Arp

Gestión de datos en tiempo real en redes de sensores inalámbricos: un estudio
Abstrac:
En el pasado reciente, la búsqueda en los sistemas de sensores se centró en las limitaciones de hardware del nodo y los recur sos
energéticos muy limitados.Pero hoy en día, las nuevas aplicaciones necesitan procesamiento de datos con limitaciones temporales
en sus tareas; luego, uno de los nuevos desafíos a los que se enfrentan las redes de sensores inalámbricos (WSN) es el manejo en
tiempo real del almacenamiento y la consulta de los datos que procesan. Dos enfoques principales para el almacenamiento y la
consulta de datos generalmente se consideran almacenes y distribuidos . El enfoque de almacenamiento almacena los datos en una
basede datos central y luego se le pueden realizar consultas. En un enfoque distribuido, los dispositivos de sensores se consideran
bases de datos locales y los datos se administran localmente. Los datos recopilados por los sensores deben representar el estado
actual del entorno; por esta razón, están sujetos a limitaciones tologicas y de tiempo. Luego, este documento identifica las
principales especificaciones de la gestión de datos en tiempo real y presenta las soluciones de gestión de datos en tiempo real
disponibles para WSN, con el fin de discutirlas e identificar algunos problemas abiertos y proporcionar pautas para futuras
contribuciones.
1. Introducción
Las Wireless Sensor Networks (WSN) se pueden definir como un conjunto de dispositivos inteligentes, llamados
sensores,que puedendetectary transmitirinformaciónsobre el entorno en el que se implementan. Estos dispositivos
recopilan información para los usuarios interesados en monitorear y controlar un fenómeno dado y transferirlos a un
puntorecogidollamadonodoreceptor.Estosúltimosponenlainformaciónadisposiciónde unapuertade accesodonde
los usuarios pueden acceder a través de Internet. Para obtener información, los usuarios usan aplicaciones que se
comunicancon lared a travésde consultas(Callaway,2004; Sacksetal., 2003; Barontietal., 2007). Una ilustración de una
WSN se puede encontrar en la Fig. 1.
Este tipo de red generalmente tiene una gran cantidad de nodos que se comunican y distribuyen en un área
determinada para medir una cantidad física o un monitoreo de eventos. Cada nodo de red se considera inteligente y
está equipado con un módulo de adquisición que proporciona una medida de datos ambientales (como temperatura,
humedad,presión,aceleración, sonido, etc.), capacidad de procesamiento, almacenamiento, comunicación y energía.
Sin embargo, estos recursos son generalmente muy limitados, especialmente los de almacenamiento y energía, y el
consumo de energía de los nodos sensores a veces no es insignificante (Akyildiz et al., 2002, 2007).
Los sensorespuedenusarse ycolocarse entodosloslugaresdonde lainformaciónestéomnipresente. En consecuencia,
lossistemasbasados enredesde sensoressoncadavezmás utilizados en muchos, ya que proporcionan varios tipos de
WSN (Mendes y Rodrigues, 2010). Estos numerosos WSN han permitido el desarrollo de muchas aplicaciones, que
generalmente están conectadas a bases de datos que tratan la cantidad de datos recopilados de los sensores. Sin
embargo,el tiempode procesamientose vuelvecadavezmás crítico para ciertasaplicaciones.Estasaplicaciones deben
consultary analizarlosdatosmás rápidamente paratomardecisionesyreaccionarloantesposible.Algunosejemplosde
lasaplicaciones más populares son las siguientes: control del tráfico de red (Cranor et al., 2002), análisis transaccional
(web, banca o transacciones de telecomunicaciones) (Cortes et al., 2000), aplicación de seguimiento del movimiento
humano(ChenyFerreira,2009), el seguimientode accionesenpáginasweb dinámicas (Zhu y Shasha, 2002; Chen et al.,
2000), monitoreo de fenómenos urbanos o ambientales (Mainwaring et al., 2002; Ulmer et al., 2003) , y la gestión de
datos de los sensores (Arasu et al., 2003).
