Internet Das Coisas: Identificando contexto IoT

On 16 de novembro de 2015 by Theo Lins

No post anterior Internet Das Coisas : Coletando Dados foi abordado os conceitos de IoT, agora definiremos os conceitos em volta do contexto IoT  consciente.

Imagen-iot-1024x824

 

Definições de contexto IoT consciente

1) Definição de contexto: O termo contexto foi definido por muitos pesquisadores. Mas estas definições são muito específicas e não pode ser utilizado para identificar contexto num sentido mais amplo, sendo assim podemos definir o contexto como: “Contexto é toda a informação que pode ser utilizada para caracterizar a situação de uma entidade. Uma entidade é uma pessoa, lugar ou objeto que é considerada relevante para a interação entre um usuário e um aplicativo, incluindo o usuário e aplicativos próprios.”[3]
Nós aceitamos a definição do contexto fornecido pelo Abowd et al. [3] para ser usado no presente texto, porque está definição pode ser utilizada para identificar a partir dos dados de contexto em geral. Se considerarmos um elemento de dados, usando esta definição, podemos identificar facilmente se o elemento de dados é de contexto ou não.

Além disso, Sanchez et ai. [2] explicou a distinção entre dados brutos e informações de contexto da seguinte forma:

  • Dados bruto de sensor: Não é processado, é recuperado diretamente da fonte de dados, tais como sensores.
  • Informações de contexto: é gerado pelo processamento de dados brutos de sensores. Além disso, é verificado a consistência e os meta-dados são adicionados.

Por exemplo, as leituras dos sensores produzidos pelos sensores de GPS pode ser considerado como dados brutos de sensor. Uma vez que colocamos os dados dos sensores de GPS, de tal forma que ele representa uma localização geográfica, chamamos isso de informações de contexto. Portanto, em geral, os valores de dados brutos produzidos pelos sensores podem ser considerados como dados. Se estes dados pode ser utilizado para gerar informação de contexto, podemos identificar estes dados como contexto. Portanto, principalmente o que capturamos a partir de sensores são dados e não informações de contexto.

Ahn e Kim [4] definiram contexto (também chamados de eventos compostos) como um conjunto de eventos inter-relacionados com relações lógicas e temporais entre eles. Eles também definiram um evento como um acontecimento que desencadeia uma condição em uma área alvo. Existem duas categorias de eventos: eventos discretos e eventos contínuos. Com a taxa de amostragem sendo p:

  • eventos discretos: Um evento que ocorre no tempo t e t + p, não são considerados como tendo  duas instâncias de eventos separados. (por exemplo, uma porta aberta, luzes acesas, etc)
  • eventos contínuos: Uma instância de evento com duração de pelo menos tempo p, onde um evento que ocorre no tempo t e t + P, não pode ser considerado como dois eventos separados. (por exemplo, chovendo, tomar uma ducha, dirigir um carro, etc.)

 

context2

2) Definição do Contexto IoT consciente: O termo contexto IoT consciente, conhecido também como sensível, são definições muito específicas usados por alguns pesquisadores e não podem ser usada para identificar se um dado do sistema é um contexto consciente ou não do sistema. Portanto, definimos o termo a consciência do contexto da seguinte forma: “Um sistema é contexto IoT consciente se ele usa contexto para fornecer informações e/ou serviços relevantes para o usuário, onde a relevância depende tarefa do usuário.”[3]

Nós aceitamos a definição acima do contexto-consciente para ser usado em nosso texto, porque podemos usar essa definição para identificar sistemas de contexto-consciente para os demais. Se considerarmos um sistema, usando esta definição, podemos facilmente identificar se este sistema é um sistema de contexto-consciente ou não. Um framework de contexto-consciente normalmente deve suportar a aquisição, a representação, a entrega, e a reação. Além disso, há três abordagens principais que podem ser seguidas para construir aplicações de contexto consciente.

  • Sem nível de aplicação no modelo de contexto: todas as ações, como a aquisição de contexto, pré-processamento, armazenamento e raciocínio dentro dos limites de aplicação.
  • Modelo de contexto implícito: Aplicações usam bibliotecas, frameworks e ferramentas para executar a aquisição do contexto, pré-processamento, armazenamento e tarefas de raciocínio. Ele fornece um projeto padrão a seguir se torna mais fácil e rápido para construir as aplicações. No entanto, ainda o contexto pode ser difícil de vincular ao aplicativo.
  • Modelo de contexto explícito: Aplicações utilizam uma infra-estrutura de gerenciamento de contexto ou solução de middleware. Portanto, ações como aquisição do contexto, pré-processamento, armazenamento e raciocínio não coincidem com os limites da aplicaticação. Gerenciamento do contexto e aplicação estão claramente separados e podem ser desenvolvidos e estender de forma independente.

