Study and experiments of a framework for disseminating semantic annotations in vehicular networks

Studio e sperimentazione di un modello di

disseminazione di annotazioni semantiche

in reti veicolari

Relatore: Prof. Ing. Michele Ruta

Correlatori: Ing. Floriano Scioscia - Ing. Filippo Gramegna

Corso di Laurea Triennale Tesi di laurea in Telematica II in Ingegneria Informatica A.A. 2011 - 2012

Laureando: Giorgio Basile

Sommario

Studio e sperimentazione di un modello di disseminazione di

annotazioni semantiche in reti veicolari Giorgio Basile 2

Dedicated Short-Range Communications (DSRC) e

Intelligent Transport Systems (ITS)

Vehicular Ad-hoc Networks (VANET) basate sulla semantica

Soluzione proposta

Modello di disseminazione

Algoritmi di matchmaking

Architettura del sistema

Risultati sperimentali

Conclusioni e sviluppi futuri

Applicazioni ITS e DSRC


annotazioni semantiche in reti veicolari 3 Giorgio Basile

OBU (On-Board Unit)

V2V (Vehicle-to-Vehicle)

RSU (Road-Side Unit)

V2I (Vehicle-to-Infrastructure)

VANET basate sulla semantica



Reti veicolari che utilizzano i valori rilevati dai dispositivi intra-veicolo e recuperati attraverso lo standard OBD-II (On-Board Diagnostic II)

I dati estrapolati caratterizzano il mining verso annotazioni semantiche

Le descrizioni semantiche permettono la deduzione implicita a partire da informazione esplicita

Utilizzo di procedure di ragionamento ed elaborazione intelligente (aumento complessivo della conoscenza del sistema)

Supporto di un’architettura di Pervasive Computing

Specializzazione di infrastrutture per Internet of Things

Adottano i fondamenti alla base del Semantic Web

SWoT, Semantic Web of Things

Push model / Dissemination

Generated Data / Relayed Data

Same direction:

dati generati e di relay nello stesso pacchetto

propagazione lungo la direzione di marcia del veicolo sender

informazione disponibile sul tratto di strada da percorrere

Opposite direction:

sfrutta il transito di veicoli in direzione opposta al sender

Trasporto rapido di informazione verso i nodi molto distanti dal sender

Giorgio Basile

Soluzione proposta: modello di disseminazione


annotazioni semantiche in reti veicolari 5

[Nadeem T. et al., MOBIQUITOUS 2006]

Soluzione proposta : algoritmi di matchmaking



Caso 1

Posizione

Dato un veicolo V che genera i dati: Keep: ciò che sia V sia altri veicoli hanno osservato

Giveup: ciò che V ha osservato, in contrasto rispetto ad osservazioni di altri veicoli

Hypothesis : ciò che V ha osservato, ma altri veicoli no

Bonus : ciò che altri veicoli hanno osservato, ma V no

Soluzione proposta : algoritmi di matchmaking (2)



Caso 2: algoritmi di matchmaking

Servizi di inferenza: Concept Conjunction

Concept Contraction [Ruta M. et al., WIAS 2011]

Concept Abduction [Ruta M. et al., WIAS 2011]

Concept Difference

Compute Bonus

Architettura del sistema



Software di simulazione NCTUns 6.0 Kernel Re-Entering

Applicativi C / C++

Generatore pseudo-casuale

di annotazioni semantiche Ipotizza su base probabilistica le

rilevazioni del veicolo in uno scenario reale

Architettura del sistema (2)



Server Reasoner (Java) Architettura multithread

Mini Matchmaking Engine [Ruta M. et al., ORE 2012]

CarAgent (C++) Modello di movimento

Modello di rete

Protocollo IEEE 802.11b ad-hoc

One VS Last

One VS All

One VS Average

Obiettivi



Valutazione delle prestazioni delle VANET in termini di traffico di rete

Prestazioni della disseminazione di informazioni di natura semantica

Influenza di fenomeni di collisione e perdita di pacchetti

Valutazione delle prestazioni degli algoritmi di matchmaking

Prestazioni < 50 ms per confronto con IEEE 802.11p

Risultati Sperimentali



Scenario A (strada extraurbana

ES. Tangenziale di Bari SS16)

Campo: 5 Km x 1.5 Km

Broadcast Period : 7 secondi

Veicoli : 50

Simulation Time: 300 secondi

Pacchetti

Pacchetti inviati 43,367347

Pacchetti ricevuti 41,142857

Pacchetti generati

24,755102

Pacchetti ricevuti e d'interesse

29,836735

Pacchetti ricevuti e d'interesse per

sender 29,604167

Pacchetti ricevuti per sender

40,489796

0 10 20 30 40 50

One VS Last

Pacchetti



Pacchetti generati

32,040816


32,857143


sender 32,183673


47,632653

0 10 20 30 40 50 60

One VS All

Pacchetti



Pacchetti generati

29,469388


32,469388


sender 31,75551


45,755102

0 10 20 30 40 50 60

One VS Average

Pacchetti



Pacchetti generati

24,44186


31,534884


sender 30,953488


47,046512

0 10 20 30 40 50

One VS Average

Pacchetti



Pacchetti generati

34,162791


36,116279


sender 35,604651


59,651163

0 20 40 60 80

One VS All

Pacchetti



Pacchetti generati

23,372093


24,395349


sender 23,627907


42,046512

0 10 20 30 40 50

One VS Last

Risultati Sperimentali (2)



Scenario B (strada urbana a rapido scorrimento

ES. Viale Luigi Einaudi o Viale Papa Giovanni XXIII, Bari)

Campo: 2 Km x 1 Km


Veicoli : 44

Simulation Time : 300 secondi

Pacchetti



Pacchetti generati

25,918367


27,755102


sender 26,571429


46,285714

0 15 30 45 60

One VS Average

Pacchetti



Pacchetti generati

27,857143


28,306122


sender 27,285714


47,44898

0 15 30 45 60

One VS All

Pacchetti



Pacchetti generati

24,346939


25,306122


sender 24,8125


42,530612

0 10 20 30 40 50

One VS Last

Risultati Sperimentali (3)



Scenario C (strada urbana

ES. Quartiere Murat, Bari)

Campo: 1.5 Km x 1 Km


Veicoli : 50

Simulation Time : 500 secondi

Risultati sperimentali (4)



Tempi di matchmaking (secondi)

Scenario A One VS Last One VS All One VS Average

Tempo matchmaking 0,241872394 0,250780248 0,241224011

Tempo ciclo 0,241872394 0,529133737 0,258616706

Scenario B One VS Last One VS All One VS Average


Tempo ciclo 0,260290413 0,58229455 0,302197413

Scenario C One VS Last One VS All One VS Average


Tempo ciclo 0,244249898 0,560522691 0,263447726

Occupazione media di memoria del CarAgent : 2.31 MB

Analisi dei risultati



Soluzioni

Aggregazione dei dati

(algoritmi di compressione delle annotazioni semantiche)

Eliminazione ritardi di comunicazione Client - Server (singoli servizi di inferenza eseguiti in 10-4 s)

Problematiche

Alto numero di collisioni

Matchmaking lento

(problema di pura simulazione)

Conclusioni e sviluppi futuri



Modello di disseminazione meno prolifico con l’aggregazione dei dati

Occorre un testing dell’algoritmo di matchmaking eseguito lato Server

Sviluppi futuri:

Avvertimenti di emergenza

Comunicazione con unità RSU

Annotazione real-time su server OpenStreetMap semantic-enabled

Utilizzo separato dei quattro campi semantici per il supporto alle decisioni

del guidatore