Bulut Tabanlı Sensör ve Robot Ağlarında Konumlandırma için Büyük Veri Analizi Çerçevesi

Abstract

Nesnelerin İnterneti (IoT), İnternet üzerinden bağlı milyarlarca sensör cihazdan oluşturulmaktadır. Kablosuz sensör ağları (KSA’lar), ortamdan büyük ölçekli veri sağlamak için IoT'nin çok önemli iletişim teknolojileridir. Toplanan veriler katlanarak büyüdüğü için bulut tabanlı büyük veri analizi tekniklerinin tasarımı çok önemlidir. Sensör ağlarda konumlandırma, referans düğümlerin koordinatlarına göre bir düğümün konumunu bulmaktır. Hedef takibi ve askeri gözetim gibi birçok uygulamada konumlandırmanın sağlanması gerekmektedir. Dağıtım aşamasında düğüm konumlarının manuel olarak girilmesi, özellikle büyük ölçekli sensör ağları için geçerli değildir. Ayrıca, her sensör düğümü için bir GPS alıcısı entegre etmek çok maliyetli bir çözümdür ve büyük ölçekli ağlar için uygun olmayabilir. Sensör düğümleri çoğunlukla pille çalıştığından, enerji açısından verimli bir konumlandırma yönteminin tasarımı, ağın ömrünü uzatmak için oldukça önemlidir. Mevcut konumlandurma teknikleri, yüksek enerji tüketimine neden olan birçok mesaj iletimini gerektirebilir. Bu sorunu çözmek için, bu makalede enerji açısından verimli bir konumlandırma çerçevesi önermekteyiz. Bir mobil robot, algılama alanı boyunca hareket ettirilmekte ve bu düğümleri yerelleştirmek için sensör düğümleriyle iletişim kurmaktadır. Önceki yaklaşımlardan farklı olarak, önerilen yaklaşımımız düğüm başına yalnızca 3 mesaj gerektirmektedir. Ayrıca, konumlandırma için gereken işlem çoğu sıradan düğümler tarafından gerçekleştirilmemektedir. Önerdiğimiz yaklaşımı ns2 benzetim ortamında simüle etmekteyiz. Önerdiğimiz yaklaşımın konumlandırma kalitesini ve enerji tüketimini rakipleriyle karşılaştırmaktayız. Ayrıca, konumlandırma kalitesini ve enerji tüketimini değişen düğüm sayılarına ve derecelerine göre ölçmekteyiz. Kapsamlı simülasyon sonuçlarından, önerdiğimiz yaklaşımın konumladırma kalitesinin rakiplerinden önemli ölçüde daha iyi olduğunu elde etmekteyiz. Ayrıca, önerdiğimiz algoritmanın enerji tüketimi düğüm başına sadece 0,06 J'dir ve bu sonuç dağıtık algoritmadan çok daha iyidir. Sonuç olarak, bu makalede önerilen çerçevemiz, enerji verimli konumlandırma gerektiren IoT ve büyük veri uygulamaları için önemli bir adaydır.

Keywords

• Nesnelerin İnterneti
• Büyük Veri
• Bulut Bilişim
• Konumlandırma
• Robotlar

A Big Data Analysis Framework for Localization in Cloud based Sensor and Robot Networks