Una vez que lossensoresrealizansumedición,surge el problemade almacenamientoyconsultade datos.De hecho, los
sensores tienen una capacidad de almacenamiento restringida (Silva et al., 2004) y la interacción continua entre los
dispositivos de red y el entorno genera enormes cantidades de datos.
Existendosenfoquesprincipalesparael almacenamientoylaconsultade datosenWSN: distribuciónyalmacenamiento
(Elnahrawy and Nath, 2004). En el primer enfoque, las investigaciones recomiendan una evaluación distribuida de
solicitudes en redes de sensores, y apuntan a explotar las capacidades de cálculo de sensores (Neto et al., 2008). El
objetivo es calcular de forma local para limitar el envío de mensajes, reduciendo así el consumo de energía. En el
segundo enfoque, el almacenamiento, uno tiene un sistema centralizado. Los datos recopilados de los sensores (en
secuencia) se envíanaun servidorde base de datoscentral,enel que se procesan las solicitudes de los usuarios. Tenga
en cuenta que esta técnica genera grandes flujos de datos.

Los datosrecopiladosporlaWSN debenreflejarde cercael estadoactual del entornoobjetivo.Sin embargo, el entorno
cambiaconstantemente ylosdatosse recopilanentiemposdiscretos.Porlotanto,los datos recopilados tienen validez
temporal,amedidaque el tiempoavanzase vuelvencadavez menos precisos, hasta el momento en que no reflejan el
estado del medio ambiente (Idoudi, 2009a, 2009b). Es fundamental que las respuestas a las consultas de aplicaciones
garanticen que los datos devueltos cumplan con las limitaciones logicas y temporales. En este contexto, la gestión de
datos en tiempo real en WSN es necesaria para hacer frente a esas restricciones. El objetivo principal de la
administraciónde datosentiemporeal esgarantizarlacoherenciatemporal de lastransaccionesde datosyprocesos en
tiemporeal. Las propuestas más relevantes de gestión de datos en tiempo real sobre WSN se expondrán a lo largo de
este trabajo. Esta encuesta tiene como objetivo estudiar cómo las bases de datos en tiempo real se han integrado en
redes inalámbricas de sensores con el fin de satisfacer las limitaciones en tiempo real de las aplicaciones críticas
específicasconectadasaese tipode redes.Además,se identificaránunadiscusiónycuestionesabiertassobre la gestión
de datos en tiempo real en redes inalámbricas de sensores para hacer más contribuciones.
El restode este documentoestáorganizadode lasiguientemanera.LaSección2 presentalosdiversosconceptosbásicos
y arquitecturasutilizadasenel almacenamientoylaconsultade datosen tiemporeal enWSN,mientrasque la Sección 3
expone contribuciones de investigación sobre la gestión de datos en tiempo real en WSN. La Sección 4 discute las
técnicas utilizadas en los enfoques estudiados y propone algunos temas de investigación. Finalmente, la Sección 5
concluye el documento.
2. Antecedentes:
El primerpropósitode unsistemaentiemporeal esel respetode las restricciones temporales. Para una base de datos,
estono significaque laejecuciónde las transacciones debe ser rápida, sino que las transacciones deben ejecutarse en
intervalos de tiempo bien definidos (tiempo fijo) (Buffenoir, 2006; Lam y Kuo, 2001).
Al igual que el sistema de gestión de bases de datos (DBMS), un DBMS en tiempo real (RT-DBMS) debe procesar las
transacciones y garantizar que no se viole la coherencia lógica de los datos. Sin embargo, a diferencia de DBMS
tradicional,unRT-DBMSenfatizaenlavalideztemporal de losdatosylas restriccionesde tiempoofechaslímite paralas
transacciones (Idoudi, 2009a, 2009b, DiPippo y Wolfe, 1997).
