primena modela za fuziju podataka sa heterogenih izvora u ... - Infoteh

INFOTEH-JAHORINA Vol. 10, Ref. E-II-2, p. 534-538, March 2011.PRIMENA MODELA ZA FUZIJU PODATAKA SA HETEROGENIH IZVORA UGINISSENSE ARHITEKTURIAPPLICATION OF HETEROGENUOUS DATA SOURCES FUSION MODELS INGINISSENSE ARCHITECTURESanja Bogdanović-Dinić, Nataša Veljković, Leonid Stoimenov, Elektronski fakultet Univerziteta u NišuSadržaj - Potreba za prikupljanjem podataka sa distribuiranih i heterogenih izvora i za njihovim kombinovanjem radigenerisanja novih znanja, dovela je do toga da fuzija podataka postane jedna od veoma aktuelnih oblasti istraživanja. Sistemiza osmatranje okoline, očitavanje vrednosti posmatranih fenomena i slanje prikupljenih podataka na dalju obradu sve se višefokusiraju na problem generisanja značajnih informacija na osnovu prikupljenih podataka, umesto na jednostavnoprikupljanje mernih vrednosti. Tipični izvori podataka u ovakvim sistemima su senzori, kao uređaji veoma popularni zbogpristupačnih karakteristika, a pored njih to mogu biti i mnogi drugi uređaji, baze podataka, sistemi, aplikacije i sl. GinisSenseje Senzor Web bazirana arhitektura koja koristi senzore i druge izvore podataka, u svrhu prikupljanja, analize, pretraživanja iautomatskog dostavljanja podataka registrovanim korisnicima. Podaci dobijeni sa heterogenih izvora podataka, moraju bitiobrađeni korišćenjem posebnih metoda fuzije kako bi se generisale informacije od značaja i prilagodile odgovarajućemkontekstu. Fokus ovog rada je na procesu fuzije podataka u GinisSense sistemu, kao i razvoju modela fuzije podataka u sklopuGinisSense arhitekture.Abstract - Data fusion has become very popular research field, due to the need for new knowledge that can be gained fromdata collection and combination. Different monitoring systems that are used to gather data form sensing devices and send thecollected data for further processing are slowly changing focus. They are becoming more dedicated on the problem ofgenerating relevant information based on collected data, instead of simply collecting the data. Most common data sources insuch systems are sensor devices, but besides them, other devices, systems, databases and applications can be used as datasources. GinisSense is a Sensor Web based architecture that utilizes sensors and other data sources in order to collect, analyze,search and automatically deliver information to registered users. Data received from heterogeneous data sources must beprocessed, by chosen data fusion model, so that relevant information can be generated and adapted to a certain context. Thefocus of this paper is set on data fusion in GinisSense architecture as well as development of data fusion model within theGinisSense architecture.1. UVODPovezivanjem izolovanih izvora podataka dobija sedetaljniji uvid u stanje okruženja. Stanje okruženja seprocenjuje merenjem fizičkih parametara posmatranihfenomena, poput temperature, vlažnosti vazduha, osvetljenja idr. Ranije se do ovih i sličnih podataka dolazilo posredstvomizolovanih izvora (mernih uređaja, sistema, baza podataka,aplikacija) uz čovekov nadzor i kontrolu, što je biloneefikasno kako u pogledu prikupljenih informacija tako i upogledu funkcionisanja takvog sistema. Zahvaljujućiznačajnom napretku tehnologije i nauke, a posebno mrežnetehnologije, takvi nedostaci su prevaziđeni mogućnošćuumrežavanja distribuiranih izvora i elektronske obradeprimljenih očitavanja. Povezivanjem distribuiranih izvorapodataka dobija se jasnija slika o posmatranom okruženju.Sa druge strane umrežavanje distribuiranih i heterogenihizvora otvorilo je nove izazove u prikupljanju i obradipodataka. Jednostavno, samo prikupljanje podataka nije višedovoljno, ono što se traži je da se na osnovu prikupljenihpodataka izvuku relevantne informacije i generiše znanje oposmatranom okruženju. U tome fuzija podataka dobija naznačaju. U