4 Az osztályozási kritériumok és az osztályozási fa
Az új taxonómia létrehozásának két fő problémája: az osztályozási kritériumok és az osztályozási fa. Itt az osztályozási kritériumokat úgy választottuk ki, hogy azok tükrözzék a kutatás alapvető nézőpontjának lényegét. Az osztályozási fát a kiválasztott kritériumok egymás utáni alkalmazásával kaptuk. Az osztályozási fa levelei azok a példák (kutatási törekvések), amelyeket a későbbiekben, a Meglévő megoldások bemutatása fejezetben röviden kifejtünk.
A tanulmányban olyan architektúrák is szerepelnek, amelyek nem az adatszemantikával foglalkoznak, de amelyek architektúrái bizonyos irányba befolyásolták a kutatást. Ezen kívül bemutattuk, hogy a szemantikus adatdúsítás hogyan javítja az alkalmazott megközelítés hatékonyságát.
Mivel az érzékelőhálózatok integrációs platformjának szerepe az, hogy interfészként működjön az érzékelőhálózatok és a felhasználói alkalmazás között, a kutatók vagy az érzékelőhálózatok szintjén, azaz alulról felfelé, vagy az alkalmazások szintjén, azaz felülről lefelé irányuló megközelítésben kezelhetik a problémát. Ezért a vizsgált architektúrák fő osztályozási kritériumaként a választott megközelítés szerint osztályozzuk az architektúrákat, amelyek a következők lehetnek: érzékelőhálózat-központú megközelítés és alkalmazásközpontú megközelítés. Az első megközelítésben a kutatók a szenzorhálózatok heterogenitását, a szenzorhálózatok műszaki jellemzőit, a korlátokat, a protokollokat, valamint az előállított megfigyeléseket és méréseket próbálják megoldani azáltal, hogy a rendelkezésre álló szenzoradatforrások kezelésére, reprezentálására, tárolására és aggregálására optimális módszert javasolnak a rendszer felsőbb rétegei, és így az alkalmazások számára. A második megközelítésben a kutatók arra törekszenek, hogy a felhasználók és alkalmazások számára olyan, a lehető legkonformabb interfészt és interakciós mechanizmust tegyenek lehetővé, amely lehetővé teszi számukra, hogy az integrált szenzorhálózatokból az őket érdeklő információkhoz jussanak, megszabadítva őket az adott szenzorhálózatok bonyolultságától és sajátosságaitól.
Az első osztályon belül három alcsoportot különíthetünk el: adatbázis-központú architektúrák, lekérdezésfordításon alapuló megközelítések és szenzor virtualizáción alapuló megközelítések. Mindezen alcsoportok tovább oszthatók az adatszemantikai foglalkoztatással és anélkül működő megközelítésekre.
Az adatbázis-központú megoldásokra jellemző, hogy az adatbázis az összes összegyűjtött szenzoradat központi központja, és ebből következően a szenzoradatok minden keresése és manipulációja az adatbázison keresztül történik. Kihívást jelent a heterogén szenzoradatok leképezése egy egyedi adatbázis-sémára. További mechanizmust kell biztosítani a valós idejű adatok támogatására, mivel az ilyen típusú adatok nagy volumenük miatt aligha tárolhatók közvetlenül a gyorsítótárban. E megközelítéssel kapcsolatban a fő gondot a skálázhatóság jelenti, mivel az adatbázis-kiszolgálónak mind az érzékelőcsomópontokból érkező adatok beillesztését, mind az alkalmazás lekérdezéseit kezelni kell. Ennek a megközelítésnek előnyére válhat az a lehetőség, hogy a tárolt szenzoradat-állományon keresztül lehetővé teszi az adatbányászati és gépi tanulási technikák támogatását.
A lekérdezésfordítási megközelítés a szenzoradatok természetes formáját és a kapcsolódó lekérdezési nyelveket használja fel annak érdekében, hogy a felhasználók lekérdezését egy adott forrás céllekérdezési nyelvére alakítsa át. Ez a megközelítés szükségessé teszi a rendelkezésre álló adatforrások információinak fenntartását, elsősorban az adott adatforrás natív lekérdezési nyelvét, formátumát és az előállított adatok jellegét, de a jobb lekérdezés-optimalizálás érdekében tartalmazhat információkat az érzékelők képességeiről, a hálózati topológiáról, a teljesítménykorlátozásokról is. A natív lekérdezések eredményeit össze kell állítani a céladatformátumba. Potenciális teljesítménybeli hátrányt jelenthet, hogy minden egyes felhasználói kérésenként két konverziót kell elvégezni a futási időben: amikor egy lekérdezést natív lekérdezéssé fordítanak, és ismét, amikor a lekérdezés eredményeit a célformátumba kell konvertálni.
