izpis_h1_title_alt

STORITEV PRISOTNOSTI NA PODLAGI KONTEKSTA UPORABNIKA
PETERNEL, KLEMEN (Author), Kos, Andrej (Mentor) More about this mentor... This link opens in a new window

.pdfPDF - Presentation file, Download (3,38 MB)

Abstract
Pričujoča 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.

Language:Slovenian
Keywords:kontekst uporabnika, storitev prisotnosti, algoritem za klasifikacijo, naivni Bayesov klasifikator, pol-nadzorovano učenje
Work type:Doctoral dissertation (mb31)
Organization:FE - Faculty of Electrical Engineering
Year:2015
Views:786
Downloads:191
Metadata:XML RDF-CHPDL DC-XML DC-RDF
 
Average score:(0 votes)
Your score:Voting is allowed only to logged in users.
:
Share:AddThis
AddThis uses cookies that require your consent. Edit consent...

Secondary language

Language:English
Title:CONTEXT - AWARE PRESENCE SERVICE
Abstract:
This thesis presents an extended concept of presence service with an emphasis on the presence server as a contextual node. The main objective of the research was to design a new generic data format that will allow us to record any contextual information and to develop a classification algorithm. Latter will be able to classify individual feature vectors into one of the classes of the user’s current availability. The first part of the paper is devoted to a general description of the presence architecture. We described the lifecycle of the presence service, with the detailed presentation of various presence server roles. The second part of the paper is devoted to the interpretation of the context. We present our own definition of context with emphasis on primary context types - the identity, location, activity, ambient and time. Given definition is the basis for our own understanding of the context and its integration into the existing presence service architecture. We realise that presence server, due to the central position within the presence architecture, is best suited to take on the role of contextual node. As a result, we have defined a new generic format for recording any contextual information in order to transmit it between individual agents. New format is called Rich Context Information Data Format (RCIDF) format. When defining new format we have strictly take into account the requirements of the IMS network compatibility and compatibility to existing available formats – e.g. PIDF. RCIDF is generally designed, which means that it is possible to write an arbitrary information about the context of the user (even if it does not suite to one of the primary types of context from our definition). In next chapter we have described presence server as an intelligent agent that communicates with the environment, from which he receives information about the context of the user. Based on the information received, the server carries out the classification into one of five classes of accessibility. The results of that classification are later available to all authorized applications and services. We have created a scenario where such a service is a smart VoIP switch itself that allows controlled delivery of incoming calls based on calculated context. In order to facilitate the understanding of the classification algorithm we have dedicated a part of the thesis to the presentation of the concept of Bayes network. It is an effective probabilistic model for diagnostic reasoning. By using Bayes theorem and assuming the independence of the observed variables when unobserved one is known, we have presented Naive Bayes classifier, that was used latter when doing further research. Separate chapter is devoted to preparation and description of the complex experiment. In order to carry out the experiment we have developed a mobile and desktop application and included an extra bracelet to measure user's activity and skin conductance. From the collected data we ended up assembling the feature vector with fourteen attributes. In the experiment, we have included eight participants and finally obtain useful data from the six of them. All together we have gained for approx. 450 hours of data (15 million data entries). The development of classification algorithm combined the usage of naive Bayes model with EM iterative procedure, which resulted from the theory of unsupervised learning. The average accuracy of our algorithm was 94%. Accuracy was tested using the k-fold cross validation. The peroformance of classifier was further analyzed through confusion matrix. In appendix we present the internal architecture of the presence server, aiming to define modular design that allows future developers to implement fully operative context enabled presence server. Architecture assumes the usage of Java enterprise application server (e.g. JBoss). During our research we have shown through scientific publication the broader potential of a contextual presence service. The latter can offer support to a multitude of services and applications in various fields of life.

Keywords:user context, presence service, classification algorithm, naive Bayes classifier, semi-supervised learning

Similar documents

Similar works from RUL:
Similar works from other Slovenian collections:

Comments

Leave comment

You have to log in to leave a comment.

Comments (0)
0 - 0 / 0
 
There are no comments!

Back