TU Darmstadt / ULB / TUprints

Supporting Management of Sensor Networks through Interactive Visual Analysis

Steiger, Martin (2015)
Supporting Management of Sensor Networks through Interactive Visual Analysis.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
2015-07-15_Dissertation.pdf
Copyright Information: CC BY-NC-ND 3.0 Unported - Creative Commons, Attribution, NonCommercial, NoDerivs.

Download (15MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Supporting Management of Sensor Networks through Interactive Visual Analysis
Language: English
Referees: Fellner, Prof. Dieter W. ; Kohlhammer, Prof. Jörn
Date: 15 July 2015
Place of Publication: Darmstadt
Date of oral examination: 14 July 2015
Abstract:

With the increasing capabilities of measurement devices and computing machines, the amount of recorded data grows rapidly. It is so high that manual processing is no longer feasible.

The Visual Analytics approach is powerful because it combines the strengths of human recognition and vision system with today's computing power. Different, but strongly linked visualizations and views provide unique perspectives on the same data elements. The views are linked using position on the screen as well as color, which also plays a secondary role in indicating the degree of similarity. This enables the human recognition system to identify trends and anomalies in a network of measurement readings. As a result, the data analyst has the ability to approach more complex questions such as: are there anomalies in the measurement records? What does the network usually look like?

In this work we propose a collection of Visual Analytics approaches to support the user in exploratory search and related tasks in graph data sets. One aspect is graph navigation, where we use the information of existing labels to support the user in analyzing with this data set. Another consideration is the preservation of the user's mental map, which is supported by smooth transitions between individual keyframes. The later chapters focus on sensor networks, a type of graph data that additionally contains time series data on a per-node basis; this adds an extra dimension of complexity to the problem space. This thesis contributes several techniques to the scientific community in different domains and we summarize them as follows.

We begin with an approach for network exploration. This forms the basis for subsequent contributions, as it to supports user in the orientation and the navigation in any kind of network structure. This is achieved by providing a showing only a small subset of the data~(in other words: a local graph view). The user expresses interest in a certain area by selecting one of more focus nodes that define the visible subgraph. Visual cues in the form of pointing arrows indicate other areas of the graph that could be relevant for the user. Based on this network exploration paradigm, we present a combination of different techniques that stabilize the layout of such local graph views by reducing acting forces. As a result, the movement of nodes in the node-link diagram is reduced, which reduces the mental effort to track changes on the screen. However, up to this point the approach suffers from one of the most prominent shortcomings of force-directed graph layouts. Little changes in the initial setup, force parameters, or graph topology changes have a strong impact on the visual representation of the drawing. When the user explores the network, the set of visible nodes continuously changes and therefore the layout will look different when an area of the graph is visited a second time. This makes it difficult to identify differences or recognize different drawing as equal in terms of topology. We contribute an approach for the deterministic generation of layouts based on pre-computed layout patches that are stitched at runtime. This ensures that even force-directed layouts are deterministic, allowing the analyst to recognize previously explored areas of the graph. In the next step, we apply these rather general purpose concepts from theory in practical applications.

One of the most important network category is that of sensor networks, a type of graph data structure where every node is annotated with a time series. Such networks exist in the form of electric grids and other supply networks. In the wake of distributed and localized energy generation, the analysis of these networks becomes more and more important. We present and discuss a multi-view and multi-perspective environment for network analysis of sensor networks that integrates different data sources. It is then extended into a visualization environment that enables the analyst to track the automated analysis of the processing pipeline of an expert system. As a result, the user can verify the correctness of the system and intervene where necessary. One key issue with expert systems, which typically operate on manually written rules, is that they can deal with explicit statements. They cannot grasp terms such as "uncommon" or "anomalous". Unfortunately, this is often what the domain experts are looking for. We therefore modify and extend the system into an integrated analysis system for the detection of similar patterns in space and in different granularities of time. Its purpose is to obtain an overview of a large system and to identify hot spots and other anomalies. The idea here is to use similar colors to indicate similar patterns in the network. For that, it is vital to be able to rely on the mapping of time series patterns to color. The Colormap-Explorer supports the analysis and comparison of different implementations of 2D color maps to find the best fit for the task.

