e o domínio do ambiente distribuído no qual o contexto se aplica.
Essas informações são importantes para garantir o melhor desempenho e escalabilidade
no processamento de contexto [da Rocha and Endler 2006a]. Além dessas informações, é
possível descrever abstrações para o uso de contexto como consultas contextuais e eventos
de mudança de contexto.
O modelo de contexto é descrito em um arquivo XML, composto de quatro partes:
estrutura do contexto, que representa os atributos do contexto e o interrelacionamento
com outros tipos de contexto, meta-informação de qualidade de contexto, eventos contextuais
and consultas. O trecho abaixo mostra um XML simplificado no qual é modelado
parte do tipo de contexto UserContext.
descriptive comment
....
....
A cada atributo de contexto pode estar associada uma meta-informação de qualidade
de contexto do atributo em termos de precisão and confiabilidade. A precisão
especifica uma região de valores que o atributo de contexto pode assumir. Por exemplo,
para uma informação de localização recuperada de um sensor GPS, a precisão é um valor
constante (usualmente próximo de cinco metros) e que expressa o erro presumido máximo
para o valor do contexto. A precisão também pode ser descrita como a granularidade da
informação de contexto. Por exemplo, o serviço LIS dissemina informação de localização
em termos de regiões simbólicas, que pode ser especificada em termos de salas, prédios
ou campus. A confiabilidade especifica um valor numérico que estima a probabilidade do
valor do contexto estar correto.
Eventos contextuais representam abstrações sobre situações ou condições ambientais
(expressas em termos de atributos de contexto) nas quais uma aplicação pode estar
interessada. Um evento contextual é especificado em termos de valores de atributos de
contexto e predicados. Um exemplo de evento contextual é a diminuição do nível de bateria
de um dispositivo para um nível crítico (menor que um valor especificado). Neste
caso, uma aplicação poderia ser projetada para reagir a uma dada condição ambiental registrando
o interesse por este evento contextual e recebendo a respectiva notificação assim
que ele a condição for satisfeita. Em alguns casos, a condição que dispara um evento con-

textual pode ser muito complexa para ser descrita simplesmente em termos de valores de
atributos e, neste caso, deve ser especificada no próprio elemento provedor da informação
contextual. Por exemplo, o LIS utiliza um algoritmo probabilístico para determinar se
um dispositivo entrou em uma área simbólica, o que corresponde ao evento contextual
EnteringInAnArea, que não pode ser descrito como uma simples conjunção de valores de
atributos.
Consultas contextuais representam abstrações sobre consultas para requisição
síncrona de informação de contexto. Aplicações utilizam consultas contextuais para recuperar
informações contextuais que satisfazem a certas condições. Por exemplo, LIS
permite algumas consultas baseadas em localização, como ”recuperar todas as áreas
simbólicas” e ”recuperar todos os dispositivos dentro de uma área simbólica”. Consultas
contextuais permitem ao desenvolvedor do contexto especificar semânticas de consultas
que podem ser compartilhadas entre várias aplicações que utilizam a informação contextual.
Assim como ocorre com eventos contextuais, consultas podem ser especificadas na
forma de expressões explícitas, utilizando uma linguagem semelhante a SQL, ou podem
ser implementadas pelo provedor de contexto, caso a consultas seja difícil de especificar
por expressões.
Um modelo de contexto MoCA é implantado no ambiente utilizando a ferramenta
CT (Context Tool), que valida o modelo quando à estrutura do XML e o estado do sistema
de tipos de contexto correntemente mantida na infra-estrutura MoCA. Além disto,
a ferramenta gera uma biblioteca que permite o acesso ao contexto e demais abstrações
via construções orientadas a objetos. Uma discussão mais detalhada sobre o modelo de
contexto do MoCA pode ser encontrada em [da Rocha and Endler 2006b].
