Recently, wireless sensor networks are trying to combine other networks so that they can make a larger network such as sensor web, in which we need to process multiple queries posed from many concurrent users. Most of the previous researches about multi-query optimization in sensor networks have focused on sharing data over predicates by semantically analyzing and rewriting queries.
To process multiple queries more energy-efficiently, this thesis proposes an approximation approach. Especially in multi-query processing environments, we can have more opportunities using the temporal correlation. Therefore, this thesis focuses on approximated data collection using the temporal correlation. In view of this perspective, we propose a new approximation method, Linear Temporal Suppression. This method can minimize the number of message transmissions by forecasting the near future data within an error bound. This is based on the fact that sensor data usually changes linearly during the relatively short-term period. In addition, we propose a new optimization technique, Temporal Tuple Merge, which works based on any prediction model. Through this technique, additional energy can be saved by preventing the intermittent transmissions of the light-weight tuples.
Our experimental results show that the proposed approaches can save an amount of energy compared to previous approaches.
최근의 무선센서네트워크 기술은 센서 웹 등과 같이 센서네트워크를 하나의 네트워크로 통합하려는 방향으로 연구가 진행되고 있고, 그러한 환경에서 동시 다수의 사용자로부터 요청되는 다중 질의를 처리해야 할 필요성이 증대되고 있다. 기존의 센서네트워크에서의 다중질의 처리에 관한 연구는 주로 질의들을 의미적으로 분석하고 재 작성하여, 질의들의 조건 절들간에 유사성을 바탕으로 데이터를 공유하는 방법이 대부분이었다.
본 논문에서는 보다 더 에너지 효율적으로 다중질의를 처리하기 위해서 근사적인 방식을 도입한다. 특별히, 다중질의 환경에서 시간적인 관계성을 이용할 기회가 많아진다는 점에 입각해서 시간 관계성을 기반으로 한 근사적인 데이터 수집에 초점을 맞춘다. 그러한 관점에서 본 논문에서는 새로운 근사화 방식인 Linear Temporal Suppression을 제안한다. Linear Temporal Suppression에서는 센서데이터가 비교적 짧은 시간차이에는 선형적으로 변한다는 점을 이용하여 많은 데이터를 오차범위 내에서 예측함으로써 메시지 전송을 최소화 한다. 또한, 본 논문에서는 일반적인 예측모델을 기반으로 적용될 수 있는 Temporal Tuple Merge라는 최적화 기법에 대해 제안한다. 이 방법을 통해 비교적 작은 사이즈를 갖는 Tuple들이 산발적으로 전송되는 것을 방지함으로써, 추가적인 에너지를 절약할 수 있다. 실험결과를 통해 데이터가 어느 정도의 시간적인 관계성을 가지는 경우, 본 논문에서 제안하는 Linear Temporal Suppression과 Temporal Tuple Merge를 통해 많은 에너지를 절약할 수 있음을 보여준다.
