Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-10576
For citation please use:
Main Title: Adaptive quality of context optimization in the Internet of Things: models and methods
Translated Title: Adaptive Qualität der Kontextoptimierung im Internet der Dinge: Modelle und Methoden
Author(s): Eryilmaz-Sigwarth, Elif
Advisor(s): Albayrak, Sahin
Referee(s): Albayrak, Sahin
André, Elisabeth
Zaslavsky, Arkady
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: The Internet of Things (IoT) is a basis of the Internet of the future and will cover billions of intelligent objects being able to sense, actuate, and communicate with each other. Recent advances in the Internet of Things (IoT) provides rich opportunities for the development of more flexible context-aware solutions. Applications can benefit from those flexible mechanisms by adapting to change in the sensing environment such as sensor disappearance/degradation or service unavailability. This vision helps to effectively use IoT widely for more flexible context-aware applications and services. Understanding sensor data plays an important role in context-aware computing. However, collecting data from all available data sources over IoT is not feasible to improve the quality of context-aware applications and services due to scalability problems. The main issue is to find the right data sources providing the best data for specific context recognition tasks. Selecting appropriate sensors to address the specific context recognition task is an important challenge as a huge number of sensors is available in IoT and their quality differs from each other. Related processing method to get information from a sensor data also affects the overall context recognition quality. In this doctoral study, models and methods for improving the quality of context recognition have been researched, developed and evaluated. For this purpose, adequate models are proposed to express the quality with the data source itself first. Then, methods for selecting and adapting quality-optimal data sources have been developed to deal with the dynamicity of sensing environments. Proposed models and methods have been evaluated through a case study in the scope of autonomous driving.
Das Internet der Dinge (Internet of Things, IoT) ist eine Grundlage des Internets der Zukunft und wird Milliarden intelligenter Objekte umfassen, die in der Lage sind, einander zu erfassen, zu betätigen und miteinander zu kommunizieren. Die jüngsten Fortschritte im Internet der Dinge (IoT) bieten reichhaltige Möglichkeiten für die Entwicklung flexiblerer, kontextsensitiver Lösungen. Anwendungen können von diesen flexiblen Mechanismen profitieren, indem sie sich an Veränderungen in der Erfassungsumgebung anpassen, wie z.B. das Verschwinden/die Verschlechterung von Sensoren oder die Nichtverfügbarkeit von Diensten. Diese Vision trägt dazu bei, dass IoT für flexiblere kontextsensitive Anwendungen und Dienste auf breiter Basis effektiv zu nutzen. Das Verständnis von Sensordaten spielt eine wichtige Rolle beim kontextsensitiven Rechnen. Aufgrund der Skalierbarkeitsprobleme ist es jedoch nicht möglich, Daten aus allen verfügbaren Datenquellen über das IoT zu sammeln, um die Qualität kontextbezogener Anwendungen und Dienste zu verbessern. Das Hauptproblem besteht darin, die richtigen Datenquellen zu finden, die die besten Daten für spezifische Aufgaben der Kontexterkennung liefern. Die Auswahl geeigneter Sensoren für die spezifische Kontexterkennungsaufgabe ist eine wichtige Herausforderung, da im IoT eine große Anzahl von Sensoren zur Verfügung steht und sich ihre Qualität voneinander unterscheidet. Die verwandte Verarbeitungsmethode, um Informationen aus den Daten eines Sensors zu erhalten, wirkt sich auch auf die Gesamtqualität der Kontexterkennung aus. In dieser Doktorarbeit wurden Modelle und Methoden zur Verbesserung der Qualität der Kontexterkennung erforscht, entwickelt und evaluiert. Zu diesem Zweck werden geeignete Modelle vorgeschlagen, um die Qualität zunächst mit der Datenquelle selbst auszudrücken. Dann wurden Methoden zur Auswahl und Anpassung qualitätsoptimaler Datenquellen entwickelt, um mit der Dynamik von Sensorumgebungen umzugehen. Die vorgeschlagenen Modelle und Methoden wurden anhand einer Fallstudie im Bereich des autonomen Fahrens evaluiert.
URI: https://depositonce.tu-berlin.de/handle/11303/11688
http://dx.doi.org/10.14279/depositonce-10576
Exam Date: 9-Sep-2020
Issue Date: 2020
Date Available: 13-Oct-2020
DDC Class: 000 Informatik, Informationswissenschaft, allgemeine Werke
Subject(s): Internet of Things
quality of context
adaptive systems
context awareness
Internet der Dinge
adaptive Systeme
Kontextsensitivität
License: http://rightsstatements.org/vocab/InC/1.0/
Appears in Collections:FG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT) » Publications

Files in This Item:
eryilmaz-sigwarth_elif.pdf
Format: Adobe PDF | Size: 9.21 MB
DownloadShow Preview
Thumbnail

Item Export Bar

Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.