4. Abordagem de Integração com Ontologias - ONTO-MoCA
ONTO-MoCA é uma ontologia que descreve os conceitos e abstrações do modelo de
contexto MoCA, descrito na seção anterior. Esta ontologia foi desenvolvida com três
propósitos: (1) oferecer um modelo alternativo ao modelo MoCA, facilitando o compartilhamento
do modelo com outras arquiteturas ou sistemas; (2) oferecer um modelo mais
complexo do ambiente nos quais os sistemas sensíveis a contexto estão inseridos, que
não seja demasiadamente focado dos detalhes de implementação ou comportamentais; e
(3) permitir mecanismos de inferência e verificação adicionais aos já feitos no modelo
MoCA.
ONTO-MoCA descreve os conceitos existentes no modelo MoCA, sem a responsabilidade
de descrever em detalhes o comportamento em tempo de execução dos tipos
de contexto. O núcleo da ONTO-MoCA é a modelagem das três principais abstrações
do modelo de contexto MoCA: os atributos de contexto, consultas e eventos contextuais,
além do contexto propriamente dito. Atributos de contexto são diretamente mapeados
na ontologia, utilizando-se propriedades e classes. Entretanto, consultas e eventos contextuais
são parcialmente mapeados, porque muitas informações do modelo MoCA descrevem
detalhes de implementação e mantém associações com código desenvolvido fora
do próprio modelo.
Consultas contextuais são modeladas como classes associadas ao contexto, para
que elas tenham para o desenvolvedor o significado de uma abstração. Consultas implícitas,
ou seja, implementadas no provedor de contexto, são modeladas da mesma maneira.

Seguimos a mesma abordagem para modelar eventos contextuais: como eles representam
mudanças temporais em instâncias de contexto, não podem ser modelados diretamente
na ontologia utilizando os mecanismos de OWL. Como eles devem ser interpretados
como abstrações pelo desenvolvedor, eventos contextuais foram implementados
como classes na ontologia. Nesta versão da ONTO-MoCA ainda não adotamos nenhum
mecanismo para a modelagem das condições de geração dos eventos, tais como RuleML
ou built-ins predicates de SWRL.
Figura 1. Estrutura do contexto na ONTO-MoCA
A figura 1 exibe uma simplificação da ontologia MoCA, descrevendo as principais
propriedades de um contexto. Nesta ontologia descrevemos os conceitos do modelo
MoCA utilizando a mesma estrutura. Assim, um Context é formado de atributos de
contexto (ContextAttribute), um ContextTarget e os conjuntos de consultas e eventos
contextuais (ContextualEvent) que especificam a interface da classe de contexto.
A cada atributo de contexto ContextAttribute podem estar associada uma informação
de QoC, na forma de AttributeP recision e AttributeAccuracy. As consultas e eventos
contextuais possuem uma particularidade: podem ser definidos pelo provedor do contexto,
como é o caso de queries do tipo ProviderDefinedQuery e dos eventos contextuais do
tipo ProviderDefinedEvent. Embora elas existam como conceitos no modelo, apenas
a implementação dos provedores é que especifica a sua estrutura.
4.1. Mapeamento Inter-modelos
Para que ONTO-MoCA funcionasse junto com o modelo de contexto MoCA, desenvolvemos
um mecanismo para manter os modelos atualizados e consistentes entre si.
O mecanismo de mapeamento entre os dois modelos possui uma componente estática
e outra dinâmica. O mapeamento estático ocorre em tempo de implantação de contexto
no MoCA, fazendo uso do XML de contexto MoCA, no qual a ontologia ONTO-MoCA
deve ser atualizada para cobrir os novos tipos de contexto sendo incorporados pela CT.
O mapeamento dinâmico ocorre em tempo de execução e as instâncias de contexto deve
ser atualizadas no ONTO-MoCA como resultado da alteração do contexto do ambiente.
A manutenção dinâmica da ontologia é o ponto crítico de desempenho para um sistema
sensível ao contexto.

O mapeamento estático é implementado por meio de módulos incorporados à CT
que tem acesso a todos os modelos de contexto correntemente disponíveis para o MoCA.
Com o uso de Jena [HP Labs 2006], o módulo atualiza as classes do ONTO-MoCA e verifica
possíveis inconsistências que os novos tipos de contexto possam criar (ver seção 4.2).
