JP6940522B2 - センサネットワークにおける自動適応クラスタリングを達成するための方法およびシステム - Google Patents

Description

優先権主張
この特許出願は、２０１６年５月９日に出願されたインド国出願明細書（発明の名称：Ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ａｃｈｉｅｖｉｎｇ ａｕｔｏ ａｄａｐｔｉｖｅ ｃｌｕｓｔｅｒｉｎｇ ｉｎ ａ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋ）第２０１６２１０１６１２８号の優先権を主張する。

技術分野
本明細書の実施形態は、一般に、無線センサネットワークの分野に関し、より詳細には、クラスタリングのための基準としてエンドユーザ情報レベル属性を使用して、エネルギー効率の良い方法で、センサネットワークにおける自動適応クラスタリングを達成するための方法およびシステムに関する。

背景
無線センサネットワークは、所定の領域に配置されたセンサを利用して、ターゲットの挙動や環境を検出し、検出した情報をデータに変換し、データを収集するシンクノードに無線送信する技術である。一般に、センサネットワークは、１つまたは複数のパラメータについて地理的領域を監視し、ネットワークを管理する中央ゲートウェイ（シンク（ｓｉｎｋ）とも呼ばれる）に感知された値を送信する物理ノードのセットからなる。センサネットワークにおけるクラスタリングおよびデータ集約は、これまで、位置および移動性などの物理的特性に基づいてセンサノードをグループ化してきたので、感知されたデータを集約し、プロセスにおいてエネルギーを節約してシンクに送信することができる。センサネットワークは、様々な要件を有する多数のターゲットアプリケーションを有するモノのインターネット（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）（ＩｏＴ）のより大きなファブリックに統合されつつある。既存のクラスタリング方法は、感知対象の特性に適応しない。これらの問題を解決するために、センサネットワークの研究や、効率的な展開計画のためのデータ集約技術の研究が行われている。

これまで、センサネットワークおよびＩｏＴシステムにおけるクラスタリングは、主に、位置および移動性などのクラスタリングと関連付けられた物理的パラメータで機能してきた。典型的なセンサネットワーク展開におけるノードは、数において冗長であり、すべてのセンサノードが感知要件ごとに割り当てられることは必須ではない。より最近のセンサネットワークおよびＩｏＴアプリケーションの条件は、感知目的のための特定のサービスレベルアグリーメント（ｓｅｒｖｉｃｅ ｌｅｖｅｌ ａｇｒｅｅｍｅｎｔ）（ＳＬＡ）を有するシステムを監視することであり、例えば、エネルギー効率の良い方法で領域全体にわたるパラメータの値の変動を監視することである。

多くの先行技術は、センサネットワークおよびＩｏＴにおけるクラスタリングの環境において、その一部において使用されてきた。それらは、主に、クラスタリングを実行するために物理的特性を使用する。データに関連付けられたタグなどのアプリケーション特有の特性を使用するいくつかの研究は、最適化されたデータ伝送を実行するために使用されてきた。従来技術の研究は、測定レベルの精度がネットワーク内のノードの適応および編成の基礎として使用されるセンサネットワークのアプリケーション適応クラスタリングおよび編成を実行することを報告していない。

以下は実施形態の基本的な理解を提供するために、本開示のいくつかの実施形態の簡略化された発明の概要を提示する。この概要は、実施形態の広範な概観ではない。これは、実施形態の重要な／重大な要素を識別すること、または実施形態の範囲を描写することを意図していない。その唯一の目的は、以下に提示されるより詳細な説明の前置きとして、いくつかの実施形態を簡略化された形態で提示することである。

上記に鑑みて、本明細書の実施形態は、センサネットワークにおいて自動適応クラスタリングを達成するためのシステムを提供する。システムは、センサノードのセット、ユーザインターフェース、シンクノード、メモリ、およびプロセッサを含む。センサノードのセットは、複数のパラメータを測定するように構成され、センサノードの各々は、領域内の複数の位置に存在する複数のセンサを含む。ユーザインターフェースは、測定された複数のパラメータを送信するためのユーザからのリクエストを生成する。シンクノードは、センサノードのセットによって測定された複数のパラメータを受信する。プロセッサは、第１のレベルクラスタリングモジュール、第２のレベルクラスタリングモジュール、指定モジュール、および伝達モジュールをさらに含む。第１のレベルクラスタリングモジュールは、測定された複数のパラメータに基づいて、センサノードのセットをデータレベルクラスタにグループ化するための第１のレベルクラスタリングを行う。第２のレベルクラスタリングモジュールは、データレベルクラスタ内のセンサノードのセットを、複数の位置に基づいて位置レベルクラスタにグループ化するための第２のレベルクラスタリングを実行する。指定モジュールは、データおよび位置レベルクラスタリング後にクラスタヘッドを指定し、クラスタリング決定に到達する。伝達モジュールは、クラスタリング決定をセンサノードのセットに伝達して戻し、それらをクラスタに適応的に再配置する。

