Das Internet der Dinge

(1)

Environmental Monitoring through the Internet of Things

Michelle Volery

26.02.2008

(2)

Ziele

I Beispiele f¨ur Applikationen im Bereich des Umweltmonitorings

I Beispiele f¨ur (Umweltmonitoring-)Applikationen im Zusammenhang mit dem Internet der Dinge

I Probleme

2 / 19

(3)

Inhalts¨ ubersicht

Das Internet der Dinge

Umweltmonitoring mittels des Internets der Dinge Beispiele

Probleme

(4)

Einleitung

I Viele Einsatzm¨oglichkeiten von Systemen zur Umwelt¨uberwachung

I Datensammlung jetzt: inakkurat

I Zukunft (IoT): genauer, einfacher, effizienter

I H¨ohere Dienstleistungen werden m¨oglich

4 / 19

(5)

Das Internet der Dinge

”When Things Start to Think” (Neil Gershenfeld)

I Elektronische Vernetzung (von Alltagsgegenst¨anden)

I Smarte Dinge: haben Ged¨achtnis, sind kontext-sensitiv

I Selbst¨andiger Informationsaustausch der Dinge untereinander

I Bsp.: K¨uhlschrank, der Inhalt kennt, nachbestellt und Rezeptvorschl¨age macht

I Probleme: Privacy, Energieverbrauch, Datenmenge, ...

(6)

Umwelt¨ uberwachung mittels des Internets der Dinge

I Sensoren kommunizieren untereinander

I Datenverarbeitung direkt in den Sensoren

I Kommunikation mit anderen Dingen/Systemen

I Mächtige Applikationen, z.Bsp. Überflutungswarnung, kommuniziert direkt mit Schleusen des Stausees und Sirenen, falls Überschwemmung droht

6 / 19

(7)

Beispiel I

I Argus

I Uberwachung von K¨¨ ustenzonen: z.Bsp. Wellenrichtung, Lage von Sandb¨anken unter Wasser

I Videobasiert, mehrere Kameras pro System

I Bsp.: ”Sand-Bypassing-System”

I Zukunft: Kommunikation direkt mit Schiffen

(8)

Beispiel II

I CitySense

I Sensornetz mit mehr als 100 Knoten in st¨adtischer Umgebung

I Zu Testzwecken (Mesh-Netze, etc.)

I Knoten ¨uber Mesh-Netz verbunden

I Knoten programmierbar von ”jedermann”

I M¨oglichkeiten: Gesundheitsassistent

8 / 19

(9)

Mesh-Netze

I Netz, das sich selbst aufbaut/organisiert

I Kommt ohne zus¨atzliche, zentrale Infrastruktur aus (WLAN Access Points)

I Vorteile:

I Bessere Lastenverteilung

I Kein Single Point of Failure

I Bei Ausfall von Knoten: selbst¨andige Reorganisation

I Nachteile:

I Komplexere Routingverfahren

I Jeder Knoten muss Routingtabelle speichern

I Jeder Knoten oft aktiv, sollte wenn m¨oglich eingeschaltet bleiben

I Energieverbrauch

(10)

Beispiel III

I MobGeoSen

I Uberwachung von Umweltparametern mit eigenem¨ Mobiltelefon

I Interne Sensoren (Kamera, Mikrophon) plus zus¨atzliche externe Sensoren und GPS-Empf¨anger

I Möglichkeiten: detaillierte, zentrale Karte verschiedener Parameter (Luftqualität, etc.); Routenplaner für Personen mit Atembeschwerden; mögliche Kommunikation mit CitySense

10 / 19

(11)

Probleme I - Argus

I Datenmenge: Speicherkapazit¨at, Bandbreite

I Time exposure / variance image

I Einzelne Pixel

I Pixelarrays

I Komplexit¨at

I Smarte Sensoren

I Daten vor dem Senden verarbeiten

(12)

Probleme II - MobGeoSen

I Visualisierung

I Privacy

12 / 19

(13)

Probleme III - CitySense

I Physische Umbebung

I Entsprechende HW w¨ahlen

I Energieverbrauch

I Kommunikation und Sicherheit: Knotenausfall, fremder Netzwerkverkehr

I Reichweite und Knotenabstand entsprechend w¨ahlen

I Verschl¨usselung

I Netzwahl: Knotenerreichbarkeit, zentrale Anlaufstellen, Knotenausfall

I selbstorganisierendes Netz

I keine zentralen Anlaufstellen (WLAN Access Points)

(14)

Probleme IV - CitySense

I Wartung: Experimente vs. Management

I Zwei Funkger¨ate

I Failure Recovery: Knotenabsturz

I HW- und SW-seitige L¨osungen: Timer, ”Wachhund”

I Reprogrammability: H¨aufige Updates, viel Netzwerkverkehr, Programmierung durch Nutzer

I Updates sammeln, in einem Block an Knoten senden (Spanning Trees, rsync)

I APIs

14 / 19

(15)

Zusammenfassung

I Genauere Aussagen (Datenverarbeitung direkt in Sensoren, Kommunikation der Sensoren miteinander), vereinfacht Vieles, immer n¨aher am Internet der Dinge

I Probleme oft auf tieferen Ebenen

I Grosses Potential

(16)

Anhang I

Figure: Verschiedene Bildtypen (Argus)

16 / 19

(17)

Anhang II

Figure: Beispiel f¨ur die Arbeit mit Pixelarrays (Argus)

(18)

Anhang III

Figure: Visualisierung mit GoogleEarth (MobGeoSen)

18 / 19

(19)

Quellen

I Rob Holman, John Stanley, and Tuba ¨Ozkan-Haller. Applying Video Sensor Networks to Nearshore Environment Monitoring.

IEEE Pervasive Computing, Oktober-Dezember 2003.

I Eiman Kanjo, Steve Benford, Mark Paxton, Alan

Chamberlain, Danae Stanton Fraser, Dawn Woodgate, David Crellin, and Adrain Woorland. MobGeoSen: facilitating personal geosensor data collection and visualization using mobile phones. Springer, Oktober 2007.

I http://www.eecs.harvard.edu/ ˜mdw/papers/citysense- techrept07.pdf,

9.1.2008