O uso da ONTO-MoCA entretanto, não interfere na maneira como as aplicações
acessam e manipulam contexto. Todas as construções para acesso a contexto continuam
sendo orientadas a objetos, seguindo o modelo tradicional de MoCA, para não comprometer
o desempenho das aplicações sensíveis a contexto.
A figura 2 ilustra as principais operações que estabelecem o mapeamento entre
os modelos MoCA e ONTO-MoCA. Um usuário desenvolvedor de aplicações sensíveis
ao contexto atua mais diretamente na ONTO-MoCA, investigando como os conceitos
da ontologia podem auxiliá-lo na implementação da aplicação e adicionando novos conceitos
à ontologia de maneira modelar conceitos que complementam o modelo MoCA na
descrição do ambiente. Assim, este usuário pode executar operações de navegação (1) e
modificação (2) na ontologia. Estas mesmas operações podem ser executadas pelo desenvolvedor
de novos provedores de contexto, no modelo MoCA, onde o usuário especifica
como o contexto se comporta em tempo de execução.
Desenvolvedor
Aplicação
2
Modificar
Navegar
1
ONTO-MoCA
Gerar stub
XML MoCA
4
stub
Modelo
3
Atualizar
7
Verificar
consistência
Preenc her
stub
5
XML
Modelo
Modelo de Contexto
MoCA
Implantar
modelo
Gerar
código
Figura 2. Operações inter-modelos MoCA e ONTO-MoCA
6
2
Modificar
Navegar
1
código
Desenvolvedor de
Provedor de
Contexto
Os dois modelos interagem entre si, realizando operações de atualização (3), com
a qual ONTO-MoCA é atualizada com os novos contextos que forem adicionados no
modelo MoCA. Esta operação mantém ONTO-MoCA consistente com o modelo MoCA.
Um desenvolvedor de provedores de contexto tem, portanto, o poder de alterar o modelo
MoCA, dentro das regras de manutenção de consistência do próprio modelo.
Por outro lado, as modificações feitas por um desenvolvedor de aplicação estão
limitadas aos conceitos descritos em ONTO-MoCA que, conforme dito anteriormente,
não implementa todos os conceitos do modelo MoCA. Caso tais modificações precisem
ser atualizadas no modelo MoCA, como por exemplo a inclusão de um novo tipo de
contexto, é gerado um stub de modelo XML (4) MoCA, que deve ser posteriormente
preenchido (5) com as informações que descrevem o comportamento do contexto, pelo
desenvolvedor da aplicação ou do provedor de contexto. Após esta etapa, o novo tipo
de contexto é implantado no modelo MoCA (6), que o valida na ONTO-MoCA e gera o
código que permite ao desenvolvedor acessá-lo na sua aplicação. Todas as modificações
em ONTO-MoCA que não interfiram no modelo MoCA podem ser incorporadas no modelo
sem qualquer outra etapa adicional. Por exemplo, um desenvolvedor pode classificar

as informações contextuais de outra maneira ou adicionar conceitos que interessem somente
à sua aplicação.
No mapeamento dinâmico, a ontologia é atualizada com os novos conceitos e
instâncias que são introduzidos no modelo MoCA em tempo de execução. Portanto, o
mapeamento só ocorre no sentido MoCA→ONTO-MoCA. Para não comprometer o desempenho
e escalabilidade das aplicações, na ONTO-MoCA instâncias de contexto (estado
atual do contexto) não são representadas, mas apenas suas mudanças em tempo de
execução que interessam a aplicações na forma de um evento contextual. O interesse
nos eventos é registrado usando a API MoCA. Quando um evento ocorre é gerada uma
instância de AdaptationEvent, que é uma subclasse de ContextualEvent e representa
um evento contextual ocorrido no tempo. Só existe uma instância de AdaptationEvent
para uma mesma instância de contexto e de aplicação interessada e, por isso, ao criar uma
instância, a instância que representa o evento anterior é destruída.
