Ontology-based context models are widely used in ubiquitous computing because they have advantages in the acquisition of conceptual context through inferencing, context sharing, and context reusing. Among the benefits, inferencing enables context-aware applications to use conceptual contexts which cannot be acquired by sensors. However, inferencing causes processing delay and thus becomes the major obstacle to the implementation of context-aware applications. The delay becomes longer as the amount of context data increases. In this thesis, we propose a context pre-fetching method to reduce the size of context data to be processed in a working memory in attempt to speed up the inferencing. We build query-trees to identify context data relevant to the queries of an application. The query-tree is a powerful static analyzing tool for encoding all derivations of a given set of queries. Thus, we can select ground context data used in deriving answers to the application’s queries before runtime by using the query-tree. However, in the case of queries in the context-aware application, there are many queries about context data acquired from the sensors. The context data from the sensors do not need to be placed in a working memory until the value of the context are taken from the sensors as they are meaningless while their real values are sensed. Accordingly, the context data acquired at runtime can be excluded from a working memory for the computation in static time. To filter them out, we apply the context types into the query-tree in query-tree build time. We have classified the context data into three type categories: sensed context, defined context, and deduced context. They make it possible to indicate when and how context can get a meaningful value. By introducing the context types into a query-tree, the proposed scheme filters out the context data in a query-tree which are meaningless before runtime. Maintaining the pre-fetched context data optimal in a working memory, the processing delay of inference are made diminished without the loss of the benefits of ontology-based context model. We apply the proposed scheme to our ubiquitous computing middleware, Active Surroundings, and demonstrate the performance enhancement by experiments.
유비쿼터스 컴퓨팅 환경에서의 다양한 상황정보를 관리하기 위한 많은 상황정보 모델링 방법들이 제안되었다. 그 중에서 온톨로지 기반의 상황정보 모델은 상황정보의 공유, 재사용, 그리고 추론을 통한 개념적 상황정보의 획득이 가능하다는 이점이 있어 최근에 널리 사용되고 있다. 하지만 개념적 상황정보를 획득하기 위해 사용하는 논리기반 추론의 경우, 그 성능이 상황정보의 크기와 적용되어야 하는 규칙의 개수에 종속적이라는 문제점이 있다. 이러한 문제점으로 인해 추론을 통한 개념적 상황정보의 획득은 시간이 걸리게 되고, 이것은 상황정보의 변화에 따라 동작하는 상황인지 응용프로그램의 실행에도 영향을 미치게 된다.
이에 본 연구에서는, 추론 속도를 향상시키기 위해 추론의 대상이 되는 상황정보의 크기를 줄이는 상황정보 선인출 기법을 제안한다. 우리가 제안하는 상황정보 선인출 기법은 두 단계에 걸쳐 진행된다. 첫 번째 단계에서, 우리는 상황인지 응용프로그램의 쿼리를 이용하여 쿼리트리를 구성한다. 쿼리트리는 전체 데이터에서 주어진 쿼리가 검사해야 하는 범위를 한정시키기 위해 사용하는 분석 도구이다. 그러므로, 상황인지 응용프로그램의 쿼리트리를 이용하면 그 응용프로그램의 실행에 필요한 상황정보를 미리 알아낼 수가 있다. 두 번째 단계에서는, 쿼리트리를 이용하여 결정된 상황정보를 더 한정시키기 위하여 상황정보의 타입을 이용한다. 상황인지 응용프로그램의 경우, 센서로부터 수집되는 상황정보의 값을 요구하는 쿼리가 많다. 이런 종류의 쿼리는 실제 센서가 동작하는 실행시간에만 의미 있는 값을 가질 수가 있다. 그러므로, 우리는 상황정보의 수집이 이루어지는 시간에 따라 상황정보를 구분하고, 시스템 구동시간에만 의미 있는 값이 되는 상황정보는 추가적으로 상황정보 데이터베이스에서 제거한다. 제안한 상황정보 선인출 기법을 적용하여 인출된 상황정보만 추론에 사용함으로써, 추론의 속도를 향상시킬 수 있으며 결과적으로 상황인지 응용프로그램의 신속한 실행도 가능하게 한다.