početku, fuzija podataka korišćena je u vojnesvrhe radi obrade podataka sa terena i generisanja znanja, dokse danas široko koristi kako u akademskim zajednicama takoi u industrijskim i komercijalnim krugovima za rešavanjerazličitih problema.Fuzija označava stapanje podataka koji dolaze sarazličitih izvora, u različitom formatu, obimu i kvalitetu.Koncept fuzije nije nov. Ljudi se svakodnevno bore sarazličitim senzacijama koje dobijaju iz okruženja u kome senalaze. Oni kombinuju ulazne podatke sa pet čula koja imaju,na osnovu čega formiraju složenu sliku i predstavu o svomokruženju, planiraju i donose odluke. Proces fuzije podatakase sastoji upravo iz istih koraka - prikupljanje, obrada,planiranje, donošenje odluka, što svedoči o tome da se fuzijapodataka može porediti sa prirodnim procesom razmišljanjakod čoveka.Tokom godina, razvijeni su mnogi modeli i tehnike zafuziju podataka. Oni se najčešće ugrađuju i koriste uinteligentnim sistemima. U CG&GIS Laboratoriji,Elektronskog fakulteta u Nišu, razvijena je GinisSensearhitektura [1] za osmatranje i prikupljanje parametaraokoline. Ova arhitektura se može unaprediti razvojemkomponente za fuziju podataka, koja će omogućitikombinovanje različitih izvora podataka radi generisanjakoherentnih informacija i novih znanja o posmatranomokruženju.Nakon uvodnog dela, u drugom poglavlju ovog radapredstavljen je pojam fuzije podataka. Nakon toga, sledi trećepoglavlje u kome je dat pregled i poređenje postojećihmodela za fuziju. Četvrto poglavlje opisuje GinisSensearhitekturu i model za fuziju podataka koji je iskorišćen zainteligentnu obradu i generisanje znanja. Opis arhitekture i534

informacijama i u grupu modela orijentisanih ka akcijama.Ipak, imajući u vidu da je fokus na redosledu izvršenjaodređenih aktivnosti u toku procesa fuzije podataka, ovajmodel se možda bolje uklapa upravo u grupu modelaorijentisanih ka akcijama. Waterfall model jasno i detaljnoopisuje niz aktivnosti koje moraju biti obavljene u tokuprocesa fuzije i definiše redosled njihovog izvršenja. Glavninedostatak ovog modela je nepostojanje povratne sprege doizvora podataka čime se onemogućuje automatskorekonfigurisanje sistema na osnovu generisanih zaključaka,mada postoje prošireni modeli koji uključuju i ovo svojstvo.Bedworth i O’Brien su predložili Omnibus model [7] kaokombinaciju prethodno opisanih modela. Ovaj model sebazira na cikličnoj prirodi Boyd Control Loop modela, alikoristi detaljnije definicije aktivnosti Waterfall modela, gdese sa druge strane sve aktivnosti mogu preslikati naadekvatne nivoe JDL modela (Sl. 3.).zadržao najbolja svojstva Boyd Control Loop, Waterfall iJDL modela i prevazišao neke od njihovih najvećihnedostataka. Upravo se zato baš ovaj model smatra najboljimmodelom fuzije podataka i zato je i odabran kao model fuzijepodataka u GinisSense arhitekturi.4. GINISSENSE ARHITEKTURA ZA FUZIJUPODATAKAGinisSense arhitektura je razvijena u Laboratoriji zaračunarsku grafiku i geografske informacione sisteme(CG&GIS) na Elektronskom fakultetu u Nišu kao SenzorWeb zasnovano rešenje za prikupljanje, obradu i analizuočitavanja sa senzorskih mreža [8][9]. Zasnovana je na OGCSensor Web Enablement specifikaciji [10] koja daje skuppravila i preporuka za razvoj i implementaciju Senzor Websistema. Senzorske mreže predstavljaju primarne, ali ne ijedine izvore podataka u GinisSense sistemu. Osim sasenzora, podaci mogu pristizati i iz postojećih baza podataka,arhiva, aplikacija i sl. Glavni izazov u daljoj realizaciji ovogsistema je obrada podataka sa heterogenih izvora nauniforman način i njihovo spajanje u informaciju od značaja.Analiza postojećih modela za fuziju podataka saheterogenih izvora pokazala je da Omnibus model predstavljanajbolje rešenje ovog problema u pogledu svojihkarakteristika, jer zadržava najbolje osobine prethodnihmodela, a prevazilazi neke njihove glavne nedostatke.Upravo iz tih