4.2. Inferência do Modelo Contextual
Este mecanismo de mapeamento inter-modelos permite adicionar novas regras de
verificação do modelo de contexto, além dos tipos de validação que jásão feitos pela CT,
que são relacionados com a sintaxe e semântica do modelo XML e com o sistema de tipos
de tempo de execução. Por exemplo, provedores de contexto podem usar os mecanismos
de inferência de Jena para deduzir novas informações de contexto ou eventos contextuais
mais complexos, como atividade ou situação.
Para realizar qualquer inferência continua sendo necessário o uso da API MoCA
para registrar interesse por contexto ou eventos contextuais. Se uma inferência é baseada
no valor corrente de uma informação contextual, ele deve utilizar o mecanismo tradicional
de acesso síncrono ao contexto de MoCA para recuperar o contexto. Um módulo permite
transformar um contexto MoCA em uma instância de classe da ontologia, evitando que
todas as instâncias de contexto precisem ser representadas na ontologia.
Se uma inferência é baseada em um evento contextual, então ele pode ser feita
diretamente na ONTO-MoCA. Optamos por permitir essa inferência diretamente na ontologia,
porque o modelo assíncrono de notificação de eventos contextuais, utilizado na
API MoCA, pode não ser adequado para implementação dos mecanismos de inferência.
Ainda assim, sempre é possível converter um evento contextual MoCA na sua correspondente
instância de ontologia.
4.3. Vantagens
A principal vantagem na adoção de um mecanismo híbrido de modelagem de contexto
é o compartilhamento do modelo MoCA com outros sistemas, e o acesso a conceitos já
previamente definidos em outras ontologias como tempo (DAML-Time) e relacionamento
entre pessoas (FOAF).
Uma outra vantagem do modelo híbrido é a possibilidade de usar ontologias para
modelar conceitos que não interferem na publicação ou comportamento do contexto mas
são interessantes para modelar o ambiente. Estes conceitos podem facilitar a navegação
do usuário na ontologia e a especificação de contextos e mecanismos de inferência
mais complexos. Sistemas de computação ubíqua como CONON [Wang et al. 2004]
e GAIA [Ranganathan et al. 2003], utilizam ontologias que classificam contexto em

categorias como entidade computacional, localização e documento. Embora tais
classificações não sejam decisivas para o comportamento do middleware que gerencia
contexto, elas podem ser importantes para que um desenvolvedor selecione o contexto
que interessa à sua aplicação. No modelo MoCA não é possível modelar tal classificação.
No modelo híbrido desenvolvido, é possível complementar os mecanismos de inferência
utilizando máquinas de inferência que usam ontologias. Isso é imprescindível
em cenários em que o sistema manipula informações de contexto complexas ou quando o
mecanismo de inferência é complexo.
Por último, o modelo híbrido permite uma separação de modelos por interesses de
usuários, conforme já indicado na figura 1. O desenvolvedor de um provedor de contexto
usualmente está interessado nas informações que estão contidas no modelo MoCA. Por
outro lado, um desenvolvedor de aplicações precisa compreender características de mais
alto nível do contexto, o que são melhor descritas na ONTO-MoCA. Esta separação facilita
o trabalho de ambos os usuários por não misturar conceitos e abstrações que são de
interesse de apenas um deles.
4.4. Limitações
A abordagem híbrida proposta possui algumas limitações. Aplicações sensíveis a contexto
ainda precisam fazer o uso da API MoCA, no mínimo para registrar interesse por
contexto ou eventos contextuais. Isto pode dificultar o acesso ao contexto MoCA por
aplicações que tenha sido desenvolvidas baseando-se em outros middlewares ou linguagens.
Para permitir a coexistência de aplicações sensíveis a contexto sem comprometer
o desempenho, é necessário ainda estabelecer um mecanismo para descrever ontologias e
regras que sejam específicas do domínio de aplicações. Na ONTO-MoCA, embora alguns
eventos contextuais possam ser de interesse de certas aplicações, elas são compartilhadas
por todas as aplicações.
Como o mapeamento de conceitos inter-modelos não pôde ser completamente implementado,
o stub XML gerado quando um contexto é adicionado pela ONTO-MoCA
(operação 4 da figura 2) exige do desenvolvedor a inclusão de muitas informações complementares,
tornando a tarefa de preenchimento do stub mais passível a erros.
