Entwurf eines Prozesses zur Kontextprognose

Gerätebezogene Kontextinformationen Neben den Schnittstellen zur Mo-bilkommunikation kann ebenso der Zustand eines mobilen Gerätes selbst einen Hinweis darauf geben, in welchem Kontext das Gerät verwendet wird, wie die zukünftige Bandbreite ist und ob Taskausführungen erfolgreich sein werden. In diesem Zusammenhang sind insbesondere der verbleibende Ener-gievorrat und die Information, ob das Gerät mit einer externen Energiequelle verbunden ist, von Interesse. Zusätzlich sollen allgemeine Informationen zur Gerätenutzung berücksichtigt werden. Dies umfasst, wann das Gerät zuletzt benutzt wurde, ob es in einen lautlosen Betriebsmodus geschaltet wurde, ob und wann der Bildschirm eingeschaltet war und wann Nachrichten oder An-rufe gesendet bzw. getätigt oder empfangen wurden. Der entsprechende Ab-schnitt von Tabelle 5.13 fasst die hierfür bereitgestellten Kontextattribute zu-sammen.

Taskbezogene Kontextinformationen und Partitionierung Neben den zuvor vorgestellten Gruppen von Kontextinformationen, die als relevant im Hin-blick auf die Prognose der unterschiedlichen Zielwerte identifiziert wurden, soll ebenso die vergangene Ausführung von Tasks selbst Berücksichtigung fin-den. Hierzu werden die von der Profiling-Komponente erfassten und in Tabelle 5.4 zusammengefassten Kontextattribute herangezogen.

Diese Informationen werden zusätzlich um das Ergebnis der Partitionierung (vergleiche Abschnitt 5.3.4 und 5.4.4.2) der mobilen Anwendung ergänzt. Hier-zu wird anhand der von einem Task als erstes aufgerufenen Komponente ge-prüft, in welcher Partition diese Komponente (lokal oder entfernt) liegt. Ent-sprechend ergibt sich ein binäres Merkmal, welches das Ergebnis der Partitio-nierung widerspiegelt.

Nachdem die wesentlichen Kontextattribute zur Entwicklung der Prognose-modelle identifiziert wurden, soll sich im Folgenden die Entwicklung der Pro-gnosemodelle anschließen.

5.5. Konzeption der generischen Kontextadaption 183

Attribut(-Gruppen) Beschreibung

DistanceFromTop[N=1..3]Location Entfernung vom Top[N]-Standort in Metern IsAtTopPlace[N=1..3] Gerät ist am N-häufigsten Ort

BankHoliday Aktuelles Zeitintervall liegt auf einem Feiertag Month[N=1..12] Zeitintervall liegt im Monat N eines Jahres SchoolVacation Aktuelles Zeitintervall liegt in Schulferien

TimeHour[N=0..23] Binäre Modellierung der Tageszeit time_hour_0: N:00 - N:59 TimeSlot[N=1..6] Modellierung einzelner Tageszeiten timeslot_N: 0:00 - 3:59 TimeUntilLeave Geschätzte Zeit in Minuten bis zum Verlassen des aktuellen Ortes Weekday[N=1..7] Zeitintervall liegt in Tag N einer Woche

Weekend Zeitintervall liegt auf einem Wochenende

CalendarInEvent Ein Kalenderereignis findet aktuell statt CalEventEndingIn[N=10,20,..60] Kalenderereignis endet in N Minuten

CalEventIn[N=10,20,60]InTop[M=1..3] Kalendereintrag in N Minuten für Top M-Standort CalLeaveTime Minuten bis zum Ende des Kalenderereignisses

ActivityEvent Ergebnis der Activity-Prediction eines mobilen Geräts BatteryCharging Mobiles Gerät ist mit externer Energiquelle verbunden

