STORITEV PRISOTNOSTI NA PODLAGI KONTEKSTA UPORABNIKAPETERNEL, KLEMEN (Avtor) Kos, Andrej (Mentor) kontekst uporabnikastoritev prisotnostialgoritem za klasifikacijonaivni Bayesov klasifikatorpol-nadzorovano učenjePričujoča doktorska disertacija predstavlja razširjen koncept storitve prisotnosti s poudarkom na strežniku prisotnosti v vlogi t.i. kontekstualnega vozlišča. Glavna cilja raziskovalnega dela sta bila zasnovati nov generičen podatkovni format za zapis kontekstualne informacije o prisotnosti in razviti algoritem, ki bi dosegel zadovoljive rezultate klasifikacije posameznih vektorjev značilk v enega izmed indikacijskih razredov trenutne dostopnosti uporabnika. Dodatno smo želeli skozi raziskave pokazati na širši potencial storitve prisotnosti znotraj komunikacijske storitvene arhitekture. Slednja namreč predstavlja podporno storitev, ki prek zajema informacij o kontekstu uporabnika ter vgrajenih algoritmov za njihovo obdelavo omogoča podporo ostalim storitvam in aplikacijam v omrežju. V prvem delu disertacije smo se posvetili splošnemu opisu arhitekture sistema prisotnosti in podatkovnega formata za zapis informacije o prisotnosti. V okviru opisa življenjskega cikla storitve prisotnosti smo predstavili naloge strežnika prisotnosti, kot so bile definirane s strani posameznih organizacij. Drugi del naloge je posvečen razlagi koncepta konteksta. Podali smo lastno tehnološko definicijo konteksta in predstavili tipe t.i. primarnega konteksta. To so identiteta, lokacija, aktivnost, ambient in čas. Podana definicija predstavlja osnovo za naše razumevanje konteksta in njegovo vpeljavo v obstoječo arhitekturo prisotnosti. V tem delu disertacije smo ugotovili, da je strežnik prisotnosti zaradi položaja, ki ga zaseda znotraj arhitekture, najbolj primeren, da prevzame vlogo kontekstualnega vozlišča. V tretjem delu smo definirali nov generičen format za zapis poljubne kontekstualne informacije o prisotnosti. Pri tem smo sledili zahtevam o združljivosti z omrežjem IMS ter združljivosti z obstoječimi formati in mehanizmi storitve prisotnosti. Novo razviti format že upošteva obstoj primarnih tipov konteksta, hkrati pa je zasnovan splošno, kar pomeni, da je možno zapisati poljubno informacijo o kontekstu uporabnika (tudi če te ne moremo umestiti v enega izmed primarnih tipov konteksta iz naše definicije). V nadaljevanju smo predstavili strežnik prisotnosti v vlogi kontekstulnega vozlišča, pri čemer strežnik postane t.i. inteligentni agent, ki komunicira z okolico, od katere prejema podatke o kontekstu uporabnika. Na podlagi prejetih podatkov izvaja klasifikacijo v enega izmed petih razredov dostopnosti, rezultati klasifikacije pa so kasneje na voljo vsem zainteresiranim aplikacijam in storitvam. Primer storitve predstavlja komunikacijsko vozlišče, ki na podlagi informacij s strani strežnika omogoča nadzorovano dostavo dohodnih klicev. Pri tem je pomembno dejstvo, da strežnik prisotnosti postane prava podporna storitev. V tem delu naloge smo z namenom lažjega razumevanja algoritma klasifikacije nekoliko bolj natančno predstavili delovanje splošne Bayes-ove mreže, ki predstavlja učinkovit verjetnostni model za diagnostično sklepanje. Z uporabo Bayes-ovega izreka ter predpostavke o neodvisnosti dokaznih spremenljivk, ko je neopazovana spremenljivka znana, smo predstavili t.i. naivni Bayes-ov klasifikator, ki je bil uporabljen v okviru nadaljnjega raziskovalnega dela. V primerjavi z mnogimi drugimi raziskavami nismo primerjali posameznih algoritmov nadzorovanega učenja, temveč smo se ukvarjali predvsem s problemom majhne učne množice. Slednji se je pokazal že med načrtovanjem eksperimentalnega dela, ko je bilo jasno, da bo učna množica majhna in v osnovi neprimerna za klasično uporabo s strani algoritma za nadzorovano učenje. Pripravi in opisu eksperimentalnega dela smo posvetili ločeno poglavje zaradi zahteve po izvedbi v nenadzorovanem uporabnikovem okolju. Za izvedbo eksperimenta smo razvili mobilno in namizno aplikacijo, hkrati pa vključili tudi zapestnico za merjenje aktivnosti uporabnika in njegove prevodnosti kože. Iz zbranih podatkov smo na koncu sestavili vektor značilk s štirinajstimi atributi. Vsak udeleženec eksperimenta je pred izvedbo dobil ustrezna navodila, eksperiment pa je v povprečju trajal šest dni. Pri tem smo v eksperiment vključili osem udeležencev, na koncu pa pridobili uporabne podatke s strani šestih (skupaj smo zbrali za približno 450 ur podatkov oz. več kot 15 milijonov podatkovnih vnosov). Med razvojem algoritma za klasifikacijo smo se usmerili v razvoj polnadzorovanega postopka učenja. Pri tem smo kombinirali naivni Bayes-ov model z iterativnim postopkom, ki izhaja s področja nenadzorovanega učenja. Natančnost algoritma smo preverili z uporabo postopka navzkrižnega preverjanja ter delovanje klasifikatorja podrobneje analizirali skozi matriko pravilnih in napačnih razvrstitev. Povprečna natančnost je bila 94 %. Na podlagi vseh znanih funkcionalnih zahtev smo v dodatku zasnovali notranjo arhitekturo strežnika prisotnosti, ki izpolnjuje vlogo kontekstualnega vozlišča. Potencial splošne uporabe uporabe predstavljenega kontekstualnega strežnika prisotnosti smo v okviru raziskovalnega dela pokazali tudi z znanstveno objavo. Slednji namreč lahko postane podporna storitev za množico storitev in aplikacij z različnih področij življenja. Med njimi v zadnjem času zaradi pojava velikega števila pametnih nosljivih naprav (ure, zapestnice, obeski, očala…) izstopa predvsem področje samomerjenja.20152015-06-03 14:05:04Doktorsko delo/naloga30813VisID: 30981COBISS_ID: 11038036sl