5. Conclusões
Neste artigo apresentamos um modelo híbrido de modelagem de contexto, que integra
a ontologia ONTO-MoCA com o modelo MoCA. Tanto os dois modelos como os mecanismos
de validação e inferência que eles utilizam não são equivalentes, mas complementares.
Este mecanismo híbrido permite o desenvolvimento de aplicações sensíveis ao
contexto mais complexas, mantendo o desempenho oferecido do middleware MoCA.
Nós pretendemos validar as idéias propostas implementando um protótipo do
mecanismo de integração utilizando Jena e experimentar a integração de uma aplicação
MoCA com as ontologias e mecanismos de CoBrA. Para uma implementação realmente
focada no desempenho e escalabilidade, é necessário ainda desenvolver um mecanismo
para estabelecer domínios para ONTO-MoCA que sejam específicos de aplicações e
domínios de rede no ambiente distribuído.

Referências
Chen, H. (2004). An Intelligent Broker Architecture for Pervasive Context-Aware Systems.
PhD thesis, University of Maryland, Baltimore County.
Chen, H., Perich, F., Finin, T., and Joshi, A. (2004). SOUPA: standard ontology for
ubiquitous and pervasive applications. In Mobile and Ubiquitous Systems: Networking
and Services, 2004. MOBIQUITOUS 2004. The First Annual International Conference
on, pages 258–267.
da Rocha, R. C. A. and Endler, M. (2006a). Context management in heterogeneous,
evolving ubiquitous environments. IEEE Distributed Systems Online, 7(4). art. no.
0604-o4001.
da Rocha, R. C. A. and Endler, M. (2006b). Supporting context-aware applications: Scenarios,
models and architecture. In Proc. of the XXIII Simpósio Brasileiro de Redes de
Computadores (SBRC), volume I, Curitiba, Brazil.
Dey, A. K. (2001). Understanding and using context. Personal and Ubiquitous Computing,
5(1):4–7.
Henricksen, K., Livingstone, S., and Indulska, J. (2004). Towards a hybrid approach
to context modelling, reasoning and interoperation. In 1st International Workshop
on Advanced Context Modelling, Reasoning and Management, pages 54–61, Orlando,
Florida.
HP Labs (2006). Jena – A semantic web framework for Java. Available at:
http://jena.sourceforge.net/. (Last visited: July, 2006).
Khedr, M. and Karmouch, A. (2005). ACAI: agent-based context-aware infrastructure for
spontaneous applications. Journal of Network and Computer Applications, 28(1):19–
44.
Nascimento, F. N. d. C. (2005). A service for location inference of mobile devices based
on IEEE 802.11. Master’s thesis, Departamento de Informática, PUC-Rio. (in portuguese).
Ranganathan, A., McGrath, R. E., Campbell, R. H., and Mickunas, M. D. (2003). Use
of ontologies in a pervasive computing environment. The Knowledge Engineering
Review, 18(3):209–220.
Sacramento, V., Endler, M., Rubinsztejn, H. K., Lima, L. S., Goncalves, K., and do Nascimento,
F. N. (2004). MoCA: A middleware for developing collaborative applications
for mobile users. IEEE Distributed Systems Online, 5(10).
Schilit, B., Adams, N., and Want, R. (1994). Context-aware computing applications. In
Proceedings of the Workshop on Mobile Computing Systems and Applications, pages
85–90, Santa Cruz, CA, USA.
Strimpakou, M., Roussaki, I., Pils, C., Kalatzis, N., and Anagnostou, M. (2006). Hybrid
context modeling: A location-based scheme using ontologies. In 3rd International
Workshop on Advanced Context Modelling, Reasoning and Management, Pisa, Italy.
Wang, X., Zhang, D., Gu, T., Dong, J., and Pung, H. K. (2004). Ontology based context
modeling and reasoning using OWL. In 1st International Workshop on Advanced
Context Modelling, Reasoning and Management, Orlando, Florida.