別の態様では、センサネットワークにおいて自動適応クラスタリングを達成するための方法が提供される。最初に、本方法では、複数のパラメータは、センサノードのセットによって測定され、センサノードの各々は、エリア内の複数の位置に存在する複数のセンサを含む。次のステップでは、リクエストは、複数のセンサノードで測定された複数のパラメータを送信するために、ユーザインターフェースによってセンサノードのセットに送信される。さらに、複数のパラメータは、リクエストに応答してシンクノードに送信される。次のステップでは、測定された複数のパラメータに基づいて、センサノードのセットをデータレベルクラスタにグループ化するために、第１のレベルのクラスタリングがプロセッサによって行われる。また、データレベルクラスタ内のセンサノードのセットを複数の位置に基づいて位置レベルクラスタにグループ化するために、第２のレベルクラスタリングがプロセッサによって行われる。次のステップにおいて、クラスタリング決定に到達するためのクラスタヘッドとして、データレベルおよび位置レベルのクラスタリングの後に形成されたクラスタの各々について、ノードがプロセッサによって指定される。最後に、クラスタリング決定は、クラスタ内のセンサノードのセットを適応的に再配置するために、センサノードのセットに戻される。
さらに別の態様では、センサネットワークにおいて自動適応クラスタリングを達成するために非一時的コンピュータ可読媒体上で具現化されるコンピュータプログラムを有する非一時的コンピュータ可読媒体が提供される。最初に、本方法では、複数のパラメータは、センサノードのセットによって測定され、センサノードの各々は、エリア内の複数の位置に存在する複数のセンサを含む。次のステップでは、リクエストは、複数のセンサノードで測定された複数のパラメータを送信するために、ユーザインターフェースによってセンサノードのセットに送信される。さらに、複数のパラメータは、リクエストに応答してシンクノードに送信される。次のステップでは、測定された複数のパラメータに基づいて、センサノードのセットをデータレベルクラスタにグループ化するために、第１のレベルのクラスタリングがプロセッサによって行われる。また、データレベルクラスタ内のセンサノードのセットを複数の位置に基づいて位置レベルクラスタにグループ化するために、第２のレベルクラスタリングがプロセッサによって行われる。次のステップにおいて、クラスタリング決定に到達するためのクラスタヘッドとして、データレベルおよび位置レベルのクラスタリングの後に形成されたクラスタの各々について、ノードがプロセッサによって指定される。最後に、クラスタリング決定は、クラスタ内のセンサノードのセットを適応的に再配置するために、センサノードのセットに戻される。

本明細書の任意のブロック図は、本主題の原理を具現化する例示的なシステムの概念図を表すことを、当業者は理解されたい。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、コンピュータ可読媒体で実質的に表され、コンピューティングデバイスまたはプロセッサによって実行され得る様々なプロセスを表し、そのようなコンピューティングデバイスまたはプロセッサが明示的に示されているかどうかは問わないことが理解されるであろう。

本明細書の実施形態は、図面を参照した以下の詳細な説明からよりよく理解されるであろう。

図１は、本開示の一実施形態による、センサネットワークにおいて自動適応クラスタリングを達成するためのブロック図を示す。 図２は、本開示公開の実施形態によるセンサーネットワークの展開体制を示したものである。 図３Ａは、本開示の一実施形態による、センサネットワークにおいて自動適応クラスタリングを達成するために含まれるステップを示すフローチャートである。 図３Ｂは、本開示の一実施形態による、センサネットワークにおいて自動適応クラスタリングを達成するために含まれるステップを示すフローチャートである。

本明細書の実施形態、ならびにその様々な特徴および有利な詳細は、添付の図面に示され、以下の説明に詳述される非限定的な実施形態を参照して、より十分に説明される。本明細書で使用される例は単に、本明細書の実施形態を実施することができる方法の理解を容易にすること、および当業者が本明細書の実施形態を実施することをさらに可能にすることを意図している。したがって、実施例は、本明細書の実施形態の範囲を限定するものとして解釈されるべきではない。

用語集−実施形態で使用される用語
本開示の文脈における表現「センサネットワーク」は、本発明の任意の分野で使用される相互接続されたセンサのネットワークを指す。例えば、農業、ＩｏＴまたは任意の他の技術においてである。

本開示の文脈における表現「センサノードのセット」または「センサノード」は、複数のセンサが存在する特定の場所を指す。センサノードは、センサネットワークが展開される領域に特に依存して選択される。