razloga je taj model odabran kao model fuzijepodataka u GinisSense arhitekturi (Sl. 4.).Slika 3. Omnibus model [7]Omnibus model odvaja četiri osnovne faze procesa fuzije:Observe, Orinetate, Decide i Act, preuzete iz Boyd ControlLoop modela. Ove faze imaju potpuno isto značenje kao i uBoyd Control Loop modelu, sa tim što Omnibus modeldetaljno opisuje aktivnosti u okviru svake od njih. Aktivnostifaza su preuzete iz Waterfall modela, i ponovo, imaju istoznačenje kao i u tom modelu. Na slici se još mogu uočitiindikatori osnovnih nivoa fuzije kao i trenutaka u ciklusukada se oni dešavaju. Pa tako nakon Observe faze, kada seprikupljaju neobrađena očitavanja sa senzora, vrši se slanjeprikupljenih podataka i omogućuje fuzija na nivou podataka(DataIn – DataOut (DAI-DAO)) – izdvajanje osnovnihkarakteristika posmatranih fenomena. U Orienate fazi seobavlja fuzija na nivou atributa (FeatureIn – FeatureOut(FEI-FEO)), a po izlazu iz te faze tzv. Soft decision fusionodnosno FeatureIn – DecisionOut (FEI-DEO) fuzija. UDecide fazi se vrši fuzija na nivou odluka (DecisionIn –DecisionOut (DEI-DEO)), pri čemu je odluka i finalniprodukt čitavog procesa koji se koristi u narednoj, Act, faziradi generisanja povratne informacije do senzorskog sistema(Sensor Management). Omibus model je prvenstvenoosmišljen za primenu na senzorske mreže, što se možezaključiti na osnovu naziva faza i aktivnosti.U svojoj suštini Omnibus model ne predstavlja nov model– to je Boyd Control Loop model proširen karakteristikamaWaterfall modela. Omnibus model je hibridni model koji jeKao što je prikazano na slici 4, GinisSense arhitektura jetroslojna i sastoji se iz prezentacionog sloja, sloja podataka iweb servisa i sloja izvora podataka, gde svaka dva slojameđusobno komuniciraju preko odgovarajućihkomunikacionih protokola, na slici označenih u vidudodatnog komunikacionog sloja. Prezentacioni sloj jezadužen za interakciju sa korisnikom: prikaz geografskihpodataka, lokacija senzora, opisa senzora, preuzimanjekorisničkih zahteva, prikaz rezultata. Sloj izvora podataka seodnosi na distribuiranu senzorsku mrežu, postojeće bazepodataka, aplikacije i druge izvore i zadužen je zaposmatranje okoline i prikupljanje očitavanja. Sloj podataka iWeb servisa čini suštinu arhitekture i implementira glavnulogiku sistema. U ovom sloju se odigrava i fuzija podataka.Sloj podataka i Web servisa sadrži osnovne servisepropisane OGC SWE specifikacijama: Sensor ObservationService (SOS), Sensor Event Service (SES), Sensor PlanningService (SPS) i Web Notification Service (WNS), kao iServis zajednice koji omogućuje korisnicima sistema dadodaju svoja zapažanja, fotografije i sl. a što smatraju bitnimu datom kontekstu. Sva prikupljena opažanja se smeštaju ubazu podataka Posmatranja odakle se kasnije mogupribavljati radi obavljanja raznih vrsta analiza. U ovom slojuse nalazi i DMA (Decision Making Agent) komponenta kojaimplementira logiku za donošenje odluka na osnovu stanjaočitanih parametara i inicira njihovo izvršenje. DMA u tesvrhe implementira Omnibus model.536

Prezentacioni slojGinisSense SWE klijentWFS/WMSKomunikacioni slojServis zajednicePosmatranjaPravilaWNSUnos posmatranjaKarakteristikeDonošenje odlukaObrada kontekstaZaključci i rezultatiSlanje obaveštenjaSloj podataka i WebservisaObrada šablonaEkstrakcija karakteristikaKontrolaUpravljanje resursimaSPSSlanje obaveštenjaDefinicijakontekstaO&M posmatranjaObrada signalaOsmatranjeInstrukcijeSASSOSUnos posmatranjaDetektovanje događajaPreuzimanje posmatranjau realnom vremenuKomunikacioni slojSloj izvorapodatakaSlika 4. GinisSense arhitektura za fuziju podataka sa heterogenih izvoraProces fuzije podataka se odvija na sledeći način: Prvafaza fuzije Observe podrazumeva prikupljanje očitavanja saizvora i osnovnu obradu tih očitavanja. Ovu funkciju obavljaSOS koji preko komunikacionog sloja izdaje zahtev zaprikupljanjem podataka, navodeći