3) Definição do Modelo de Contexto IoT e Atributo de Contexto: As seguintes interpretações de modelo de contexto e atributo de contexto são utilizadas.

“Um modelo de contexto identifica um subconjunto concreto do contexto que é realisticamente possível a partir de sensores, aplicações e usuários com capacidade de serem explorado na execução da tarefa. O modelo de contexto que é empregado por um determinado aplicativo de contexto-consciente é explicitamente especificado pelo desenvolvedor do aplicativo, mas pode evoluir ao longo do tempo.”

“Um atributo de contexto é um elemento do modelo de contexto que descreve o contexto. Um atributo de contexto tem um identificador, um tipo e um valor, e, opcionalmente, uma coleção de propriedades que descrevem características específicas.”[5]

4) Definição de Qualidade do Contexto IoT: Há um número de definições e parâmetros que têm sido propostos na literatura sobre qualidade de contexto (QoC). QoC é definida utilizando um conjunto de parâmetros que exprime a qualidade dos requisitos e as propriedades de dados de contexto. Definimos QoC baseado em três parâmetros: validação dos dados de contexto, a precisão dos dados de contexto e atualização dos dados de contexto. QoC estão sendo usados para resolver conflitos de dados de contexto. Além disso, eles afirmam que é QoC dependem da qualidade do sensor físico, a qualidade dos dados de contexto, e a qualidade do processo de entrega.

Características do contexto IoT consciente

Identificamos três características que um aplicativo de contexto IoT consciente pode apoiar: apresentação, execução e rotulamento. Mesmo assim, a visão IoT não sabe o momento em que os recursos sejam identificados, eles são altamente aplicáveis ao paradigma Internet das coisas. Elaboramos esses recursos a partir de uma perspectiva IoT.

  • Apresentação: Contexto pode ser usado para decidir quais informações e serviços precisam ser apresentados ao usuário. Vamos considerar um cenário ambiente inteligente. Quando um usuário entra em um supermercado e leva seu smartphone, o que eles querem é ver a sua lista de compras. Aplicações móveis sensíveis ao contexto precisam se conectar a aparelhos de cozinha, como uma geladeira inteligente em casa, para recuperar a lista de compras e apresentá-lo para o usuário. Isso fornece a ideia de apresentar a informação com base no contexto, como a localização, tempo, etc. Por definição, IoT promete prestar qualquer serviço a qualquer hora, em qualquer lugar, com qualquer coisa, a qualquer um, e o ideal é usar qualquer caminho/rede.
  • Execução: Execução automática dos serviços é também um elemento fundamental para o paradigma IoT. Vamos considerar uma casa com ambiente inteligente. Quando um usuário está dirigindo do escritório para casa, o aplicativo IoT na casa deve ligar o sistema de ar condicionado e ligar a máquina de café para estar pronto para beber quando os usuário chegar em sua casa. Essas ações precisam ser tomadas automaticamente com base no contexto. Comunicação máquina-a-máquina é uma parte significativa da IoT.
  • Rotulação: No paradigma IoT, haverá um grande número de sensores ligados aos objetos diários. Estes objetos irão produzir grandes volumes de dados do sensor que devem ser recolhidos, analisados, fundidos e interpretados. Os dados do sensor produzidos por um único sensor não irá fornecer a informação necessária, que pode ser utilizada para compreender totalmente a situação. Portanto, os dados coletados através de sensores múltiplos devem ser fundidos. A fim de realizar a tarefa de fusão dos dados de sensores, os contextos precisam ser coletados. Contexto precisa de ser rotulado, juntamente com os dados do sensor a ser processado e compreendido mais tarde. Anotações do contexto desempenha um papel significativo na investigação do contexto consciente na computação. Também chamamos esta operação como rotulando a anotação.

Tipos de contexto IoT e os esquemas de categorização

Diferentes pesquisadores identificaram tipos de contexto de forma diferente com base de diferentes perspectivas. Introduzimos um dos principais mecanismos de definição de tipos de contexto. Eles identificaram a localização, a identidade, a hora, e a atividade como os tipos contexto primário. Além disso, eles definiram contexto secundário como o contexto que pode ser encontrado usando o contexto primário. Por exemplo, dado contexto primário, como a identidade de uma pessoa, podemos adquirir muitos pedaços de informações relacionadas, tais como números de telefone, endereços, endereços de email, etc. No entanto, usando essa definição não somos capazes de identificar o tipo de um determinado contexto. Considerando dois sensores de GPS localizados em dois locais diferentes. Podemos obter valores de GPS para identificar a posição de cada sensor. No entanto, só podemos encontrar a distância entre os dois sensores através da realização de cálculos com base nos valores brutos gerados pelos dois sensores.