As soon as the domain expert has identified problems in the networks, he or she might want to take countermeasures to improve the network stability. We present an approach that integrates simulation in the process to perform "What-If" analysis based on an underlying simulation framework. Subsequent runs can be compared to quickly identify differences and discover the effect of changes in the network.

The approaches that are presented can be utilized in a large variety of applications and application domains. This enables the domain expert to navigate and explore networks, find key elements such as bridges, and detect spurious trends early.

Alternative Abstract:
Alternative AbstractLanguage

Mit der wachsenden Leistung von Messgeräten und Rechnern wächst die Menge der für eine Datenanalyse zur Verfügung stehende Menge an Rohinformation in einem Maße an, dass ein händisches Durchsuchen und Verarbeiten für eine Analyse unmöglich macht.

Die vorliegende Arbeit setzt auf den Visual Analytics-Ansatz, der die Fähigkeiten des Menschen - vor allem die visuelle Wahrnehmung und Verständnis - mit der Rechenleistung heutiger Computer in einem Prozess vereint. Damit lassen sich auch Fragen beantworten, die nur schwer explizit zu formulieren sind: gibt es ungewöhnliche Verlaufskurven? Wie sieht das Netz normalerweise aus?

In dieser Arbeit werden neue Ansätze und Visualisierungstechniken für die Datenanalyse von Netzwerkdaten vorgestellt. Dabei geht es zunächst um Graphen im allgemeinsten Sinne, später fokussiert sich die Arbeit auf sogenannte Sensor-Netze. Das sind Netze, die an jedem Knotenpunkte eine kontinuierliche Variable über die Zeit hinweg messen. Analyselösungen für solche Daten sind in vielen Anwendungsgebieten von ungeheurer Bedeutung, sei es in der Steuerung von Strom- und Wasser- und anderen Versorgungsnetzen, bei der Überwachung von Funknetzen. Der Beitrag dieser Arbeit zur visuellen und interaktiven Analyse von Graphdaten liegt ganz konkret auf den folgenden Aspekten.

Zunächst wird ein Ansatz für die Exploration von Netzwerken vorgestellt. Dieser bildet die Grundlage für die darauffolgenden Beiträge, da er den Nutzer bei der Orientierung und Navigation in in lokalen Ansichten von Netzwerken (dynamic graph views) im allgemeinsten Sinne unterstützt. Das wird dadurch erreicht, dass nur ein kleiner Teil des Graphs dargestellt wird. Diese Art der Darstellung wird auch als lokale Ansicht bzw. local graph view bezeichnet. Der Benutzer des Systems drückt sein Interesse an einem Bereich des Graphen aus, indem er oder sie eine oder mehrere Fokusknoten auswählt und dadurch sichtbaren Bereich definiert.

Visuelle Hinweise, die die Form von Richtungspfeilen haben, zeigen dem Benutzer Wege zu anderen Teilen, die relevant sein könnten. Aufbauend auf diesem Paradigma zur Exploration von Netzwerken, wird eine Kombination von verschiedenen Techniken vorgestellt, die das Layout solcher lokaler Ansichten stabilisieren. Deren Kernziel dabei ist die wirkenden Kräfte auf ein Minimum zu reduzieren, um die Bewegung der Knoten im Layout zu reduzieren. Das wiederum macht es leichter, den Veränderungen auf dem Bildschirm zu folgen. Bis zu diesem Punkt jedoch leidet das Layout des Netzwerkes unter einem der markantesten Nachteile von Kräfte-basierten (force-directed) Layouts. Selbst kleine Änderungen bei der initialen Platzierung der Knoten, in der Konfiguration der Parameter oder Graph-Topologie haben einen starken Einfluss auf die Zeichnung.

Wenn der Benutzer das Netzwerk erkundet, dann ändert sich die Menge der sichtbaren Knoten ständig. Daher sieht das Layout daher jedes Mal anders aus, wenn ein bestimmter Teilbereich erkundet wird. Das macht es schwierig, topologische Unterschiede zu erkennen oder eine bereits besuchte Region als solche wiederzuerkennen. Um dem zu begegnen, stellen wir einen Ansatz für die deterministische Erzeugung von Layouts vor. Das wird durch Vorberechnen von Layouts basierend auf vielen kleineren Teilen des Graphen ermöglicht. Diese, zur Laufzeit fixen Layouts, werden bei Bedarf entsprechend zusammengefügt, so dass ein kohäsiver Gesamtgraph entsteht. Der Ansatz stellt sicher, dass selbst Kräfte-basierte Layouts deterministisch erzeugt werden können.