potrebne mernekarakteristike. SOS prihvata očitavanja sa svih izvora kojiosmatraju tražene fenomene u vidu Observation &Measurement (O&M) dokumenta, koji sadrži detaljan XMLopis prikupljenih očitavanja, i kako je dobro poznatestrukture, vrlo je jednostavan za dalju obradu. Takavdokument se šalje dalje u sledeću fazu fuzije Orientate iistovremeno unosi u bazu prikupljenih očitavanja. U faziOrientate se vrši obrada dobijenog O&M dokumenta naosnovu definisanog konteksta i izdvajaju se značajnekarakteristike posmatranih fenomena. Rezultat ovakve obradese šalje dalje u fazu Decide. Na osnovu izdvojenihkarakteristika i prethodno prikupljenih očitavanja iz bazeposmatranja, kao i na osnovu unapred definisanih pravila,obavlja se proces zaključivanja i donošenja odluka. Rezultatovog procesa je odluka koja se prosleđuje u sledeću fazu Act.Logiku ove faze fuzije podataka implementira SPS koji naosnovu dobijene odluke izdaje adekvatna naređenja drugimkomponentama sistema. Ta naređenja se mogu odnositi naprikupljanje novih očitavanja, slanje obaveštenja korisnicima,oglašavanje alarma, i sl. WNS je servis zadužen za slanjeobaveštenja korisnicima. Ovaj servis se može podesiti tako daobaveštenja šalje klijentskoj aplikaciji, gde će se onaprikazati korisniku u vidu pop-up poruke ili nekim vizuelnimi audio efektom, ili s druge strane, direktno korisniku nae-mail adresu, mobilni telefon i sl.Arhitektura je zamišljena tako da se model za fuzijupodataka može i parcijalno koristiti. To znači da je mogućekoristiti samo deo modela sa logikom za zaključivanje idelovanje za potrebe obavljanja analiza na osnovu arhiviranihočitavanja.Primer korišćenjaKao jednostavan primer uzmimo da su u nekojpošumljenoj oblasti postavljena tri meteorološka senzora kojamere spoljašnju temperaturu, vlažnost vazduha i brzinu vetra,pri čemu je svaki zadužen za posmatranje određenog delaoblasti, i da postoji baza podataka koja za svaki deo oblastisadrži informacije o indeksu zapaljivosti tog dela. Na osnovupodataka koji se mogu dobiti iz ovih izvora može se uraditijednostavna procena mogućnosti pojave požara za datuoblast.Neka su vrednosti indeksa zapaljivosti (IZ) od 1 do 5, gde1 predstavlja najmanju, a 5 najveću verovatnoću zapaljivosti.Za potrebe ovog primera nas ne interesuje kako se vršiodređivanje ovog indeksa, dovoljno je da znamo da jeizračunat na osnovu karakteristika date oblasti (sastavzemljišta, količina suvog lišća i bilja i sl.). Sam indeks,međutim, ne daje čvrstu i sigurnu prognozu zapaljivosti, većga je potrebno kombinovati sa očitavanjima meteorološkihsenzora. Ukoliko je na primer temperatura neke oblasti jakovisoka, vlažnost vazduha niska, a IZ ima vrednost 4 ili 5,onda postoji velika verovatnoća da u toj oblasti dođe dopožara, pa treba oglasiti alarm odgovarajućeg prioriteta.Brzina vetra direktno utiče na verovatnoću širenja požara, paako je uz prethodne parametre i brzina vetra velika, onda jeverovatnoća požara još veća, pa treba oglasiti alarm najvećegprioriteta. Prema tome, kombinacija očitanih vrednosti jemnogo, pa je potrebno dobro osmisliti i definisati pravilazaključivanja kako bi se što je moguće preciznije odredilaverovatnoća pojave požara u nekoj oblasti. Pretpostavimo dau našoj bazi pravila postoje definisana sledeća dva pravila:537

P1: Ako je IZ >3 i T > T k i VV < VV k i BV < BV k onda jeverovatnoća pojave požara 80%. Oglasiti alarm prioriteta 2.P2: Ako je IZ>3 i T > T k i VV < VV k i BV > BV k onda jeverovatnoća pojave požara veća od 90%. Oglasiti alarmprioriteta 1.gde oznake T, VV i BV predstavljaju izmerene vrednostitemperature, vlažnosti vazduha i brzine vetra, respektivno,dok oznake T k , VV k i BV k predstavljaju unapred definisanekritične vrednosti temperature, vlažnosti vazduha i brzinevetra. Proces fuzije bi tekao na sledeći način: U trenutkumerenja SOS dobija dokument, struktuiran u skladu sa O&Mspecifikacijom, o izmerenim