BatteryLevel Energievorrat des Akkus in %

BatteryLevel[N=10,20,70] Energievorrat des Akkus in % über dem Schwellwert von N % CallReceivedLast[N=10,20,60] Gerät hat einen Anruf in den letzten N Minuten empfangen ChargingCompleted Akku ist vollständig geladen

FreeMemory Freier Arbeitsspeicher des mobilen Gerätes in Kilobyte InactiveTime Zeit in Sekunden, die das mobile Gerät nicht benutzt wurde

ScreenOn Bildschirm des Geräts ist eingeschaltet

SilentModeSwitch Mobiles Gerät ist im lautlosen Modus

BluetoothActivated Bluetooth-Schnittstelle ist eingeschaltet BluetoothMacCount Anzahl über Bluetooth gefundener MAC-Adressen

GSMAverageStrength Durchschnittliche Signalstärke der verbundenen GSM-Zelle ConnectionType Aktuell verwendeter Mobilfunkstandard der WAN-Schnittstelle

GSMActivated GSM-Schnittstelle ist eingeschaltet

GSMBars GSM-Signalstärke als Anzahl der angezeigten Balken

GSMConnected Gerät ist mit einer GSM-Zelle verbunden

GSMLeavingIn Geschätzte Zeit in Minuten bis zum Verlassen der aktuellen GSM-Zelle

GSMSignalCount Anzahl sichtbarer GSM-Zellen

GSMTop[N=1..3]Visible Sichtbarkeit der Top N-GSM-Zelle

GSMTop3Visible Sichtbarkeit einer der drei am häufigsten genutzen Zellen

WiFiAverageStrength Durchschnittliche Signalstärke des verbundenen WLAN-Zugangspunkts WiFiActivated WLAN-Schnittstelle ist eingeschaltet

WiFiConnected Gerät ist mit einem WLAN-Zugangspunkt verbunden

WiFiLeavingIn Geschätzte Zeit in Minuten bis zum Verlassen des aktuellen WLANs WiFiSignalCount Anzahl sichtbarer WLAN-Zugangspunkte

WiFiVisibleTop[N=1..3] Sichtbarkeit des Top N-WLAN-Zugangspunkts

BandwidthDown Durchschnittliche Bandbreite im Download in Kbit/s

BandwidthUp Durchschnittliche Bandbreite im Upload in Kbit/s

Trusted Generierung dieses Datensatzes war möglicherweise fehlerbehaftet

OrtZeitWLANBandbreiteKalenderAktivität und gerätebezogene DatenWPANWWAN

Abbildung 5.13.:Liste der Kontextattribute als Basis für die Entwicklung der Prognosemodelle

Mit Blick auf die im vorgehenden Abschnitt vorgestellte Menge von Kompo-nenten der Systemunterstützung wird dieser Prozess im Wesentlichen durch die im Kontext-Manager enthaltene Prognoselogik abgebildet, die in Abbil-dung 5.14 veranschaulicht wird.

Kontext-Manager Erfassen von

Kontextinformationen Akquisition mittels

Profiling Modellieren

als Zustand

Reasoning auf Basis der Kontextinformationen

Festlegung des Zielwertes

Vorverarbeitung Reasoning: Generierung

der Modelle Auswahl geeigneter

Modelle

Kontextprognose

Erfassung des aktuellen Kontextes

Verwendung der Modelle

Koordinator

Speichern und Bereitstellen

Adaptionsentscheidung

Bereitstellung der Prognose

liefert fordert an

Abbildung 5.14.:Interaktion zwischen dem Koordinator und der Kontextprognose

Methodisch orientiert sich das nun folgende Vorgehen dabei an dem in [NMF⁺05] vorgestellten Prozess zur Vorhersage von Kontextattributen und dem in Abschnitt 3.2 beschriebenen Vorgang des Reasonings auf Kontextda-ten.

