Note publique d'information : Les recherches présentées dans ce mémoire s’inscrivent dans le cadre des réseaux decapteurs
périodiques. Elles portent sur l’étude et la mise en oeuvre d’algorithmes et de protocolesdistribués
dédiés à la gestion de données volumineuses, en particulier : la collecte, l’agrégation
etla fouille de données. L’approche de la collecte de données permet à chaque noeud
d’adapter sontaux d’échantillonnage à l’évolution dynamique de l’environnement. Par
ce modèle le suréchantillonnageest réduit et par conséquent la quantité d’énergie
consommée. Elle est basée surl’étude de la dépendance de la variance de mesures captées
pendant une même période voirpendant plusieurs périodes différentes. Ensuite, pour
sauvegarder plus de l’énergie, un modèled’adpatation de vitesse de collecte de données
est étudié. Ce modèle est basé sur les courbes debézier en tenant compte des exigences
des applications. Dans un second lieu, nous étudions unetechnique pour la réduction
de la taille de données massive qui est l’agrégation de données. Lebut est d’identifier
tous les noeuds voisins qui génèrent des séries de données similaires. Cetteméthode
est basée sur les fonctions de similarité entre les ensembles de mesures et un modèle
defiltrage par fréquence. La troisième partie est consacrée à la fouille de données.
Nous proposonsune adaptation de l’approche k-means clustering pour classifier les
données en clusters similaires,d’une manière à l’appliquer juste sur les préfixes
des séries de mesures au lieu de l’appliquer auxséries complètes. Enfin, toutes les
approches proposées ont fait l’objet d’études de performancesapprofondies au travers
de simulation (OMNeT++) et comparées aux approches existantes dans lalittérature.
Note publique d'information : This thesis proposes novel big data management techniques for periodic sensor networksembracing
the limitations imposed by wsn and the nature of sensor data. First, we proposed anadaptive
sampling approach for periodic data collection allowing each sensor node to adapt
itssampling rates to the physical changing dynamics. It is based on the dependence
of conditionalvariance of measurements over time. Then, we propose a multiple level
activity model that usesbehavioral functions modeled by modified Bezier curves to
define application classes and allowfor sampling adaptive rate. Moving forward, we
shift gears to address the periodic dataaggregation on the level of sensor node data.
For this purpose, we introduced two tree-based bilevelperiodic data aggregation techniques
for periodic sensor networks. The first one look on aperiodic basis at each data measured
at the first tier then, clean it periodically while conservingthe number of occurrences
of each measure captured. Secondly, data aggregation is performedbetween groups of
nodes on the level of the aggregator while preserving the quality of theinformation.
We proposed a new data aggregation approach aiming to identify near duplicatenodes
that generate similar sets of collected data in periodic applications. We suggested
the prefixfiltering approach to optimize the computation of similarity values and
we defined a new filteringtechnique based on the quality of information to overcome
the data latency challenge. Last butnot least, we propose a new data mining method
depending on the existing K-means clusteringalgorithm to mine the aggregated data
and overcome the high computational cost. We developeda new multilevel optimized version
of « k-means » based on prefix filtering technique. At the end,all the proposed approaches
for data management in periodic sensor networks are validatedthrough simulation results
based on real data generated by periodic wireless sensor network.
paprika.idref.fr
data.idref.fr
Documentation