El propósitoprincipal de un RT-DBMS es procesar transacciones a tiempo, mientras se mantiene la coherencia lógica y
temporal de losdatos.La consistenciatemporal expresalanecesidad de mantener la coherencia entre el estado actual
del entorno objetivo y el estado reflejado por los contenidos de la base de datos. La consistencia temporal se puede
medir de dos maneras (Ramamritham, 1993):
 Consistenciaabsoluta,que se ocupade lanecesidadde mantenerlavista que representa el estado del entorno
objetivo coherente con el estado real del entorno.
 Consistencia relativa, que se refiere a datos derivados de otros.
Para satisfacerestaslimitacionestemporales,laestructurade losdatosdebe incluirestosatributos:(i)marcade tiempo,
que indicael instante enque se realizólaobservaciónrelacionadaconlosdatos;y (ii) intervalode validez absoluta (avi)
que denotael intervalode tiempoposterior a la marca de tiempo durante el cual los datos se consideran válidos. Otro
atributopuede serconsiderado;laimprecisión,que se refiere acómoel estadoactual del entornoobjetivopuede diferir
de los datos medidos (Ramamritham, 1993). Las transacciones también deben tener estos atributos (i) tiempo de
liberación que representan el momento en que todos los recursos para el procesamiento de transacciones están
disponibles;(ii) tiempode computación que indica el tiempo de ejecución necesario para la transacción; y (iii) tiempo
máximo,que indicael límite de tiempo máximo para la ejecución de la transacción y la periodicidad que se refiere a la
frecuencia con la cual ocurre la transacción (Chagas et al., 2010).
Para satisfacerlacoherencialógicade losdatos,lastransaccionesdebenprocesarseconpropiedadesACID(Atomicidad,
Consistencia,AislamientoyDurabilidad).Peroadiferencia de las bases de datos convencionales, en las bases de datos
en tiempo real estas propiedades se relajan. En primer lugar, la atomicidad puede relajar. Solo se aplica a la
subtransacciónque quiere tratarcompletamente lacoherenciade losdatos.Ensegundo lugar, dado que la puntualidad
esmás importante que lacorrección,enmuchassituaciones,lacorrecciónse puede intercambiarpor la puntualidad. En
tercerlugar,el aislamientopermite que lastransaccionesse comuniquencon otros para realizar mejor las funciones de

control.De manera similar,enlasbases de datos en tiempo real, no todos los datos deben ser permanentes y algunos
de ellos son temporales (DiPippo y Wolfe, 1997; Chagas et al., 2010; Ramamritham, 1993).
Según Ramamritham (1993), un conjunto de datos utilizados para derivar un nuevo ítem de datos constituye un
conjuntode consistenciarelativa.CadaconjuntoRestáasociadocon un intervalode validez relativa denotado por Rrvi.
Supongamos que, dado un elemento de datos d  R; d tiene un estado correcto si:
1. d valor es consistencia lógica, i. e., satisface todas las restricciones de integridad.
2. d es temporalmente consistente:
 Consistencia absoluta: (current_time -- d timestamp)  d avi
 Consistencia relativa:  d’  R, |d timestamp – d’ timestamp | Rrvi
De acuerdocon Stankovicetal.(1999), unsistemaentiemporeal puede versecomounsistema de control y un sistema
controlado. En un sistema de fabricación automatizado, por ejemplo, el sistema de control está compuesto por una
computadorae interfaceshumanasque administran ycoordinanlasactividades,mientras que el sistema controlado es
el sistema de fabricación con sus robots, estaciones de ensamblaje, piezas y transportadores. Entonces, el sistema
controlado representa el entorno objetivo. El sistema de control interactúa con su entorno de acuerdo con los datos
disponibles,porejemplo,proporcionadospordiversossensores sobre el medio ambiente. Los datos recopilados por la
WSN y percibidosporel sistemade control debenreflejarestrechamenteel estadoactual del entorno objetivo (Idoudi,
2009a, 2009b). Sin embargo, el entorno cambia constantemente y, por lo general, se demora todo el proceso de
recopilación,almacenamiento y explotación de la información que caracteriza al medio ambiente. Este retraso puede
generarvaloresincoherentesenormesque se produce una mala previsión. De esta manera, la administración de datos
en tiempo real para WNS puede ser una solución, ya que proporciona varias herramientas para lidiar con las
restricciones temporales de datos y transacciones.