Im nächsten Schritt werden diese eher allgemein gehaltenen Konzepte von der Theorie in die Praxis übertragen. Eine der interessantesten Anwendungsgebiete sind Sensor-Netzwerke, ein Typ von Graph, der jedem Knoten eine Zeitserie zuordnet. Beispiele für solche Netzwerke sind Stromnetze und andere Versorgungssysteme. Durch die zunehmende Verkleinerung und Verteilung der Energieerzeugung wird die Analyse des Stromnetzes zunehmend wichtiger. Wir stellen eine Analyseplattform für die professionelle Datenanalyse vor, die verschiedene Ansichten auf die Daten kombiniert. Unterschiedliche Perspektiven ermöglichen das Umschalten zwischen unterschiedlichen Arbeitsabläufen. Verschiedene Datenquellen können am Beispiel der Analyse von Stromnetzen integriert und kombiniert werden.

Dieses System wird dann um eine Komponente erweitert, die automatische Analyse durch ein Expertensystem ermöglicht. Dem Benutzer wird es aber ermöglicht, die automatische Analysepipeline zu überwachen und, wenn nötig, einzugreifen. So kann das Verhalten überprüft, verifiziert und wenn nötig auch eingegriffen werden. Eines der Hauptprobleme von Expertensystemen ist die Abhängigkeit zu den üblicherweise händisch angelegten Regelwerken, die jegliches Verhalten explizit darlegen müssen. Das macht es unmöglich, Terme wie "ungewöhnlich" oder "auffällig" zu verwenden, was aber notwendig wäre, da manche Situationen nicht genauer definiert werden können.

Daher wird das System modifiziert und erweitert, so dass es dem Analysten ermöglicht wird, ähnliche Muster und Verläufe im Raum und über die Zeit(in verschiedenen Granularitäten) zu erkennen. Das System gibt einen informativen Überblick über das Gesamtsystem und erlaubt es, schnell und präzise kritische Stellen und Anomalien zu identifizieren. Dem Attribut Farbe kommt dabei eine Schlüsselrolle zu, da sie Ähnlichkeit in Mustern widerspiegelt. Daher ist es unbedingt notwendig, dass die Kodierung von Ähnlichkeit in zeitlichen Verläufen korrekt in Farbähnlichkeit abgebildet wird. Der Colormap-Explorer, der im Anschluss vorgestellt wird, unterstützt die Analyse und den Vergleich von unterschiedlichen Farbkarten(colormaps), um den geeignetsten Kandidaten zu finden.

Sobald der Domänenexperte Probleme im Netzwerk identifiziert hat, können dann mögliche Gegenmaßnahmen evaluiert werden. Wir stellen einen Ansatz vor, der Simulation in den Prozess integriert, um eine Sensitivitätsanalyse durchführen zu können. Verschiedene Durchläufe der Simulation können damit schnell und effektiv auf Knotenbasis verglichen werden, um die Auswirkung von geplanten Änderungen leichter abschätzen zu können. Das ermöglicht dem Planer genauere Vorhersagen von Folgeeffekten durch Veränderungen im Netz zu machen.

Die vorgestellten Techniken können für eine Vielzahl von Anwendungen und Anwendungsgebieten realisiert werden. Dies führt dazu, dass die Domänenexperten die Möglichkeiten besitzen, schnell und sicher in Netzwerken zu navigieren, Schlüsselstellen zu finden und Anomalien in den Daten frühzeitig zu erkennen.

German
URN: urn:nbn:de:tuda-tuprints-46517
Classification DDC: 000 Generalities, computers, information > 004 Computer science
Divisions: 20 Department of Computer Science > Interactive Graphics Systems
Date Deposited: 23 Jul 2015 06:25
Last Modified: 23 Jul 2015 06:25
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/4651
PPN: 362664773
Export:
Actions (login required)
View Item View Item