Akquisition von Kontextdaten Vor dem Hintergrund, dass die zu unterstüt-zenden mobilen Geräte ihren Kontext über eine Vielzahl von Sensoren wahr-nehmen können, soll sich auch die Nutzung der im Hinblick auf die Prognosen verwendeten Kontextattribute auf eine möglichst breite Basis stützen und da-her alle im Hinblick auf die zu prognostizierenden Kontextattribute relevanten Einflussfaktoren berücksichtigen. Aus konzeptioneller Sicht gilt es an dieser Stelle, die im vorhergehenden Abschnitt ermittelten Kontextinformationen zu erfassen und auf dem mobilen Gerät zu speichern.

Vorverarbeitung Dem vorgestellten Prozess der Kontextverarbeitung folgend beginnt die Verarbeitung von Kontextdaten mit deren Akquisition, an die sich deren Modellierung anschließt. Im Folgenden sollen entsprechend wesentliche Vorverarbeitungsschritte beschrieben werden, die als Grundlage für die an-schließende Generierung der Prognosemodelle dienen.

Transformation und Aggregation Aus konzeptioneller Hinsicht sollen für das Reasoning-Verfahren eine Reihe von Verfahren zur Mustererkennung ge-nutzt werden, die aus dem Bereich des überwachten maschinellen Ler-nens stammen. Eine Entscheidung, die im Verlauf dieses Kapitels noch begründet wird. Entsprechend geht es darum, die Daten im Hinblick auf die Verwendung dieser Gruppe von Verfahren aufzubereiten.

Das Ziel des maschinellen Lernens ist die Erkennung eines Musters in gegebenen Beispieldaten mithilfe eines Lernalgorithmus, um basierend

5.5. Konzeption der generischen Kontextadaption 185

auf dem Muster neue Daten klassifizieren bzw. approximieren zu kön-nen. Das Muster wird dabei in der Trainingsphase aus den Daten „ge-lernt“ und in einem Modell festgehalten. Beim überwachten Lernen be-stehen die Beispiele dabei aus Eingabedaten und den gewünschten Aus-gabedaten. In Bezug auf die in dieser Arbeit betrachteten Verfahren wird beim sogenannten Lernen durch Minimierung einer Fehlerfunktion eine Entscheidungsfunktion gesucht, welche die Zusammenhänge zwischen Eingabe- und Ausgabedaten in geeigneter Weise beschreibt. Um das da-bei gelernte Wissen nutzbar zu machen, werden dem in der Trainings-phase erzeugten Modell in einer zweiten Phase, die Eingabedaten neuer Beispiele präsentiert, für die das Modell nun die gewünschten Ausga-bedaten liefern soll. In dieser Einsatz- oder Testphase sollen also neue Beispiele durch das im Modell enthaltene Wissen ausgewertet werden.

Die Trainingsdaten bestehen dabei aus n Beispielen der Form (x₁, y₁), . . . ,(xn, yn). Die Trainingsdaten bestehen aus m-dimensionalen Vektoren der Formx∈R^m und Zielwerteny, welche für das für Klassi-fikationsprobleme diskret (zum Beispiely ∈ {+1,−1}) oder für Regressi-onsprobleme stetig sein (y∈R) können. Das einfachste Beispiel ist damit ein binäres Klassifikationsproblem, dessen Entscheidungsfunktion nur zwei mögliche Werte hat, welche die Klassenzugehörigkeit kennzeichnen:

y∈ {+1,−1}.