Comola evoluciónde lossistemasde gestión de bases de datos tradicionales, las bases de datos de sensores intentan
crear una abstracción entre los usuarios finales y los nodos de sensores permitiendo así a los usuarios concentrarse
únicamente en los datos que necesitan ser recolectados en lugar de preocuparse por las complejidades de los
mecanismos decidir cómo extraer datos de una red (Bonnet et al., 2001; Madden et al., 2002). Esta evolución de las
bases de datos de sensores ha visto nacer varias técnicas de administración de consultas y almacenamiento de datos
diseñadosespecíficamenteparaWSN.Existendosenfoquesprincipales para el almacenamiento y consulta de datos en
WSN (Bonnet y Sheshadri, 2000; Bonnet et al., 2000): almacenamiento y distribución.
El enfoque de almacenamiento (como se ilustra en la Fig. 2) es un sistema centralizado (Bonnet et al., 2001). Los datos
recopiladosporlossensores se envían a una base de datos central donde se procesan las consultas de los usuarios. En
este caso, los sensores actúan como simples recolectores. El enfoque de almacenamiento es el más utilizado en el
procesamientode consultas.Sinembargo,tiene algunosinconvenientes,comoque lagran cantidadde datos generados
puede crear fácilmente un cuello de botella en el servidor central; la gran cantidad de información que transfiere
desperdicialosrecursos.El procesamientode instruccionesesmuchomenoscostosoque la transmisión inalámbrica de
datos.De hecho,se muestraque el consumode energíapara transmitirunbites equivalente al consumido para llevar a
cabo aproximadamente 800 instrucciones(Madden et al., 2002). Además, está claro que este enfoque no es adecuado
para consultas no históricas porque implica un retraso en el tiempo para los resultados.
Por otro lado,el enfoque distribuido (como se ilustra en la Fig. 3) explota las capacidades del cálculo de los sensores y
lossensoresactúancomobasesde datoslocales(BonnetySheshadri,2000).Su objetivoescalcularlocalmente el límite
de envíode mensajes para ahorrar el consumo de energía. En este enfoque, los datos se almacenan en un servidor de
base de datos central y enlospropiosdispositivos,lo que permite consultar ambos. Aquí, los dispositivos actúan como
parte de labase de datos.Este enfoque puede ofrecervariasventajas;enlossensores,elprocesamientode consultasse
realiza casi en tiempo real; admite consultas de larga ejecución y consultas instantáneas; y el enfoque distribuido
aumentael tiempode vidade lared.Aunque hay un avance significativo en la informática ubicua, las condiciones para
usar redesde sensorestodavíarestringenel usode sistemasde almacenamientode datos ubicados en los sensores. De
hecho,lamejorade los sensores(tiempode funcionamiento,mejoradel cálculo y capacidades de memoria) no cancela
los riesgos de fallas relacionadas con las condiciones naturales.
Hay tres tiposde consultasenlasredesde sensores:(i) consultasde datoshistóricos,que se ejecutancontrael servidor;
(ii) consultasinstantáneas,que se ejecutancontraundispositivoenuninstante;y(iii)consultaslargas,que se refieren a

consultas ejecutadas contra un dispositivo durante un intervalo de tiempo (Bonnet y Sheshadri, 2000; Neto et al.,
(2004)).
