TU Darmstadt / ULB / TUprints

Efficient Saptio-Temporal Sampling in Wireless Sensor Networks Based on Compressive Sampling

Mahmudimanesh, Mohammadreza (2015)
Efficient Saptio-Temporal Sampling in Wireless Sensor Networks Based on Compressive Sampling.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
diss_reza.pdf
Copyright Information: CC BY-NC-ND 3.0 Unported - Creative Commons, Attribution, NonCommercial, NoDerivs.

Download (4MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Efficient Saptio-Temporal Sampling in Wireless Sensor Networks Based on Compressive Sampling
Language: English
Referees: Suri, Prof. Neeraj
Date: 2015
Place of Publication: Darmstadt
Date of oral examination: 7 July 2015
Abstract:

A wireless sensor network monitors the environment at a macroscopic level. It comprises interconnected sensor nodes that sense a physical parameter of interest. The sensed data is first digitized and then transmitted over a multi-hop network to a base station or sink. The main challenge of data collection in a wireless sensor network is to keep the transmissions volume within the limited bandwidth of the sensor nodes. Several efficient in-network processing techniques are developed to reduce the network traffic. These techniques are based on the fact that the raw data sensed by the sensor nodes are often compressible.

This thesis focuses on efficient sampling techniques based on the theory of compressed sensing. Compressed sensing or compressive sampling is a lossy signal compression technique for robust and efficient data collection by applying a simple network coding mechanism. The main advantage of compressed sensing over the existing methods is that it guarantees balanced load on the sensor nodes in a normal operation of the wireless sensor network. This effectively avoids exhaustion of overloaded sensor nodes.

In this thesis, we extend compressed sensing techniques for wireless sensor networks in the following ways:

Reordering for better compressibility: The effectiveness of compressed sensing depends very much on the compressibility of the sensed data. The more compressible the raw data is, the less transmissions are needed to collect the data. We show that compressibility is affected by the order or permutation of the samples. The samples recorded by a wireless sensor network are conventionally indexed by the sensor node id's. This indexing does not necessarily lead to the most compressible order of the samples. We propose an algorithm that maps the physical indexing of the samples to a logical indexing that is more compressible. This mapping does not require reprogramming or relocating the sensor nodes.

Spatiotemporal compressive sampling: Several studies show that the data sensed by a wireless sensor networks are both spatially and temporally compressible. We propose an extension to compressive sampling that takes advantage of spatiotemporal compressibility of the sensed data.

Handling link and node failures: In practice, the sensor nodes often experience occasional failures or link disconnections. We propose a novel variation of compressed sensing that is more tolerant to network perturbations. Our method detects the sensor nodes that are facing node or link failures and isolate their sensor reading to preserve the accuracy of genuine data.

Data dissemination via network coding: We introduce a novel network coding method that disseminates a particular linear combination of the sensed data to all sensor nodes of a wireless sensor networks. We show that the originally sensed data are recoverable from any arbitrarily chosen sensor node that receives an error-free linear combination. Our dissemination allows accessing the globally sensed data from any sensor node by performing local data exchanges.

Alternative Abstract:
Alternative AbstractLanguage

Ein Sensornetz ist ein makroskopisches Sensoriksystem zur Überwachung und Messung von bestimmten physikalischen Parametern (Temperatur, seismische Wellen, etc.) einer Umgebung. Es besteht aus mehreren miteinander verbundenen Sensorknoten, die zusammen ein Multi-Hop Netzwerk bilden. Da die Netzwerk-Bandbreite und die Rechenleistung der Sensorknoten sehr eingeschränkt sind, werden spezielle Datensammlungstechniken benötigt, um eine große Datenmenge effizient bearbeiten zu können. Diese Dissertation konzentriert sich auf räumliches und zeitliches Sampling in drahtlosen Sensornetzen mittels einer verteilten Implementierung der Compressive Sampling Theorie. Compressive Sampling (auch Compressed Sensing genannt) ermöglicht eine robuste und effiziente Datenerfassung, ohne auf eine hohe Rechenleistung der Sensorknoten angewiesen zu sein. Die Besonderheit von Compressive Sampling ist die gleichmäßige Lastverteilung auf alle Sensorknoten, wodurch die vorzeitige Erschöpfung einzelner Sensorknoten verhindert wird. In der vorliegenden Dissertation erweitern wir die state-of-the-art Techniken von Compressive Sampling wie folgt:

Neu-Indizierung der Sensorknoten für bessere Komprimierbarkeit: Ein Algorithmus wird vorgestellt, der den Sensorknoten Indexe mittels eines neuen Schemas zuweist. Unter Anwendung der neuen Zuordnung sind die Daten besser komprimierbar wodurch sich die Effizienz von Compressive Sampling verbessert.

Raumzeitliche (spatiotemporal) Erweiterung von Compressive Sampling: Die Sensordaten wiesen meist Komprimierbarkeit sowohl in der Raumdomäne als auch in der Zeitdomäne auf. Wir stellen das Konzept von Sliding Sampling-Window vor, wodurch Compressive Sampling eine bessere Performance erreichen kann. Unser Konzept basiert auf einem virtuellen Sampling-Fenster, das mit der Zeit verschoben wird, um die zeitlichen und räumlichen Sensordaten zu sammeln. Unsere neue Methode hat die besondere Eigenschaft, dass abnormale oder fehlerhafte Sensorwerte sofort erkannt werden.

Behandlung von defekten Sensorknoten und fehlerhaften Verbindungen: Netzwerk-Störungen beeinträchtigen die Komprimierbarkeit der Sensordaten und die Performance von Compressive Sampling. Wir entwickeln neue Methoden zur Fehlerbehandlung, die sowohl gelegentliche als auch dauerhafte Fehler erkennen können. Die Sensorknoten werden nicht aktiv an der Fehlerbehandlung beteiligt. Stattdessen werden die fehlerhafte Daten durch eine besondere Nachbearbeitung erkannt und herausgefiltert. Auf diese Weise bleibt die Implementierung auf den Sensorknoten unkompliziert.

Datenverbreitung in Sensornetzen durch Netzwerkcodierung: Datenverbreitung bezeichnet sich auf ein Verfahren, das die gesamten Sensordaten für jeden Sensorknoten verfügbar macht. Wir präsentieren eine neue Netzwerkcodierung, die alle Sensordaten (unter bestimmten Nebenbedingungen und Qualitätsanforderungen) für jeden Sensorknoten verfügbar macht, nachdem eine Reihe von lokalen Datenaustauschoperationen zwischen benachbarten Sensorknoten durchgeführt wurde.

German
URN: urn:nbn:de:tuda-tuprints-49442
Classification DDC: 000 Generalities, computers, information > 004 Computer science
Divisions: 20 Department of Computer Science > Dependable Embedded Systems & Software
Date Deposited: 21 Sep 2015 09:35
Last Modified: 21 Sep 2015 09:35
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/4944
PPN: 386801177
Export:
Actions (login required)
View Item View Item