本開示の文脈における表現「シンクノード」は、特定の位置を指す。シンクノードは、外部環境へのゲートウェイとして動作する。

図面、より詳細には、図１から図３Ａ‐図３Ｂを参照すると、同様の参照符号は、図面全体にわたって一貫して対応する特徴を示し、好ましい実施形態が示され、これらの実施形態は、以下の例示的なシステムおよび／または方法の文脈で説明される。

本開示の実施形態によれば、センサネットワーク１０２において自動適応クラスタリングを達成するためのシステム１００が図１に示される。システム１００は、センサネットワーク１０２のライフタイムを最大化するために、センサネットワーク１０２におけるエネルギー効率の高い階層的クラスタリングを自動的に適合させる。センサネットワーク内のクラスタは、多数の展開されたノードから自動的に形成され、クラスタ特性は、エンドユーザによって定義された測定要件によって駆動される。本開示は、クラスタリングのための基準としてエンドユーザ情報レベル属性を使用する。

本開示の実施形態によれば、システム１００は図１に示すように、センサノードのセット１０４、ユーザインターフェース１０６、シンクノード１０８、メモリ１１０、およびプロセッサ１１２からなる。センサノードのセット１０４およびシンクノード１０８は、プロセッサ１０８と通信する。センサノードのセット１０４は、領域を監視するために配置される。センサノードのセット１０４は、フィールド内の特定の領域を監視することができる。シンクノード１０８は、これらのノードの外界とのゲートウェイとして動作する。複数のセンサ（図示せず）が、センサノードのセット１０４に存在してもよい。一例では、複数のセンサは、フィールドで作業する人に取り付けることができる。別の例では、複数のセンサは、フィールド上に独立して存在し、フィールド上のデータをキャプチャすることもできることを理解されたい。典型的なセンサネットワーク１０２の展開は、通常、図２に示すようにネットワークを管理するシンクノード１０８またはゲートウェイと対話するセンサノードのセット１０４からなる。

プロセッサ１１２は、メモリ１１０と通信する。プロセッサ１１２は、メモリ１１０に格納されたアルゴリズムを実行するように構成される。アルゴリズムは、シンクノード１０８上で実行され、階層的アプリケーション固有クラスタリングを達成するために、特定の方法でセンサノードのセット１０４を編成する。これを達成するために、センサノードのセット１０４は、領域を監視し、未処理の測定値をシンクノード１０８に送信する。センサノードのセット１０４は、複数のパラメータを測定するように構成され、センサノードの各々は、領域内の複数の位置に存在する複数のセンサを含む。

本開示の実施形態によれば、ユーザインターフェース１０６は、センサノードのセット１０４で測定された複数のパラメータを送信するリクエストを生成するように構成される。ユーザインターフェース１０６は、ユーザによって操作される。ユーザインターフェース１０６は、様々なソフトウェアおよびハードウェアインタフェース、例えば、ウェブインタフェース、グラフィカルユーザインターフェースなどを含むことができ、有線ネットワーク、例えば、ＬＡＮ、ケーブルなど、および無線ネットワーク、例えば、ＷＬＡＮ、セルラー、または衛星を含む、多種多様なネットワークＮ／Ｗおよびプロトコルタイプ内の複数の通信を容易にすることができる。一実施形態では、ユーザインターフェース１０６は、いくつかのデバイスを互いに、または別のサーバに接続するための１つまたは複数のポートを含むことができる。

ユーザインターフェース１０６によって生成されたリクエストに基づいて、シンクノード１０８は、センサノードのセット１０４によって測定された複数のパラメータを受信する。シンクノード１０８は、センサノードのセット１０４によってカバーされる領域の監視要件の精度に関して、所定のサービスレベルアグリーメント（ＳＬＡ：ｓｅｒｖｉｃｅ ｌｅｖｅｌ ａｇｒｅｅｍｅｎｔ）を有する。シンクノード１０８は、階層クラスタリングアルゴリズムを使用して、センサノードのセット１０４の最終クラスタを見つける。クラスタリング情報は、センサネットワーク１０２内のノードに伝達され、それにより、それらは、それに応じて自身を配向し、測定値をシンクノード１０６に送信する。

本開示の一実施形態によれば、プロセッサ１１２は、機能を実行するための複数のモジュールをさらに含む。プロセッサ１１２は、第１のレベルクラスタリングモジュール１１４、第２のレベルクラスタリングモジュール１１６を含むことができる。プロセッサ１１２は、測定されたパラメータを処理してクラスタリング決定に到達するように構成される。第１のレベルクラスタリングモジュール１１４は、測定された複数のパラメータに基づいて、センサノードのセット１０４をデータレベルクラスタにグループ化するための第１のレベルクラスタリングを実行する。各センサノード１０４からの測定値は、変換関数を介して取得される。変換関数の出力は、クラスタ内のノードが同様の測定値を有するクラスタを形成するために使用される。一例として、あるしきい値内の出力を有するノードは、同じクラスタに属するとみなすことができる。