3. Soluciones actuales de técnicas de base de datos en tiempo real para WSN
Los datos de la base de datos en tiempo real deben representar el estado actual del entorno en el que fueron
capturados. Esto es particularmente importante especialmente para aplicaciones que monitorean áreas de riesgo. En
este contexto, una buena estructura de datos para el acceso en tiempo real es muy importante. Por lo tanto, bajo
monitoreo volcánico, Noel et al. (2004a, 2004b), Noel y otros (2005a) han propuesto un nuevo método de acceso
espacio-temporal de labase de datosde sensores,denominadoPo-tree.De hecho,Po-Treeesunsistemade indexación
para bases de datos espaciotemporales centralizadas, que trabaja sobre datos de una red de sensores fijos con
restriccionesentiemporeal.Distingue doscaracterísticasde losdatos:espacial ytemporal.Laestructuradel Po-árbol se
diseñacomoun juego:lacaracterística espacial indexadaporunárbol Kd (Bentley, 1975) representa el primer subárbol
y la característica temporal indexadaatravésdel árbol B + modificadorepresentael segundosubárbol.Cadasensorestá
vinculado a través de estos dos subárboles vinculados. En este árbol, las entradas toman la forma (puntero izquierdo,
punto-posición,enlace-a-árbol-temporal,puntero-aladerecha),representando así la ubicación espacial, la posición en
el árbol y un enlace a un subárbol temporal. Después del registro de los tiempos de medición, se crea un enlace a los
valores medidos recientes. Para acelerar el procesamiento de consultas de los datos más recientes; se crea un enlace
directoentre laraíz y el últimonodo,donde generalmente se registranlosdatosmásrecientes.Lasconsultasse envíana
la raíz del subárbol espacial que admite laconsultade diferentessubárbolestemporalesyproporciona losresultados.De
hecho,unaconsultase divide endosfases:si llegaunaconsulta,se realizaunaprimerabúsquedaenel subárbol espacial
para determinarlossubárbolesde lossensoresafectadosporlaconsulta.Posteriormente,el subárbol espacial ree nvíala
consulta, teniendo solo dimensiones temporales, a las subestructuras de los sensores involucrados y recoge los
resultados (sensor de ID, medidas y marcadores de tiempo) para presentar al usuario (ver Fig. 4).
En las bases de datos en tiempo real, además de las restricciones tológicas, los datos también deben ser consistentes
con laslimitacionesde tiempo.Porlotanto,esnecesarioalmacenareficientementelainformaciónnuevaque llega a las
basesde datos,realizarbúsquedasrápidasde datosyadministrarlamemoriaparaevitarsobrecargasque pueden llevar
a varias fechas de vencimiento de las transacciones (Kang y otros, 2004). Esto es particularmente importante para las
aplicaciones que necesitan consultar en tiempo real y acceder a los datos más recientes. Para hacer frente a estos
desafíos, en primer lugar, Noel y otros (2005b), Noel y Servigne (2005) han propuesto un esquema de indexación
espacio-temporal en tiempo real para sensores ágiles, denominado PasTree. PasTree es una versión mejorada del
PoTree.La estructurase basa en un subárbol espacial multiversion; que mantiene las pistas de la ubicación del sensor
cambia. Por lo tanto, cada nodo se mantiene en formación sobre los sensores de posiciones pasadas y los actuales.
Además,PasTree incluyeotrasdosestructurasde acceso;el árbol de sensores para hacer referencia a la ID del sensor y
al árbol de objetos temporales para cada sensor registrado, lo que permite consultas basadas en identificadores de
sensores o características espaciotemporales. Esta propuesta incluye una interfaz ubicada sobre los subárboles de
acceso y permite la administración centralizada de consultas. Esta interfaz permite ocultar al usuario el acceso de
múltiplescriterios.Si llegaunaconsulta,laredireccionasegúnel tipo de acceso (criterios espaciales o identificadores).