A szenzor virtualizációs megközelítésben a szenzorokat és más eszközöket egy absztrakt adatmodellel reprezentálják, és az alkalmazásoknak lehetőséget biztosítanak arra, hogy egy interfész segítségével közvetlenül kapcsolatba lépjenek ezzel az absztrakcióval. Függetlenül attól, hogy a meghatározott interfész megvalósítása az érzékelő csomópontok nyelők vagy átjárók összetevőin valósul meg, az előállított adatfolyamoknak meg kell felelniük az általánosan elfogadott formátumnak, amelynek lehetővé kell tennie az interoperabilitást. Általában bármilyen közös adatformátum, amely a szemantikus adatmodellre támaszkodik, használható az adatok reprezentálására, vagy akár több, az adatabsztrakciók különböző szintjeit megcélzó adatformátum is párhuzamosan létezhet a felhasználói igényektől függően. Ez a megközelítés ígéretes, és jó skálázhatóságot, nagy teljesítményt és hatékony adatfúziót kínál heterogén érzékelőhálózatokon, valamint rugalmasságot az adatfolyamok aggregálásában stb.
A fentiek szerint az alkalmazásorientált megközelítések a felhasználói alkalmazások számára a leghatékonyabb módszert próbálják kínálni a szükséges információk megszerzésére az integrált érzékelőhálózatokból. Az alkalmazások és a mögöttes rendszer közötti magas szintű interakció biztosítására összpontosítva, a tudáslevonási funkciókat lehetővé téve azonban néha a teljesítmény szempontjai miatt szenvednek, ami megakadályozza e megoldások szélesebb körű elfogadottságát. Négy alcsoportot azonosítottunk, amelyeknek ugyanaz az alapelve a felülről lefelé irányuló megközelítés: a szolgáltatásorientált architektúrájú megközelítések, a szolgáltatáskompozíciós megközelítések, a szabályalapú adattranszformációs megközelítések és az ágensalapú rendszerek.
A szolgáltatásorientált architektúrájú megközelítések szabványos szolgáltatási interfészt biztosítanak meghatározott módszerekkel és adatkódolásokkal a kívánt érzékelőkből származó megfigyelések és mérések megszerzéséhez. Továbbá olyan funkciókat kínálhatnak, mint az érzékelők jellemzőire vonatkozó információk megszerzése, a kiválasztott érzékelők adatértékeire való feliratkozás képessége, lekérdezések benyújtása, opcionálisan a működtetési funkciók stb. Ezekben az architektúrákban a domináns interakció a kérés-válasz modell, és kisebb mértékben az érzékelők adatainak eseményalapú átadása. E megközelítés hátránya, hogy nem képes az adatfolyam-alapú szenzoradatok fúziójára az archivált vagy felvett adattípusokkal együtt. Bár a konkrét megvalósításra vonatkozóan nincsenek kifejezett megkötések, ez a megközelítés általában vertikálisan orientált, és csak egy alkalmazási területet fed le.
A szolgáltatás-kompozíció-orientált megközelítések lehetővé teszik a felhasználók számára, hogy tetszőleges szolgáltatásokat vagy adatfolyamokat határozzanak meg, amelyek meghatározott jellemzővel rendelkeznek. A rendszer megpróbál egy ilyen adatfolyamot a megfelelő adatforrásokon történő speciális feldolgozás alkalmazásával összeállítani, aminek eredményeképpen a kért specifikációnak megfelelő adatfolyam keletkezik. A felhasználói kérések teljes kifejezőképessége a kívánt adatfolyamok és feldolgozási képességek szemantikus modellalapú leírásának lehetővé tételével érhető el: a szemantika-alapú érvelés felhasználható a rendelkezésre álló komponensek optimális összetételének keresésekor. Ez a megközelítés tűnik az alkalmazások szempontjából a legrugalmasabb megoldásnak, bár a teljesítmény a szolgáltatáskompozíció valós idejű felfedezése miatt romolhat.