本開示の別の実施形態によれば、第２のレベルクラスタリングモジュール１１６は、データレベルクラスタ内のセンサノードのセット１０４を、複数の位置に基づいて位置レベルクラスタにグループ化するための第２のレベルクラスタリングを実行する。各ノードの位置は、各クラスタを更なるクラスタにサブクラスタ化するための基準として使用される。この処理の後に形成されるクラスタは、ノードについて２つの特性：つまり、同様のレベルでの測定および互いに近接した位置を有する。自動適応クラスタリングのプロセスも、本開示の後半部分における例の助けを借りて説明される。クラスタリングは、２つのレベルに限定されず、他の実施形態では、クラスタリングは、２つ以上のレベルに進むことができ、２つのレベルに限定されていないことを認識すべきである。

本開示の実施形態によれば、指定モジュール１１８は、クラスタリング決定に到達するために、データおよび位置レベルクラスタリングの後にクラスタヘッドを指定する。次いで、伝達モジュール１２０は、クラスタリング決定をセンサノードのセット１０４に戻し、センサノードのセット１０４をクラスタに適応的に再配置する。別の開示の実施形態によると、クラスタリングは、２つ以上のレベルで起こることもでき、２つのレベルでは、各レベルは、複数のパラメータと複数の場所に依存する。

本発明の一実施形態によれば、第１のレベルクラスタリングモジュール１１４および第２のレベルクラスタリングモジュール１１６は、ネットワークにおけるエネルギー効率を達成するために、教師なし学習をｎレベル階層データ融合および伝達機構と組み合わせる適応データ中心クラスタリングアルゴリズム（ａｄａｐｔｉｖｅ ｄａｔａ ｃｅｎｔｒｉｃ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ：ＡＤＣＳ）と呼ばれるクラスタリングアルゴリズムを実行する。ＡＤＣＳは、アプリケーションレベル測定特性に基づいて、性質、サイズ、およびクラスタメンバー数を調整する。ＡＤＣＳでは、各クラスタ内のカバーされるノードの数に関するクラスタのサイズが、エンドユーザによって定義される監視／感知目的によって定義される監視要件の精度によって支配される、コンテキストクラスタリングが導入された。クラスタリングは、ネットワークライフタイムを最大化するために、クラスタリングを実行するステップの１つとして、ノードからの測定値間の類似性レベルを統計的に測定することによって達成される。

ＡＤＣＳは、シンクノード／ゲートウェイ上で実行され、コンテキストクラスタリングを達成するために様々な分析モデルを使用できるようにするのに十分な汎用性を有する。一旦、クラスタがゲートウェイでファイナライズされると、それらは、コンフィギュレーションのためにネットワークに送り返される。このような動的に変化する条件は、分析のための教師なし学習モデルによるモデリングを自分自身に与える。

本開示の別の実施形態によれば、ＡＤＣＳアルゴリズムの３つの変形形態は、ＡＤＣＳ−ＤＢ、ＡＤＣＳ−ＫＭ、およびＡＤＣＳＡＧ（ＤＢＳＣＡＮ、Ｋ Ｍｅａｎｓ、およびＡｇｇｌｏｍｅｒａｔｉｖｅ）を使用することができ、各変形形態は、教師なしクラスタリングのために異なるアルゴリズムを使用する。より多くのそのような変形は、クラスタリング要件に基づいて導出することができる。例えば、平均ｍおよびある標準偏差ｓを有する領域の温度を測定する要件は、ノードｎのセットをカバーするあるサイズＳのクラスタを形成することができる。標準偏差が２ｓに緩和される場合、ＡＤＣＳは、より多くのノードを含むようにクラスタサイズを拡張することができる。

動作中、センサネットワーク１０２において自動適応クラスタリングを達成するために含まれるステップを示すフローチャート２００が、図３Ａ‐３Ｂに示される。最初にステップ２０２において、複数のパラメータは、センサノードのセット１０４によって測定される。センサノードのセット１０４の各々は、領域内の複数の位置に存在する複数のセンサを含む。複数のセンサは、領域内の人または複数の位置の様々なパラメータを測定するように構成される。次のステップ２０４では、複数のセンサノードで測定された複数のパラメータを送信するために、リクエストがユーザインターフェース１０６によってセンサノードのセット１０４に送信される。ステップ２０６において、複数のパラメータが、リクエストに応答してシンクノード１０８に送信される。