En segundolugar,Noel yServigne (2006) tambiénhanpropuesto un tercer método de indexación, llamado StH, para la
gestiónentiemporeal de lamemoriaprincipal.El StH,espaciotemporal / Heat, es un sistema de indexación para bases
de datos espaciotemporalescentralizadasenmemoriaRAM,que trabajacon datosde una redde sensoreságilesytiene
en cuenta la saturación de memoria de la base de datos. El StH además permite el acceso de criterios múltiples a los
datos. De hecho, se basa, en paridad, en la construcción del subárbol PasTree: subárbol espacial e identificadores.
Además, incorpora nuevas subestructuras para evitar la saturación de memoria de la base de datos. Por lo tanto,
además de los subárboles espaciales e identificadores, cada sensor está asociado con una subestación de sensor
dedicada llamada escalera debido a su forma. Esta subestructura dedicada contiene toda la información relativa a un
sensor(id,historial de posiciones y enlaces). a las medidas). Este índice permite la resolución de consultas basadas en
criteriosespacialesoidentificadoresde sensores. La gestión de la saturación de la memoria se realiza mediante el uso
de una función de calor asociada a cada escalera, i. e., cada sensor. Por lo tanto, los datos más fríos se transfieren
regularmente desde las escaleras del sensor al almacén de datos. Esta transferencia se activa después de la cuenta de
una cantidadmáximade datosingresados porel sensor.Losdatosmenos importantes corresponden a los datos menos

importantes, la selección de estos datos menos importantes se realiza mediante algunos criterios, por ejemplo, por
prioridad.
Servigne y Noel (2008) han mostrado la estructura completa PoTree, PasTree y StH, pero esta vez está incrementando
StH vinculando la base de datos (en la memoria) a un almacén de datos. Ponen énfasis en los aspectos de la
transferencia de datos menos importantes hacia un almacén de datos, para liberar la base de datos. Por lo tanto, se
basan enun enfoque de almacenamientodonde,despuésde la recopilación, los datos se envían a un punto central (en
lasbasesde datosde la memoriaprincipal) paraconsultasyanálisis en tiempo real. Para consultas de larga ejecución y
memoria de base de datos gratuita, los datos se envían hacia un disco o memoria secundaria (almacenamiento).
Los datos adquiridos por los sensores deben representar el estado actual del fenómeno objetivo. Sin embargo, este
estado está sujeto a cambios constantes. Por lo tanto, en (Bouju et al., 2009). Noel et al. (2005b), los autores intentan
tenerencuentala ubicaciónde lossensores;que puedeserfijo,ágil ymóvil.Conbase enel formalismoUML,definenun
modelo de datos de sensores espaciotemporales para el almacenamiento en tiempo real de acuerdo con la posición
(fija, ágil, móvil) de los sensores. Además, enfatizan la importancia del modelado de metadatos y presentan un
formalismo de objeto emitido por los sensores.
Los sistemasde gestiónde flujode datoscumplen los requisitos operativos de las aplicaciones para consultar flujos de
datosgeneradosde formacontinua(Golaby Ozsu,2003). En general,este tipo de aplicaciones están sujetas a una gran
cantidadde datos de transmisión, desencadenantes, datos imprecisos y requisitos en tiempo real. Para hacer frente a
este reto, en (Abadi et al., 2003; Carney et al., 2002), los autores han propuesto un sistema que proporciona
capacidadesde procesamientode flujo de datos en tiempo real con un tiempo real de la métrica de latencia media de
tuplas de datos, llamado Aurora. Aurora es un sistema de flujo de datos que procesa la corriente entrante de acuerdo
con los requisitos de las aplicaciones (ver la arquitectura de la aurora en la Fig. 5). Incluye un conjunto de operadores
para satisfacerlosrequisitosde procesamientode flujo.Cadaoperadorconsume datosde entrada,realizaoperacionesy
produce resultadosde maneracontinua.Entre estosoperadorespodemosmencionar:operarios con ventana, operador
de filtro,etc.Aurorapuede procesarconsultascontinuasenel procesamientoentiemporeal segúnlas especificaciones
de QoS, peroa diferenciadel enfoque relacional,enAurorala construcción de consultas es de procedimiento, es decir,
se crea una consultausandouna interfazgráficadonde lascasillasde unlugarrepresentanlastransaccionesylasflechas
que representanlasecuencia de datos. Además, la evaluación se hace tupla por tupla, a diferencia del enfoque de las
basesde datos tradicionalesdonde se evalúanlas consultassobre lasrelaciones.Paralidiarconla QoS, Aurora utiliza un
mecanismode carga shedderque,si detectaunasituaciónde sobrecarga,cargade flashhasta que el sistema encuentre
un buen rendimiento. Además, utiliza varias funciones de utilidad en QoS y asocia curvas de QoS con salidas del
procesamiento de flujo para soportar requisitos de temporización continua.