vrednostima temperature,vlažnosti vazduha i brzine vetra sa svakog senzora ivrednostima IZ za svaku oblast iz odgovarajuće bazepodataka. Pored tih vrednosti, O&M dokument sadrži i nekedodatne informacije, poput lokacije senzora, vremenamerenja, datuma ažuriranja IZ-a i druge. Nakon preuzimanjaovog dokumenta, vrši se upis dobijenih podataka u bazupodataka Posmatranja i dokument se šalje na dalju obradu.Sledeći korak je generisanje tzv. vektora značajnihkarakteristika. To znači da se iz dokumenta izvlačerelevantne informacije, poput izmerenih vrednosti, vremenamerenja, lokaciji senzora, IZ za svaku oblast i šalju u sledećufazu obrade. U trećoj fazi se vrši odlučivanje na osnovupredefinisanih pravila. Na dobijene vrednosti se primenjujuredom pravila P1 i P2 iz baze pravila. Ukoliko je nekozadovoljeno, vrši se oglašavanje alarma i čekaju daljeinstrukcije od korisnika, u suprotnom, nema opasnosti odpojave požara pa se merenja ponavljaju nakon određenogvremena. Odgovarajuće akcije se izvršavaju u poslednjoj fazifuzije, kada SPS izdaje naređenja preostalim komponentamasistema. SPS može naložiti WNS-u slanje odgovarajućegobaveštenja korisniku.ZAKLJUČAKSenzorske mreže su predmet izučavanja već duži nizgodina i njihova uloga u polju osmatranja i prikupljanjapodataka o okruženju je od velikog značaja. Senzor Web, kaospecijalan tip inteligentnih senzorskih mreža, podiže konceptsenzorskih mreža na viši nivo uvodeći mogućnostkomunikacije među senzorima u vidu razmene prikupljenihpodataka i donošenja odluka o izmerenim vrednostima nanivou senzora. Problematika koja je danas aktuelna jesteproblematika semantike senzorskih podataka. Fuzijapodataka sa senzora predstavlja upravo način spajanjarazličitih podataka o okruženju sa senzora u mreži,izdvajajući samo najznačajnije atribute posmatranihfenomena, tako da se dobiju relevantne informacije naosnovu kojih se mogu donositi odluke o daljem delovanju.Izučavanje fuzije podataka sa senzora započeto je pre višegodina, a kao rezultat razvijeni su mnogi modeli kaopreporuke u razvoju sistema fuzije podataka. Najznačajniji odtih modela predstavljeni su u ovom radu, a najefikasniji odnjih – Omnibus model, iskorišćen je u GinisSense arhitekturiza kreiranje modula arhitekture za fuziju podataka.LITERATURA[1] N. Veljkovic, S. Bogdanovic-Dinic and L.Stoimenov, Ginissense – Applying OGC Sensor WebEnablement, 13th AGILE International Conference onGeographic Information Science, Guimaraes, Portugal, 2010.[2] E. Nakamura, A. Loureiro and A. Frery, Informationfusion for wireless sensor networks: methods, models, andclassifications, ACM Computing Surveys vol. 39, n. 3,Article 9, 2007.[3] D. L. Hall and J. LLinas, An introduction tomultisensor data fusion, Invited paper, Proceedings of theIEEE, vol. 85, no. 1, January 1997[4] W. Lucien, Some terms of reference in data fusion,IEEE Transactions on Geoscienses and Remote Sensing,37,3,1190-1193, 1999[5] J. Esteban, A. Starr, R. Willetts, P. Hannah and P.Bryanston-Cross, A review of data fusion models andarchitectures:towards engineering guidelines, NeuralComputing and Applications, 2005[6] E. Shahbazian, D. E. Blodgett and P. Labbé, Theextended OODA model for data fusion systems, Proceedingsof the 4th International Conference on Information Fusion,Montreal, Canada, August 2001[7] M. Bedworth and J. O’Brien, The Omnibus model: Anew model of data fusion?, IEEE Aerospace and ElectronicsSystems Magazine 15, 30–36, 2000[8] N. Markovic and L. Stoimenov, Sensor WebArchitecture for Crisis Management, ICEST 2009, VelikoTrnovo, Bugarska[9] N. Veljkovic, S. Bogdanovic-Dinic and L.Stoimenov, Ginissense – Applying OGC Sensor WebEnablement, 13th AGILE International Conference onGeographic Information Science, Guimaraes, Portugal, 2010[10] I. Simonis, OGC Sensor Web EnablementArchitecture, OGC Best Practise Document, ReferenceNumber 06-021r4, Version 0.4.0, 2008538