次のステップ２０８では、測定された複数のパラメータに基づいて、センサノードのセット１０４をデータレベルクラスタにグループ化するために、第１のレベルクラスタリングモジュール１１４によって第１のレベルクラスタリングが実行される。同様に、ステップ２１０において、データレベルクラスタ内のセンサノードのセットを複数の位置に基づいて位置レベルクラスタにグループ化するために、第２のレベルクラスタリングモジュール１１６によって第２のレベルクラスタリングが実行される。クラスタリングは、２つ以上のレベルに進むことができ、２つのレベルに限定されていないことは、理解されるべきである。ステップ２１２において、データレベルクラスタは、位置レベルクラスタにさらに分割され、各クラスタ内のノードの１つは、指定モジュール１１８を用いてクラスタヘッドとして指定される。最後に、ステップ２１４で、クラスタリング決定は、クラスタ内のセンサノードのセットを適応的に再配置するために、センサノードのセット１０４に戻される。

本開示の実施形態によれば、システム１００は、以下の例を用いて説明することができる。各ノードｓ（ｉ）∈Ｓが所定の間隔で定期的にパラメータを測定するＳセンサノードのセットによってカバーされる領域Ｒ。Ｖ（ｉ）は、センサノードｓ（ｉ）からのｎ個の測定値｛ｖ（１）、ｖ（ｎ）｝ｉのセットを表すものとする。Ｖ（ｉ）のデータ点がＶ（ｊ）と同じ傾向を有する任意の２つのｓ（ｉ）、ｓ（ｊ）∈Ｓについて、２つのノードの位置およびフィールド特性は、それらが同じまたは異なる条件を測定するものとみなされ得るかどうかを決定する。例えば、ｓ（ｉ）、ｓ（ｊ）が地理的に大きな距離だけ離れている場合、観測値における類似性は、時間的一致であり得る。一方、たとえノードが互いに近くに配置されたとしても、高度または頭上の植生の差（カモフラージュなど）が、観測された傾向が同じままであるか、または経時的に変化するかを支配する。類似性の程度、したがってクラスタリングを左右するいくつかのそのような制約があり得る。さらに、ノードの周囲の条件は、経時的に変化し、そのため、所与の時点で行われるクラスタリング決定は、規則的な間隔で変化する。明確にするために、ＡＤＣＳアルゴリズムは、２つのレベル、Ｌ０およびＬ１でのクラスタリングで論じられており、ここで、Ｌ０は、データレベルであり、Ｌ１は、ロケーションレベルである。この原理は、任意の数のレベルに拡張するのに十分な一般的なものである。

ＡＤＣＳは、エンドポイントとしてシンク（ゲートウェイ）を有するｎノードのＷＳＮ展開を仮定する。ＡＤＣＳアルゴリズムは、シンク上で実行される。それは、それらのデータを送信するために、シンクがすべてのノードにリクエストすることから始まる。データは、シンクで処理され、クラスタリング決定に到達し、次いで、クラスタリング決定は、ネットワークノードに返送される。ネットワークノードは、直接送信によってそれらのデータをシンクに送信するか、またはネットワーク内の他のノードを介してデータをルーティングすることができることに留意されたい。明確にするために、クラスタリング決定が、クラスタヘッドおよびいくつかのクラスタメンバーをそれぞれ有するクラスタのセットを意味する直接伝送ストラテジーを仮定した。クラスタメンバーは、クラスタヘッドに送信し、クラスタヘッドはシンクに送信する。ゲートウェイレベルでのクラスタリングは、ネットワーク内のノードの数の関数ｆである計算オーバヘッドを招き、ｆの次数は、Ｌ０クラスタリングのために実行される測定データの類似度の基準に依存する。

入力セット生成後の第１のステップは、Ｌ０クラスタリングであり、同様のデータレベルでノードを識別する。このステップは、使用される任意の教師なしクラスタリング方法の範囲を与える。このようにして識別されたクラスタは、地理的に散在していてもよい。入力セットは、互いに特定の物理的分離内にあるノードをクラスタ化するＬ１クラスタを通過する。再び、これを達成する２つの方法がある：事前に定義された境界および管理されていないクラスタリングスペースである。あらかじめ定義された境界がない場合、この第２のレベルのクラスタリングを達成するために、教師なしクラスタリングが実行される。クラスタヘッドは、Ｌ１クラスタリング後にランダムに選択される。Ｌ０およびＬ１クラスタリングプロセス中に、いくつかのノードを省略することが可能である。

事実上、適応クラスタリングフレームワークは、様々なモデルを使用可能にするのに十分な汎用性を有するＡＤＣＳを用いて作成された。一旦、クラスタがシンク（ゲートウェイ）でファイナライズされると、それらは、コンフィギュレーションのためにネットワークに送り返される。

本開示の実施形態によれば、システム１００は、異なるバージョンの学習モデルを用いてシミュレートされ、比較は、最終的に描画され、提示される。さらに、前述の理由により、データの性質は経時的に変化する可能性が高い。結果を確立するために、データ値を変化させながら複数回のシミュレーションを行った。このような動的に変化する条件は、教師なし学習モデルによるモデリングに自分自身をレンダリングする。ＡＤＣＳは、Ｌ０およびＬ１クラスタリングを実行するために様々な教師なし学習アルゴリズムを使用するように構成されている。