A questão é, ‘o que é a categoria que pertence à distância?’ ‘É primária ou secundária? “A distância não é apenas um valor que coletamos. Calculamos a distância através da fusão de duas peças de contexto. A definição acima não representa esta precisão. Assim, define-se um esquema de classificação de contexto (ou seja, primário e secundário) que pode ser usado para classificar um determinado valor de dados (por exemplo único item de dados, tais como o tempo atual) de contexto, em termos de um ponto de vista operacional (isto é, como os dados foram adquiridos). No entanto, o mesmo valor de dados pode ser considerada como primária em um contexto e secundário em outro contexto. Por exemplo, se recolher o nível da pressão sanguínea de um paciente diretamente a partir de um sensor ligado ao paciente, pode ser identificado como contexto primário. No entanto, se derivar das mesmas informações a partir de registros de saúde de um paciente conetando-se ao banco de dados do hospital, nós o chamamos de contexto secundário.

Portanto, a mesma informação pode ser adquirida utilizando técnicas diferentes. É importante compreender que a qualidade, eficácia, precisão e custo do esforço de aquisição, etc., podem variar significativamente com base nas técnicas utilizadas.
Isto é ainda mais desafiador no paradigma IoT, por possuir uma grande quantidade de fontes de dados que podem ser utilizadas para recuperar o mesmo valor de dados. Para decidir qual fonte e técnica usar, seria uma tarefa difícil.

Além disso, o mesmo tipo de informação de contexto pode ser classificado como primário e secundário. Por exemplo, a localização pode ser valores de dados brutos de GPS ou o nome do local (por exemplo, cidade, estrada, restaurante). Portanto, a identificação de um local como contexto primário, sem examinar a forma como os dados foram recolhidos é bastante impreciso. A Figura 1 ilustra a forma como o contexto pode ser identificado utilizando as definições de tipo de contexto.

catcontexto

Figura 1 – Categorização de Contexto em duas perspectivas diferentes[1]

  • Contexto Primária: Qualquer informação obtida sem o uso de contexto existente e sem realizar qualquer tipo de operações de fusão dados do sensor (por exemplo, as leituras dos sensores GPS das informações do local).
  • Contexto secundário: Qualquer informação que pode ser calculado usando o contexto primário. O contexto secundário pode ser calculado através de operações de fusão de dados de sensores ou operações de recuperação de dados, tais como chamadas de serviço web (por exemplo, identificar a distância entre dois sensores por meio da aplicação de dados de sensores e operações de fusão de dois valores do sensor GPS). Além disso, recuperar o contexto, tais como números de telefone, endereços, endereços de email, aniversários, lista de amigos, de um provedor de informações de contato, baseado em uma identidade pessoal como o contexto primário também pode ser identificado como contexto secundário.

Reconhecemos localização, identidade, tempo e atividade como informações importantes do contexto. O paradigma IoT precisa considerar os esquemas de categorização mais abrangentes de uma forma hierárquica, como principais categorias, sub-categorias e assim por diante. Esquemas de categorização operacionais nos permitem compreender as questões e desafios em técnicas de aquisição de dados, bem como qualidade e custo fatores relacionados ao contexto. Em contraste, a categorização conceitual permite a compreensão das relações entre conceituais contextos. Temos de integrar perspectiva para modelar contexto precisamente. Nós comparamos diferentes esquemas de categorização contexto na figura 2.

 

table4

Figura 2 – Esquemas de categorização[1]

Além dos dois esquemas de categorização que discutimos anteriormente, existem vários outros regimes instituídos por diferentes pesquisadores com foco em diferentes perspectivas. Além disso, destacam-se as relações entre as diferentes categorias de contexto (também chamados de tipos de contexto) em diferentes perspectivas na figura 3 e na figura 4. Estas categorias de contexto não estão completamente diferentes umas das outras. Cada categoria compartilha características comuns com os outros. As semelhanças e diferenças entre as categorias são claramente apresentados na figura 4. Além disso, temos listadas e explicadas brevemente três dos principais esquemas de categorização de contexto e as suas categorias propostas por pesquisadores anteriores. Na figura 3, apresentamos cada esforço de categorização em ordem cronológica, da esquerda para a direita.

 

table2

Figura 3 – Categorização em ordem cronológica.[1]

table3

Figura 4 – Relação entre categorias com contexto diferente[1]

O contexto é categorizado em três categorias utilizando uma técnica com base na categorização conceitual de três perguntas comuns que podem ser utilizados para determinar o contexto.

1) Onde você está: Isto inclui todas as informações de localização relacionados, tais como coordenadas GPS, nomes comuns (por exemplo, café, universidade, polícia), nomes específicos (por exemplo, polícia da cidade de Canberra), os endereços específicos, as preferências do usuário (por exemplo, café favorito do usuário).

