Defesa de Tese de Doutorado – Aujor Tadeu Cavalca Andrade – 20/3/2019
17/05/2019 15:11
| Defesa de Tese de Doutorado | |
| Aluno | Aujor Tadeu Cavalca Andrade |
| Orientador | Prof. Carlos Barros Montez, Dr. – DAS/UFSC |
| Coorientador | Prof. Ricardo Alexandre Reinaldo de Moraes, Dr . – PPGEAS/UFSC |
| Data
|
20/3/2019 14h00 (quarta-feira)
Sala PPGEAS I (piso superior) |
| Banca | Prof. Carlos Barros Montez, Dr. – DAS/UFSC (presidente);
Prof. Luiz Affonso H. Guedes, Dr. – DCA/UFRN; Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC; Prof. Gustavo Medeiros de Araújo, Dr. – UFSC/Araranguá. |
| Título
|
Arquitetura para Detecção, Identificação e Tratamento de Outliers em Rede de Sensores Sem Fio de Larga Escala |
| Resumo: As Redes de Sensores Sem Fio (RSSF) surgem como uma importante área de pesquisa, integrando trabalhos relacionados às áreas de comunicação e sensoriamento. Os cenários de uso desse tipo de rede são vastos, podendo ser citadas as aplicações de monitoramento ambiental, industrial, hospitalar, dentre outras. Neste contexto, o cenário deste estudo é sobre o monitoramento de grandes áreas, as quais possuem especificidades desafiadoras para seu monitoramento como: grande área de cobertura espacial, variação na quantidade de sensores por área, dificuldade de implantação, e geração de grande quantidade de dados anômalos. Os recursos computacionais limitados dos nodos, associados à instalação em possíveis ambientes hostis impactam diretamente na coleta dos dados e nos tipos de falhas geradas. O principal desafio é o de extrair informações significativas, a partir dos dados brutos. Nesse sentido, técnicas para a detecção de outliers vêm ganhando cada vez mais destaque, contribuindo para melhorar a qualidade dos dados coletados. O aperfeiçoamento dessas técnicas, juntamente com técnicas para identificação e tratamento de outlier pode ser usado para detectar sensores defeituosos, filtrar dados ruidosos e descobrir eventos rele- vantes. Nesta tese foi proposta uma arquitetura para detecção, identificação e tratamento de outliers em RSSF de larga escala. Para tanto, busca-se associar o método de detecção de outlier baseado em estatística ao método de aprendizagem de máquina para identificar e classificar as anomalias e, em seguida, tratá-las adequadamente. Adicionando, há uma estratégia de monitoramento inovadora para formação de redes cluster-tree baseada em dados. Os principais resultados alcançados foram: na precisão da detecção do evento vi- sando identificação e tratamento do outlier ; em um estratégia de monitoramento voltada a formação cluster-tree baseada em dados com diferentes tempos de monitoramento; na adaptabilidade às mudanças e no atendimento online do monitoramento; na tomada de decisão eficiente por meio da integração da correlação de informação espaço-temporal na detecção e tratamento de eventos. | |