本明細書は当業者が実施形態を実施および使用できるように、本明細書の主題を記載する。主題の実施形態の範囲は、特許請求の範囲によって定義され、当業者が思いつく他の修正を含み得る。そのような他の変更は、特許請求の範囲の文字通りの言語と異ならない類似の要素を有する場合、または特許請求の範囲の文字通りの言語と実質的な違いがない等価な要素を含む場合、特許請求の範囲内にあることが意図される。

本明細書の開示の実施形態は、センサネットワークおよびＩｏＴにおけるクラスタリングの未解決の問題に対処する。したがって、この実施形態は、センサネットワークにおける自動適応クラスタリングを達成するためのシステムおよび方法を提供する。

しかしながら、保護の範囲はそのようなプログラムに、およびメッセージを内部に有するコンピュータ可読手段に加えて、拡張されることを理解すべきであり、そのようなコンピュータ可読記憶手段は、プログラムがサーバまたはモバイルデバイスまたは任意の適切なプログラマブルデバイス上で動作するときに、方法の１つまたは複数のステップを実装するためのプログラムコード手段を含む。ハードウェアデバイスは、例えば、サーバまたはパーソナルコンピュータなどの任意の種類のコンピュータ、あるいはそれらの任意の組合せを含む、プログラムすることができる任意の種類のデバイスとすることができる。デバイスはまた、例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、またはハードウェア手段とソフトウェア手段の組み合わせ、例えば、ＡＳＩＣおよびＦＰＧＡ、または少なくとも１つのマイクロプロセッサと、ソフトウェアモジュールが内部に配置された少なくとも１つのメモリなどのハードウェア手段とすることができる手段を含むことができる。したがって、手段は、ハードウェア手段とソフトウェア手段の両方を含むことができる。本明細書で説明する方法の実施形態は、ハードウェアおよびソフトウェアで実施することができる。デバイスはまた、ソフトウェア手段を含んでもよい。あるいは、実施形態が例えば、複数のＣＰＵを使用して、異なるハードウェアデバイス上で実装されてもよい。

本明細書の実施形態は、ハードウェア要素およびソフトウェア要素を含むことができる。ソフトウェアで実施される実施形態は、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むが、これらに限定されない。本明細書で説明される様々なモジュールによって実行される機能は、他のモジュールまたは他のモジュールの組み合わせにおいて実装され得る。この説明の目的のために、コンピュータ使用可能媒体またはコンピュータ可読媒体は、命令実行システム、装置、またはデバイスによって、またはそれに関連して使用するためのプログラムを備え、格納し、通信し、伝搬し、または移送することができる任意の装置であり得る。

媒体は、電子、磁気、光、電磁、赤外線、または半導体のシステム（あるいは装置またはデバイス）、あるいは伝播媒体とすることができる。コンピュータ可読媒体の例は、半導体またはソリッドステートメモリ、磁気テープ、リムーバブルコンピュータディスケット、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、リジッド磁気ディスク、および光ディスクを含む。光ディスクの現在の例は、コンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）、コンパクトディスク読み取り／書き込み（ＣＤ−Ｒ／Ｗ）およびＤＶＤを含む。

プログラムコードの格納あるいは実行、またはその両方に好適なデータ処理システムには、システムバスを介してメモリ要素に直接または間接的に結合された、少なくとも１つのプロセッサが含まれることになる。メモリ要素は、プログラムコードの実際の実行中に使用されるローカルメモリ、大容量ストレージ、および、実行中に大容量ストレージからコードを取り出さなければならない回数を削減するために少なくとも一部のプログラムコードの一時ストレージを提供する、キャッシュメモリを含むことができる。

入力／出力（Ｉ／Ｏ）デバイス（キーボード、ディスプレイ、ポインティングデバイスなどを含むが、これらに限定されない）は直接に、または介在するＩ／Ｏデバイスを介して、システムに結合することができる。介在する専用ネットワークまたは公衆ネットワークを介して、データ処理システムを他のデータ処理システムあるいはリモート・プリンタまたはストレージデバイスに結合できるようにするために、ネットワークアダプタをシステムに結合することもできる。モデム、ケーブルモデム、およびイーサネット（登録商標）カードは、現在使用可能なネットワークアダプタのタイプの一例に過ぎない。