2) Quem está com você: As informações sobre as pessoas presentes ao redor do usuário.

3) Quais são os recursos mais próximos: Isso inclui informações sobre os recursos disponíveis na área onde o usuário está localizado, como máquinas, objetos inteligentes e utilitários.

 

Categorização do contexto em quatro categorias com base em uma técnica de categorização operacional.

1) Detectado: Dados do sensor diretamente detectado a partir dos sensores, tais como a temperatura, medida por um sensor de temperatura. Os valores serão alterados ao longo do tempo, com uma frequência elevada.

2) Estático: informações estáticas, que não vai mudar ao longo do tempo, tal como o fabricante do sensor, capacidade do sensor, gama das medições do sensor.

3) Perfilada: Informações que muda ao longo do tempo, com uma frequência baixa, como uma vez por mês (por exemplo, localização de sensor, sensor de ID).

4) Derivado: A informação calculado usando o contexto primário como a distância de dois sensores calculados utilizando dois sensores GPS.

Em vez de categorizar contexto, classificamos os esquemas de categorização de contexto em duas categorias mais amplas: operacionais e conceituais.

1) Categorização operacional: Categorizar contexto com base em como eles foram adquiridos, modelados, e tratados.

2) Categorização conceitual: Categorizar contexto com base no significado e relações conceituais entre o contexto.

Com base na avaliação de categorização contexto, é evidente que nenhum esquema de categorização único pode acomodar todas as exigências do paradigma IoT. Nós apresentamos uma comparação entre esquemas de categorização conceituais e operacionais na figura 2. Para construir uma solução ideal, um middleware para contexto-consciente e para a Internet das coisas, diferentes esquemas de categorização precisam ser combinados em conjunto, a fim de complementar os seus pontos fortes e minimizar seus pontos fracos.

Níveis do Contexto IoT consciente e características

Contexto-consciente podem ser identificados com base em três níveis na interação com o usuário.

  • Personalização: Permite que os usuários para definir suas preferências, gostos, e expectativa para o sistema manualmente. Por exemplo, os usuários podem definir a temperatura preferida num ambiente de casa inteligente, onde o sistema de aquecimento da casa pode manter a temperatura especificada em todos os quartos.
  • Contexto-consciente passivo: O sistema monitora constantemente o ambiente e oferece as opções apropriadas para os usuários para que eles possam tomar ações. Por exemplo, quando um usuário entra em um supermercado, ele recebe alertas no telefone com uma lista de produtos com desconto a ser considerados.
  • Contexto-consciente ativo: O sistema monitora continuamente e de forma autônoma a situação e age de forma autônoma. Por exemplo, se os detectores de fumaça e sensores de temperatura detectar um incêndio em um quarto em um ambiente de casa inteligente, o sistema irá notificar automaticamente o corpo de bombeiros, bem como o proprietário da casa, através de métodos adequados, tais como chamadas telefônicas.

Referências

[1] Charith Perera, Arkady Zaslavsky, Peter Christen, and Dimitrios Georgakopoulos. Context aware computing for the internet of things: A survey. Communications Surveys
& Tutorials, IEEE, 16(1):414–454, 2014.

[2] L. Sanchez, J. Lanza, R. Olsen, M. Bauer, and M. Girod-Genet, “A generic context management framework for personal networking environments,” in Mobile and Ubiquitous Systems – Workshops, 2006. 3rd Annual International Conference on, july 2006, pp. 1 –8.

[3] G. D. Abowd, A. K. Dey, P. J. Brown, N. Davies, M. Smith, and P. Steggles, “Towards a better understanding of context and context-awareness,” in Proc. 1st international symposium on
Handheld and Ubiquitous Computing, ser. HUC ’99. London, UK: Springer-Verlag, 1999, pp. 304–307.

[4] S. Ahn and D. Kim, “Proactive context-aware sensor networks,” in Wireless Sensor Networks, ser. Lecture Notes in Computer Science, K. Rmer, H. Karl, and F. Mattern, Eds. Springer Berlin
/ Heidelberg, 2006, vol. 3868, pp. 38–53.

[5] K. Henricksen, “A framework for context-aware pervasive computing applications,” Computer Science, School of Information Technology and Electrical Engineering, The University of Queensland, September 2003

 

 

Summary
Internet Das Coisas: Identificando contexto
Article Name
Internet Das Coisas: Identificando contexto
Description
Context awareness. identifying context in IoT
Author
Publisher Name
iMobilis
Publisher Logo

Trackbacks & Pings

Deixe um comentário

O seu endereço de e-mail não será publicado.