Вычисление в беспроводных сенсорных сетях

Sensor networks
Ad-hoc networks for environmental monitoring
Wireless sensor networks
Mobile sensing platform

Sensor networks architecture
Internet, Satellite, UAV
Sink
Sink
Database
Formatting
Processing
Mining
Visualization
Cloud Services
Jim Gray and Alex Szalay
Life under your feet
JHU

Wireless Sensor Networks (WSN)
A WSN can consist of 10 to 1000 of sensor nodes (motes) that communicate through wireless channels for information sharing and cooperative processing
With low-power circuit and networking a mote powered by 2 AA batteries can last for 3 years with a 1% low duty cycle working mode
After the initial deployment (ad-hoc), motes are responsible for self-organizing into a network with multi-hop connections
The onboard sensors then start collecting acoustic, seismic, infrared or magnetic information about the environment, using either continuous or event driven working modes
Location and positioning information can also be obtained through the global positioning system (GPS) or local positioning algorithms
The basic philosophy behind WSNs is that, while the capability of each individual sensor node is limited, the aggregate power of the entire network is sufficient for the required mission

Difference from ad-hoc networks
Number of sensor nodes can be several orders of magnitude higher
Sensor nodes are densely deployed and are prone to failures
The topology of a sensor network may change frequently due to node failure and node mobility
Ad-hoc network cables are prone to environmental impact such as lightning
Sensor nodes are limited in power, computational capacities, and memory
May not have global ID like IP address
Need tight integration with sensing tasks

Sensor network node
Small
Low power
Low bit rate
High density Low cost (dispensable)
Autonomous
Adaptive
SENSING UNIT
PROCESSING UNIT

Telos platform
Robust
USB interface
Integrated antenna (30m-125m)
External antenna capabie (~500m)
High Performance
10kB RAM, 48 KB ROM
12-bit ADC and DAC
Hardware link-layer encryption
Processor:
TI MSP430 (16bit) @8MHz
6μA sleep
460μA active
1.8V operation
Radio:
EEE 802.15.4
CC2420 radio
250kbps
2.4GHz ISM band

Evolution of Telos platform
2nd generation MSP430
~50% less power consumption in stand-by and off-mode
faster wake-up: 1µs vs. 6µs
2x speed (16MHz vs. 8MHz),
~2x Flash (92KB vs. 48KB),
8KB vs. 10KB RAM
Programmable internal pull-ups.
~2x External Flash Memory (16Mbit vs. 8Mbit)
Sensors
3-axis digital accelerometer and temperature sensor vs. light, temperature and humidity sensors.
Ziglet sensors product-line under development.

Development system
Virtual Machine: Ubuntu 9.10 in VirtualBox
TinyOS 2.1.1 synchronized with CVS repository
Eclipse IDE with YETI 2 plugin for TinyOS

Power consumption
Need long lifetime with battery operation
No infrastructure, high deployment & replenishment costs
Challenges
Energy to wirelessly transport bits is ~constant (Shannon, Maxwell)
Fundamental limit on ADC speed*resolution/power
No Moore’s law for battery technology ~ 5%/year
How is power consumed
CPU (Moor’s law!)
Radio

WSN applications
CLASS 1: Data collection
Entity monitoring with limited signal processing in a relatively simple form, such as temperature and humidity
Sampling period from days to minutes
Environmental monitoring and habitat study
CLASS 2: Computationally intensive
Require processing and transportation of large volumes of complex data
10 Hz – 100 KHz sampling frequency
Seismic, industrial monitoring and video surveillance

Система KOALA: ultra-low power data retrieval in wireless sensor networks
Проект разработан в университете Джона Хопкинса
Система с низким потребление энергии, предназначена для долгих наблюдений параметров окружающей среды (с частотой от нескольких замеров в минуту до нескольких замеров в день)
Flexible control protocol (динамически строящаяся таблица маршрутов) позволяет экономить энергию
Механизм low power probing нацелен на эффективный перевод мотов из режима сна в режим активной передачи

KOALA: общая схема работы
Моты с измерительными сенсорами установлены на местности, базовая станция подключена к USB-порту компьютера.
Каждый мот обслуживает свои сенсоры, собирая с них информацию с предварительно заданной частотой и сохраняя во flash память.
По требованию оператора с компьютера (работа ведется через операционную систему TinyOS) базовая станция рассылает всем мотам сигнал об активизации (LPP механизм), устанавливает маршруты скачивания данных (FCP протокол), собирает данные в сыром виде, сохраняя на диск

Наработки ИКИ РАН
Разработали внешние сенсоры:
Инфразвук
Термопары
Магнитометр
Акселерометр
Разработали систему сбора «медленных» данных:
ПО для сенсоров на базе KOALA
Скрипты для предварительной обработки данных с сенсоров и загрузки в базу данных
База данных и веб-приложение (фронтенд) для выборки и визуализации
Разработали технологию детектирования событий в «быстрых» потоках данных

Мониторинг окружающей среды в вычислительном центре ИКИ РАН
5 мотов со стандартным набором сенсоров
Данные скачивались нерегулярно, с интервалами от 2 до 7 дней.
Результаты сохранялись в сыром специфическом виде в локальном файле в виртуальной машине.
Сырые данные переформатировались в числовой формат.
Данные в числовом формате загружались в удаленную базу данных MySQL, откуда они могут быть запрошены системой визуализации. Кроме того данные из числового формата могут быть преобразованы в CSV формат и отображены, например, в приложении MS Excel

Эксперимент в вычислительном центре ИКИ РАН

Визуализация данных с сенсоров

Статистика
начало эксперимента: 03.11.2010
окончание эксперимента: 07.12.2010
падение заряда батареек: в среднем упал с заряда 3,2 до 3 (здесь стоит отметить агрессивную среду, периодическое прерывание каналов и неоптимальный аппарат системы скачивания данных Koala, требующих больших накладных расходов при потере связи)
скорость опроса сети: в зависимости от удаления сенсора и количества посредников в мультихоповом пути, но в среднем на скачивание данных с одного мота, полученных за сутки (2880 байт) тратится минута.
скорость LPP протокола: по умолчанию, на то, чтобы разбудить моты, управляющему моту давалось полторы минуты, но реально приведение сети в готовность происходила за 10-20 секунд.
Нет потерянных данных при успешной передаче
Поддержка связи на расстоянии порядка 10-20 метров через препятствия (стены) и в условии постоянных помех от аппаратуры
За более чем месяц эксперимента не потребовалось техническое обслуживание ни одному моту
К негативным сторонам следует отнести высокие накладные расходы, связанные с разрывом виртуального канала передачи данных, а также довольно низкую скорость передачи данных.

Обработка высокочастотных данных
Требуется обработать данных больше чем лимитирует пропускная способность сети
Используем детектирование событий

Другие проблемы, решаемые при построении WSN
Назначение новой задачи по контролю объекта, исходя из его местоположения и требования минимальной нагрузки сети
Сжатие данных и контроль передаваемого трафика
Выбор стратегии при вычислениях, в которых задействовано несколько узлов (с одной стороны требуется обмен данными, с другой – требуется затраты батарей на пересылку)

Automatic vs. manual seismic event detection
Piton de la Fournaise volcano

Spatio-temporal clustering of seismic waveforms
Advanced Land Imager (ALI) on NASA’s Earth Observing-1 satellite captured this image of Piton de la Fournaise on January 16, 2009

The April 2007 eruption and the Dolomieu crater collapse, two major events at
Piton de la Fournaise

Piton de la Fournaise eruption
January 2, 2010

Иерархическая беспроводная сеть