実施形態を実施するための代表的なハードウェア環境は、本明細書の実施形態による情報処理／コンピュータシステムのハードウェア構成を含むことができる。本明細書のシステムは、少なくとも１つのプロセッサまたは中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）を含む。ＣＰＵは、システムバスを介して、ランダムアクセスメモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、および入出力（Ｉ／Ｏ）アダプタなどの様々なデバイスに相互接続される。Ｉ／Ｏアダプタは、ディスクユニットおよびテープ駆動部などの周辺装置、またはシステムによって読み取り可能な他のプログラム記憶装置に接続することができる。システムは、プログラム記憶装置上の本発明の命令を読み取り、これらの命令に従い、本明細書の実施形態の方法論を実行することができる。

システムは、ユーザ入力を収集するために、キーボード、マウス、スピーカ、マイクロフォン、および／またはタッチスクリーンデバイス（図示せず）などの他のユーザインターフェースデバイスをバスに接続するユーザインターフェースアダプタをさらに含む。さらに、通信アダプタは、バスをデータ処理ネットワークに接続し、ディスプレイアダプタは、バスを、例えば、監視、プリンタ、またはトランスミッタなどの出力デバイスとして具現化することができるディスプレイデバイスに接続する。

これまでの説明は、様々な実施形態を参照して提示されてきた。本出願が関係する当業者は、原理、精神および範囲から有意義に逸脱することなく、記載された構造および動作方法における変更および変更を実施できることを理解するのであろう。

Claims (16)