Abstract

Internet of Things (IoT) is constructed from billions of sensor devices connected over Internet. Wireless sensor networks (WSNs) are very important communication technologies of IoT for providing large scale data from the environment. Since the data collected grows exponentially, the design of cloud based big data analysis techniques is crucial. Localization in sensor networks is finding the location of a node based on the reference nodes’s coordinates. In many applications such as target tracking and military surveillance, providing localization is necessary. Manually entering the locations of nodes during the deployment phase is not applicable especially for large scale sensor networks. Besides, integrating a GPS receiver to each sensor node is a very costly solution and may not be affordable for large scale networks. Since sensor nodes are mostly battery-powered, design of an energy-efficient localization method is highly desirable to prolong the lifetime of the network. Existing localization techniques may require many message transmission which causes high energy consumption. To tackle with this problem, we propose an energy-efficient localization framework in this paper. A mobile robot is traversed along the sensing area and communicate with sensor nodes to localize these nodes. Different than the previous approaches, our proposed approach requires only 3 messages per node. Besides, most of the execution needed for the localization is not carried by ordinary nodes. We simulate our proposed approach in ns2 simulator. We measure the localization quality and energy consumptions of our proposed approach with its counterparts. Also, we measure the localization quality and energy consumption against varying node counts and degrees. From extensive simulation results, we obtain that the localization qualities of our proposed approach is significantly better than its competitors. Besides, the energy consumption of our proposed algorithm is just 0.06 J per node and far more better than the distributed algorithm. Conclusively, our proposed framework is a significant candidate for IoT and big data applications requiring energy-efficient localization.

Keywords

• Internet of Things
• Big Data
• Cloud Computing
• Wireless Sensor Networks
• Localization
• Robots

References

1. Alhmiedat,T. A. and Yang, S. H. (2007) A survey: Localization and tracking mobile targets through wireless sensors network. PGNet.
2. Doherty, L., Pister, K. S. J., and Ghaoui, L. E. (2001) Convex position estimation in wireless sensor networks. Proc. of the 12th Annual Joint Conf. of the IEEE Computer and Communications Societies, Anchorage, Alaska, 22-26 April, pp. 1655-1663. IEEE Computer Society, Washington.
3. Harb, H., Makhoul, A., Idrees, A., Zahwe and O. and Taam, M.. (2017) Wireless Sensor Networks: A Big Data Source in Internet of Things. International Journal of Sensors, Wireless Communications and Control.
4. Karl, H. and Willig, A. (2005) Protocols and architectures for wireless sensor networks. John Wiley & Sons.
5. Kim, B.-.S, Kim, K.-I., Shah, B., Chow, F. and Kim, K. H. (2019) Wireless Sensor Networks for Big Data Systems, Sensors 19, no. 7, 1565.
6. Nagpal, R., Shrobe, H., and Bachrach, J. (2003) Organizing a global coordinate system from local information on an ad hoc sensor network. Proc. of the 2nd Int. Workshop on Information Processing in Sensor Networks, Palo Alto, CA, USA, 22-23 April, pp. 333-348. Springer-Verlag, Berlin.
7. Niculescu, D. and Nath, B. (2003) DV based positioning in ad hoc networks. Telecommunication Systems, 22, pp. 267-280.
8. Patwari, N., Ash, J. N., Kyperountas, S., Hero, A. O., Moses, R. L., and Correal, N. S. (2005) Locating the nodes: Cooperative localization in wireless sensor networks. IEEE Signal Processing Magazine, 22(4), 54-69.

9. Savarese, C., Langendoen, K., and Rabaey, J. (2002) Robust positioning algorithms for distributed ad-hoc wireless sensor networks. Proc. of USENIX Technical Annual Conf., pp. 317-328.
10. Shang, Y., Fromherz, M. P. J., Ruml, W., and Zhang, Y. (2003) Localization from mere connectivity. Proc. of the 4th ACM Int. Symp. on Mobile Ad Hoc Networking and Computing, Annapolis, Maryland, USA, 1-3 June, pp. 201-212. ACM Press, New York.
11. Tripathi, A. K., Sharma, K., Bala, M., Kumar, A., Menon, V. G. and Bashir, A. K. (2021) A Parallel Military-Dog-Based Algorithm for Clustering Big Data in Cognitive Industrial Internet of Things, IEEE Transactions on Industrial Informatics, vol. 17, no. 3, pp. 2134-2142.
12. Xiao, L. and Ouksel, A. M. (2006) Scalable self-conflguring integration of localization and indexing in wireless ad-hoc sensor networks. Proc. of the 7th Int. Conf. on Mobile Data Management, Nara, Japan, 9-13 May. IEEE, Washington.
13. VINT project. (2021) Network Simulator version 2 (NS-2). Technical Report, available from: http://nsnam.sourceforge. net/wiki/index.php/Main_Page.