Um die Daten für die unterschiedlichen Reasoning-Verfahren so aufzube-reiten, dass eine hohe Erkennungsleistung ermöglicht wird, gilt es, die-se in eine pasdie-sende Form zu transformieren. Hierzu werden die Daten der einzelnen Kontextattribute üblicherweise in Zeitintervallen zusam-mengefasst (vergleiche unter anderem [SMM⁺11,DDMGP15]); mit dem Ziel, diese in eine allgemeine Beschreibung von Kontextzuständen umzu-wandeln. Der Füllgrad der einzelnen Kontextattribute in den einzelnen Kontextzuständen wird hierdurch erhöht, da deren Wert innerhalb eines jeweiligen Zeitintervalls als konstant betrachtet wird [HS08]. Entspre-chend werden die Messwerte im Rahmen einer Intervallbildung transfor-miert, wie in Abbildung 5.15 veranschaulicht wird. Im Hinblick auf das konkret zu wählende Zeitintervall orientieren sich die verwandten Arbei-ten dabei einerseits an der zu erzielenden Genauigkeit und andererseits an der verfügbaren Auflösung der Sensordaten.

Fehlerbereinigung Aus konzeptioneller Sicht gilt es, fehlerhafte Messwerte zu korrigieren, die einen negativen Einfluss auf die Entwicklung der Progno-semodelle besitzen können. Welche Fehler es hierbei zu korrigieren gilt, ist allerdings stark von der Art der Erfassung der Sensordaten abhängig.

Im Rahmen der Analyse unterschiedlicher Datensätze wurde eine Rei-he von fehlerhaften Messwerten identifiziert, die teilweise auf die zur Messung verwendete Software [MAE14] zurückzuführen sind. Diese Messwerte wurden entsprechend korrigiert und, falls keine sinnvolle Korrektur erfolgen konnte, entsprechend markiert (vergleiche

Kontextat- Bandbreiten-Messung

LDDC Datensatz

Ausführungsstatistik USERID TIMEDATE GSM_BARS GSM_BW WIFI_BW IS_ONLINE …

5479 02.09.2019 14:34 7 9141 0 true

5479 02.09.2019 14:36 7 9141 0 true

5479 02.09.2019 14:38 7 9625 0 true

5479 02.09.2019 14:40 7 10109 0 true 5479 02.09.2019 14:42 7 10109 0 true 5479 02.09.2019 14:44 7 10109 0 true

5479 02.09.2019 14:46 7 8162 0 true

5479 02.09.2019 14:48 7 6118 0 true

Abbildung 5.15.:Transformation der Kontextdaten für das Reasoning

tributTrustedin Tabelle 5.13). Diese Korrekturen erfolgen vor allem für Zeiträume, in denen der verbleibende Energievorrat des mobilen Gerätes gering war und sich das Messverhalten der zur Erfassung der Kontext-daten verwendeten Software verändert hat.

Diskretisierung Von Kamikasa et al. [KMYI09] wird die Diskretisierung von Kontextattributen generell als sinnvoll im Hinblick auf das Reasoning mittels Machine Learning gesehen. In einfachen Fällen werden hierzu von Shin et al. in [SHD12] numerische Kontextattribute mithilfe eines sogenannten Binnings in eine ordinale Darstellung umgewandelt, bei-spielsweise wird die Anzahl der Bluetooth-Kontakte so den Klassen „sehr viele“, „viele“ bis „sehr wenige“ zugeordnet.

Bei bestimmten Kontextattributen wie den GPS-Koordinaten gilt es aller-dings, weitergehende Verfahren zur Diskretisierung zu verwenden und diese, wie in [CTSC11] beschrieben, semantisch sinnvoll zuzuordnen, bei-spielsweise in verschiedene Zonen die sich aus der Entfernung zu häu-fig besuchten Orten ergeben [SHD12]. Aus konzeptioneller Sicht wurden hierzu im vorhergehenden Abschnitt bereits eine Reihe von High-Level-Kontextattributen durch eine Diskretisierung abgeleitet. Um allerdings die Diskretisierung auf beliebige Kontextattribute erweitern zu können, wäre es erforderlich, ein automatisiertes Binning durchzuführen. Im Hin-blick auf einen begrenzten Nutzen dieses automatisierten Binnings soll auf eine solche Diskretisierung der Kontextattribute im Rahmen dieser Arbeit allerdings verzichtet werden.

