Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/9480
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCampista, Miguel Elias Mitre-
dc.contributor.authorAndré, Carlos Henrique de Oliveira Monteiro-
dc.date.accessioned2019-09-12T17:13:07Z-
dc.date.available2023-12-21T03:01:22Z-
dc.date.issued2018-03-
dc.identifier.urihttp://hdl.handle.net/11422/9480-
dc.description.abstractParticipatory Sensing (PS) is a paradigm of collaborative networks which provides incentives for users to participate of sensing tasks on a Region of Interest (RoI). In collaborative scenarios, one of the major challenges is to deal with mobile participating users who must balance the amount of data collected by each user so as not to impose an excessive load to the network and to them. The system must ensure that the data collected is reliable and that possible anomalous data does not influence the final result. In this direction, this work proposes a centralized system to adapt the sample rate assigned to each participating sensor, identifying the existence of inconsistency or unreliable data. It is assumed that part of the data can be collected by malicious or faulty sensors. Thus, it is necessary to evaluate the presence of inconsistent data, based on the mean and standard deviation of the samples. In the following, the sampling rate is calculated as a function of the variability of the samples collected in a given RoI taking into account the samples received and validated in the last time interval. The proposed system is evaluated using the dataset of the bus fleet of the city of Seattle, WA - USA, which records bus movements. At first, the robustness of the system is evaluated through simulations in the presence of inconsistent data. Results show that the system is robust to inconsistent data up to 70% of the nodes. In addition, results show the tradeoff between sampling rate and number of participating sensors. The more participating users, the lower the individual sample rate and the lower the amount of data transferred. It is possible to reduce approximately 67% of data load of the participants.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEngenharia elétricapt_BR
dc.subjectRedes veicularespt_BR
dc.subjectSensoriamento participativopt_BR
dc.titleSensoriamento participativo com descrição adaptativa das taxas de amostragem e consistência dos dadospt_BR
dc.typeDissertaçãopt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/0922794292705592pt_BR
dc.contributor.referee1Passos, Diego Gimenez-
dc.contributor.referee2Costa, Luís Henrique Maciel Kosmalski-
dc.contributor.referee3Medeiros, Dianne Scherly Varela de-
dc.description.resumoO Sensoriamento Participativo (Participatory Sensing – PS) é um paradigma de redes colaborativas que incentiva a participação dos usuários no sensoriamento de uma Região de Interesse (Region of Interest – RoI). Em cenários colaborativos, um dos principais desafios é lidar com os usuários participantes móveis que devem calibrar a quantidade de dados sensoriados para que a carga imposta `a rede e a eles próprios não se torne excessiva. O sistema deve garantir que os dados coletados sejam confiáveis e que possíveis dados anômalos não influenciem o resultado final. Nessa direção, este trabalho propõe um sistema centralizado capaz de adaptar a taxa de amostragem a ser atribuída a cada sensor participante, identificando a existência de inconsistência ou dados não confiáveis. Assume-se que parte dos dados pode ser coletada por sensores mal-intencionados ou defeituosos. Dessa forma, é necessário avaliar a presença de dados inconsistentes, baseado na média e desvio padrão das amostras. Em seguida, a taxa de amostragem é calculada em função da variabilidade das amostras coletadas em uma dada RoI a partir das amostras recebidas e validadas no último intervalo de tempo. O sistema proposto é avaliado usando um conjunto de dados que registra a mobilidade da frota de ônibus de Seattle, WA - EUA. Em um primeiro momento, avalia-se através de simulações a robustez do sistema caso haja a presença de dados inconsistentes. Os resultados mostram que o sistema é imune a dados inconsistentes até 70% dos nós. Os resultados também mostram o compromisso entre a taxa de amostragem e o número de sensores participantes. Quanto mais nós participantes, menor pode ser a taxa de amostragem e menor pode ser a quantidade de dados a serem transferidos individualmente. Além disso, é possível uma redução de aproximadamente 67% na carga de dados dos participantes do sensoriamento.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenhariapt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
882184.pdf772.87 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.