1. センサネットワーク（１０２）において自動適応型クラスタリングを実現するための方法であって、
   センサノード（１０４）のセットによる複数のパラメータを測定するステップであって、複数のセンサを備える前記センサノードのそれぞれは、領域内の複数の位置に存在する、ステップと、
   ユーザインターフェース（１０６）によって、前記センサノードのセットで測定された前記複数のパラメータを送信するために、前記センサノードのセットにリクエストを送信するステップと、
   前記リクエストに応答して前記複数のパラメータをシンクノード（１０８）に送信するステップと、
   プロセッサ（１１２）によって、測定された前記複数のパラメータに基づいて前記センサノードのセットをデータレベルクラスタにグループ化するために、第１のレベルクラスタリングを行うステップと、
   前記プロセッサによって、複数の位置に基づいて、前記データレベルクラスタの前記センサノードのセットを位置レベルクラスタにグループ化するために、第２のレベルクラスタリングを行うステップと、
   前記プロセッサによって、クラスタリング決定を導出するステップであって、前記クラスタリング決定は、各クラスタがクラスタヘッドおよび対応するクラスタメンバーに関連付けられているクラスタのセットであり、前記クラスタヘッドは、前記第１のレベルクラスタリングおよび前記第２のレベルクラスタリングの後に形成された前記クラスタのそれぞれに対して、ランダムに指定されたセンサノードである、ステップと、
   前記プロセッサによって、クラスタ内の前記センサノードのセットを適応的に再配置するために、前記クラスタリング決定を前記センサノードのセットに伝達するステップと、
   を備える方法。
2. 前記第１のレベルクラスタリングおよび前記第２のレベルクラスタリングのステップは、適応データ中心クラスタリング（ａｄａｐｔｉｖｅ ｄａｔａ ｃｅｎｔｒｉｃ ｃｌｕｓｔｅｒｉｎｇ）（ＡＤＣＳ）アルゴリズムを使用して行われる、請求項１に記載の方法。
3. エンドユーザによって定義される監視目的または感知目的によって定義される監視要件の精度に基づいて、前記クラスタのサイズを支配することにより、前記ＡＤＣＳアルゴリズムは、前記クラスタの前記サイズを調整し、前記サイズは、各クラスタ内のカバーされるセンサノードの数を示す、請求項２に記載の方法。
4. 前記ＡＤＣＳアルゴリズムは、前記シンクノード上で行われる、請求項２に記載の方法。
5. クラスタリングは、前記センサノードのセットによってカバーされる領域の監視の精度に関して、所定のサービスレベルアグリーメント（ＳＬＡ：ｓｅｒｖｉｃｅ ｌｅｖｅｌ ａｇｒｅｅｍｅｎｔ）で行われる、請求項１に記載の方法。
6. 改善されたパフォーマンスを達成するために、クラスタリングするための複数のアルゴリズムの使用を可能にするようにさらに構成される、請求項１に記載の方法。
7. センサネットワーク（１０２）において自動適応クラスタ化を達成するためのシステムであって、
   複数のパラメータを測定するように構成されるセンサノード（１０４）のセットであって、各センサノードは、領域内の複数の位置に存在する複数のセンサを含む、センサノード（１０４）と、
   測定された前記複数のパラメータを送信するためのユーザによるリクエストを生成するためのユーザインターフェース（１０６）と、
   前記センサノードのセットによって測定された前記複数のパラメータを受信するシンクノード（１０８）と、
   メモリ（１１０）と、
   前記メモリと通信するプロセッサ（１１２）と、を備え、
   前記プロセッサは、さらに、
   測定された前記複数のパラメータに基づいて前記センサノードのセットをデータレベルクラスタにグループ化するために、第１のレベルクラスタリングを行う第１のレベルクラスタリングモジュール（１１４）と、
   複数の位置に基づいて、前記データレベルクラスタの前記センサノードのセットを位置レベルクラスタにグループ化するために、第２のレベルクラスタリングを行う第２のレベルクラスタリングモジュール（１１６）と、
   クラスタリング決定を導出する指定モジュール（１１８）であって、前記クラスタリング決定は、各クラスタがクラスタヘッドおよび対応するクラスタメンバーに関連付けられているクラスタのセットであり、前記クラスタヘッドは、前記第１のレベルクラスタリングおよび前記第２のレベルクラスタリングの後に形成された前記クラスタのそれぞれに対して、ランダムに指定されたセンサノードである、指定モジュール（１１８）と、
   クラスタ内の前記センサノードのセットを適応的に再配置するために、前記クラスタリング決定を前記センサノードのセットに伝達する伝達モジュール（１２０）と、
   を備える、システム。
8. 前記センサノードのセットの各々は、前記複数のセンサと電気通信する、請求項７に記載のシステム。
9. 前記シンクノードは、外部環境へのゲートウェイとして使用されるように構成される、請求項７に記載のシステム。
10. クラスタリングは、２つ以上のレベルで起こることができ、各レベルは、複数のパラメータおよび複数の位置に依存する、請求項７に記載のシステム。
11. １以上の非一時的機械可読記憶媒体であって、実行されたときに、
    センサノード（１０４）のセットによる複数のパラメータを測定するステップであって、複数のセンサを備える前記センサノードのそれぞれは、領域内の複数の位置に存在する、ステップと、
    ユーザインターフェース（１０６）によって、前記センサノードのセットで測定された前記複数のパラメータを送信するために、前記センサノードのセットにリクエストを送信するステップと、
    前記リクエストに応答して前記複数のパラメータをシンクノード（１０８）に送信するステップと、
    プロセッサ（１１２）によって、測定された前記複数のパラメータに基づいて前記センサノードのセットをデータレベルクラスタにグループ化するために、第１のレベルクラスタリングを行うステップと、
    前記プロセッサによって、複数の位置に基づいて、前記データレベルクラスタの前記センサノードのセットを位置レベルクラスタにグループ化するために、第２のレベルクラスタリングを行うステップと、
    前記プロセッサによって、クラスタリング決定を導出するステップであって、前記クラスタリング決定は、各クラスタがクラスタヘッドおよび対応するクラスタメンバーに関連付けられているクラスタのセットであり、前記クラスタヘッドは、前記第１のレベルクラスタリングおよび前記第２のレベルクラスタリングの後に形成された前記クラスタのそれぞれに対して、ランダムに指定されたセンサノードである、ステップと、
    前記プロセッサによって、クラスタ内の前記センサノードのセットを適応的に再配置するために、前記クラスタリング決定を前記センサノードのセットに伝達するステップと、
    を１以上のハードウェアプロセッサによって行わせる１以上の命令を含む、１以上の非一時的機械可読情報記憶媒体。
12. 前記第１のレベルクラスタリングおよび前記第２のレベルクラスタリングのステップは、適応データ中心クラスタリング（ａｄａｐｔｉｖｅ ｄａｔａ ｃｅｎｔｒｉｃ ｃｌｕｓｔｅｒｉｎｇ）（ＡＤＣＳ）アルゴリズムを使用して行われる、請求項１１に記載の１以上の非一時的機械可読情報記憶媒体。
13. エンドユーザによって定義される監視目的または感知目的によって定義される監視要件の精度に基づいて、前記クラスタのサイズを支配することにより、前記ＡＤＣＳアルゴリズムは、前記クラスタの前記サイズを調整し、前記サイズは、各クラスタ内のカバーされるセンサノードの数を示す、請求項１２に記載の１以上の非一時的機械可読情報記憶媒体。
14. 前記ＡＤＣＳアルゴリズムは、前記シンクノード上で行われる、請求項１２に記載の１以上の非一時的機械可読情報記憶媒体。
15. クラスタリングは、前記センサノードのセットによってカバーされる領域の監視の精度に関して、所定のサービスレベルアグリーメント（ＳＬＡ：ｓｅｒｖｉｃｅ ｌｅｖｅｌ ａｇｒｅｅｍｅｎｔ）で行われる、請求項１１に記載の１以上の非一時的機械可読情報記憶媒体。
16. 改善されたパフォーマンスを達成するために、クラスタリングするための複数のアルゴリズムの使用を可能にするようにさらに構成される、請求項１１に記載の１以上の非一時的機械可読情報記憶媒体。

Images