Normalisierung Eine Normalisierung numerischer Kontextattribute wird bei distanzbasierten Verfahren, gerade wenn unterschiedliche Kontextattri-bute zueinander gleichwertig dargestellt werden sollen, generell als

sinn-5.5. Konzeption der generischen Kontextadaption 187

voll vor dem Einsatz von Reasoning-Verfahren angesehen und daher in dem hier vorgeschlagenen Verfahren für alle Attribute durchgeführt.

Hierbei wird einez-Transformationangewendet, bei welcher die resultie-rende Variable des Kontextattributes den Erwartungswert null und die Varianz eins besitzt.

Auswahl relevanter Kontextattribute Im Hinblick auf die unterschiedlichen Zielwerte der Prognose sind mitunter nicht alle in Tabelle 5.4 und 5.13 zusammengestellten Kontextattribute erforderlich. Zusätzlich behindert das Vorhandensein einer großen Anzahl nichtrelevanter Kontextattribu-te in manchen Fällen die Erkennung relevanKontextattribu-ter MusKontextattribu-ter. WeiKontextattribu-terhin soll vor dem Hintergrund der nichtfunktionalen Anforderungen der Effizienz die zu verarbeitende Datenmenge möglichst klein gehalten werden. In diesem Zusammenhang sollen die in Tabelle 5.4 und 5.13 identifizierten Kontextattribute zwar erfasst und gespeichert werden, die Nutzung im Hinblick auf die Generierung der Prognosemodelle soll sich jedoch auf die jeweils für eine gute Prognosequalität relevanten bzw. ausreichenden Merkmale beschränken. Entsprechend soll eine Auswahl relevanter At-tribute (feature selection) als letzter Schritt der Generierung der Progno-semodelle vorausgehen, die im Folgenden beschrieben wird. Die häufig genutzten Verfahren zur Auswahl relevanter Attribute lassen sich nach [GE03] drei verschiedenen Klassen zuordnen:

Die erste Gruppe stellen filterbasierte Ansätze dar, bei denen für jedes einzelne Attribut ein Maß zur Beurteilung der Qualität desselbigen er-mittelt wird. Hierzu kann entweder ein Streuungsmaß wie die Varianz herangezogen werden, um den Informationsgehalt abzuschätzen (univa-riate Verfahren), oder ein korrelationsbasierter Ansatz gewählt werden, bei dem der Informationsgehalt eines Attributs in Abhängigkeit zu weite-ren Attributen gesetzt wird (multivariate Verfahweite-ren). Anschließend wird dieses Maß zur Abzählung dernwichtigsten Attribute verwendet, wobei die Bestimmung des Parametersndurch den Anwender vorzunehmen ist.

Der Vorteil dieser Verfahren liegt in ihrer einfachen Anwendbarkeit. Ein generelles Problem dieser Form der Merkmalsselektion kann allerdings darin bestehen, dass nichtlineare Zusammenhänge zwischen Kombina-tionen von Attributen und dem Zielwert nicht mehr erkannt werden kön-nen, da das Reasoning-Verfahren nur noch die Teilmenge der Attribute erhält, die in einer direkten Abhängigkeit zum Zielwert stehen. Eben-so berücksichtigt diese Gruppe von Verfahren nicht die Auswahl eines bestimmten Reasoning-Verfahrens, sondern versucht lediglich den allge-meinen Informationsgehalt bestimmter Attribute abzuschätzen. Im Hin-blick auf das in dieser Arbeit relevante Problemfeld der Verarbeitung von Kontextdaten auf mobilen Geräten kann damit die Einfachheit der Ver-fahren und der daraus resultierende geringe Rechenaufwand als vorteil-haft angesehen werden. Die aufgezeigten Begrenzungen hinsichtlich der Erkennung kombinierter Abhängigkeiten sind im Hinblick auf die

Im Dokument Kontextadaptive Anwendungsarchitekturen für das mobile Cloud Computing (Seite 194-200)