A szabályalapú adattranszformáció tűnik a szemantikus adatmodellek felhasználásának legelterjedtebb megközelítésének. Az új ismeretek levonása vagy a magas szintű események észlelése a tartománymodell ontológiai reprezentációjában rögzített fogalmak és a szenzoradatok megfigyelései és mérései közötti kapcsolatokra támaszkodó leképezési függvényekkel érhető el. Az információs modell különböző rétegeinek megfelelően az architektúrán keresztül többféle transzformáció is végbemehet. Az adatokat alacsonyabb szintű formátumokból szemantikai alapú reprezentációkba transzformálják, amelyek lehetővé teszik a szemantikus keresési és következtetési algoritmusok alkalmazását.
Az ágensalapú rendszerek többféle típusú ágensből állnak. Az ágensek olyan szoftverkomponensek, amelyek képesek meghatározott feladatok elvégzésére. Együttműködve érik el a kívánt funkciókat. A belső ágenskommunikációhoz néhány szabványos ágensplatform vagy egy speciális megvalósítás használható. Az ágensek jellemzően több réteg valamelyikébe tartoznak, attól függően, hogy milyen típusú funkciókért felelősek. Egy logikai rétegben többféle ügynöktípus is lehet. A felsőbb rétegek ügynökei alacsonyabb rétegek ügynökeit alkalmazzák. A konkrét megvalósítástól függ, hogy az ágensek szenzoradat-szemantikát alkalmaznak-e, vagy szemantikai modelleket használnak-e az ágensek feldolgozási képességeinek leírására.
A fent említett osztályozási kritériumokból levezetett osztályozási fa az 1. ábrán látható, és hét levélből áll. Az osztályozási fa minden egyes leveléhez a fent leírtak szerint egy-egy név tartozik. A létező megoldások (példák) listája az egyes levelek (osztályok) esetében az alkalmazott osztályozásnak megfelelően van megadva. Külön bekezdésben csak a megközelítések nevét és a főbb hivatkozásokat adtuk meg, hogy az érdeklődő olvasók további részleteket tanulmányozhassanak… Az egyszerűség kedvéért tetszőleges nevet adunk egy olyan megoldásnak, amelynek a szerzők nem adtak explicit nevet. Vagy annak az intézménynek a nevét használjuk, ahonnan a szerzők érkeztek, vagy az adott megoldásra jellemző fő stratégiai kérdés nevét.
1. ábra. A Sensor Web architektúrák osztályozási fája.
Az adatbázis-központú megoldások közé tartoznak a nem szemantikus megközelítések, mint például a Cougar adatbázis-rendszer , az egyik első kutatási munka a szenzorhálózatok integrációja felé, és a SenseWeb , amely a leírt megközelítés maximális kihasználásának példája. Az ES3N egy példa a szemantika alapú adatbázis-központú megközelítésre.
A lekérdezésfordítási megközelítésekhez tartozó megoldások mindegyike szemantikus technológiákat alkalmaz, és ide tartoznak: a CSIRO szemantikus érzékelőhálózata , a SPARQLSTREAM alapú megközelítés és a SemSorGrid4Env , amely a legátfogóbb megoldás ebben a csoportban.
A legújabb kutatási erőfeszítések ezen a területen az érzékelő virtualizációs megközelítésekhez tartoznak. A nem szemantikus megközelítést alkalmazzák a GSN-ben , míg az EU által finanszírozott nagyszabású projektekben, például a SENSEI-ben és a tárgyak internetében (IoT) javasolt megoldások az adatok szemantikáját használják.
A szolgáltatásorientált architektúrák közé tartoznak az egyszerű és mégis hatékony nem szemantikus megoldások, például a TinyREST és az OGC SWE specifikációi a különböző felek által megvalósított referenciaarchitektúra . A szemantikával támogatott megközelítést a SemSOS használja .
A szolgáltatáskompozíciós megközelítések általában a legrugalmasabb interakciót kínálják a felhasználóknak, és a Hourglass egy példa a nem szemantikus alapú megoldásra. A nagyobb teljesítményű megoldások szemantikus megközelítéseket használnak, és ide tartozik a SONGS és az IBM-nél kifejlesztett architektúra .
A szemantikus technológiákat alkalmazó leggyakoribb architektúrák a szabályalapú adattranszformációs megközelítések közé tartoznak, és ide tartozik: a Torontói Egyetemen kifejlesztett szemantika-alapú érzékelőadat-fúziós rendszer , az Athéni Nemzeti Műszaki Egyetemen tervezett pluggable architektúra és a SWASN , amely az Ericsson CommonSense víziójának része .
Végül az ágensalapú megközelítéseknek is vannak nem szemantikus és szemantikus képviselői: az első az IrisNet nevű internetes méretű érzékelő infrastruktúra , míg a második a SWAP , a Sensor Web architektúrák multiágens rendszere.