Smart Distributed Sensing in Adaptive Wireless Networks

In der Vergangenheit sind in drei Technologiebereichen der Informatik große Fortschritte erzielt worden: Sensorik, Softwarisierung von Netzen und maschinelles Lernen. Eine Vielfalt an Sensoren ist mittlerweile in zahlreichen Geräten verfügbar, und Sensoren werden immer kleiner und energieeffizienter. Software-definierte Netze haben sich immer weiter verbreitet, um niedrige Latenzen und hohe Durchsätze für neuartige Anwendungen zu erreichen. Maschinelles Lernen wird sehr erfolgreich in zahlreichen Anwendungen innerhalb der Edge und in der Cloud zur Schaffung und Verbesserung von Diensten eingesetzt. In der Überschneidung dieser Gebiete gibt es große Potenziale: (a) Die intelligente Verarbeitung von Sensordaten mit Hilfe von Methoden des maschinellen Lernens macht riesige Datenmengen überhaupt erst nutzbar. (b) Adaptive Netze ermöglichen die unmittelbare Verfügbarkeit von Sensordaten in vielen Einsatzgebieten. (c) Im Bereich adaptiver Netze werden Sensordaten und Methoden des maschinellen Lernens zur Verbesserung der Dienstgüte bereits eingesetzt. In dieser Arbeit werden Ansätze präsentiert, um die Dienstgüte, die wahrgenommene Erfahrungsgüte und die Qualität der Ergebnisse von Algorithmen, Protokollen und Anwendungen mit Hilfe unterschiedlicher Sensoren und Sensordatenquellen zu verbessern. Die Kosten der Informationsanalyse und die erreichbare Qualität unterschiedlicher Ansätze innerhalb desselben Bereiches werden verglichen, und eine neuartige Klassifikation smarter Systeme wird präsentiert. Die größte Herausforderung besteht darin, die durch zusätzliche Kommunikation, Berechnungen oder Speicherung erzeugten Kosten der Informationsanalyse abzuwägen hinsichtlich der durch die neuartigen Methoden erreichbaren Qualitätssteigerungen. Diese Herausforderung wird durch unterschiedliche Ansätze, Algorithmen und Systeme in den Bereichen Umwelt-Monitoring, adaptive unterbrechungstolerante Netze und transitionsbasierte drahtlose Netze adressiert. Im Bereich des smarten Umwelt-Monitorings werden flexible Single-Board Computer eingesetzt, um die Verbesserung verschiedener Sensorik-Aufgaben, insbesondere die räumliche Bewegung und die optische / akustische Beobachtung von Fledermäusen, sowie die automatisierte Erkennung von Vogelarten in akustischen Aufnahmen, zu realisieren. Im Bereich der smarten adaptiven unterbrechungstoleranten Netze werden unterschiedliche Implementierungen von unterbrechungstoleranten Netzen, Systeme zur opportunistischen Ausführung von Funktionen und Workflows, sowie neuartige sensorbasierte Routing-Algorithmen vorgestellt. Die gewonnenen Erkenntnisse in den beiden Bereichen werden genutzt, um im Bereich der smarten transitionsbasierten drahtlosen Netze neuartige Ansätze für die Klassifizierung des Netzverkehrsflusses mit Hilfe von maschinellem Lernen, für dynamische Ankündigungsintervalle bei der Ermittlung von Diensten, sowie für die Vorhersage von Wi-Fi-Verbindungsverlusten zur Durchführung nahtloser Übergänge zwischen Wi-Fi und Mobilfunk, zu entwickeln.