Teniendo en cuenta el enfoque en tiempo real, la idea principal es responder a las consultas en sus limitaciones de
tiempo;lasaplicaciones en tiempo real necesitan respuestas predecibles. Las consultas deben procesarse de acuerdo
con su fechalímite.Entonces,RTSTREAM(Wei etal.,2006) intentacumplir con esta restricción en una gran cantidad de
flujode datos del sensor. RTSTREAM es un sistema de gestión de flujo de datos en tiempo real (DSMS) que admite un
modelode consultade flujode datosentiemporeal,llamadoPQuery.El modeloPQuerymejorael Lenguaje de consulta
continua(CQL) (Arasuetal.,2006) ya que permite alasaplicacionesespecificar las frecuencias de consulta y los plazos;
que a su vezse usapara tratar con la restricciónde tiempo de consultas. En lugar de una instancia de consulta siempre
reiniciadaporla secuencia de datos entrante (como en otros modelos de consulta continua), el modelo de PQuery no
permite el cambio de la entrada durante el curso de la ejecución de la instancia, i. mi. si se registra una consulta, sus
instanciasse inician periódicamente por el sistema DSMS y la próxima instancia de consulta procesa una secuencia de
datosreciénllegada.Porotraparte,RTSTREAM incluye unmecanismode protecciónde sobrecargallamadoadmisiónde
datospara unmejortrato con la relaciónde faltade fechalímite de consulta.Laadmisiónde datosutiliza estrategias de
muestreo y eliminación para reducir el volumen de datos entrantes durante períodos de alta carga. Este sistema
produce respuestas periódicas en tiempo real sin interrumpir la ejecución de la instancia de consulta, pero no
proporcionael últimoresultadode lasecuenciade datosentrantes debido a la corriente de datos entrante reportada a
la próxima instancia de consulta.
El contextode tiemporeal implicatantotenerencuentalaslimitacionesde tiempo que proporciona una buena calidad
de información(Ramamritham, 1993).Por lotanto,la definiciónde metadatosenel contexto de tiempo real para datos
de sensoresespaciotemporalespuedeserunbuensoporte,particularmenteenel procesode tomade decisiones.Existe
un estándarque representala estructurade los metadatos espaciales: el estándar ISO 19115 (ISO19115, 2006; Servigne

et al., 2006) pero este estándar no incluye los objetos dinámicos y el aspecto en tiempo real. Para satisfacer esta
necesidad, los investigadores de (Gutiérrez y Servigne, 2007; Gutiérrez et al., 2007) intentan reunir las características
básicas de los datos y metadatos espaciotemporales para ayudar mejor a la calidad de gestión de los datos
espaciotemporales en tiempo real. Por lo tanto, se refiere a la naturaleza de los sensores; sus características y sus
posiciones,definenunmodelode datosespaciotemporalessensorial (fijo, móvil o ágil) en contexto de tiempo real. De
acuerdo con el modelo de datos del sensor y la función futura de los metadatos, exponen un metadato genérico que
puede serutilizadopor cualquier aplicación espacio-temporal en tiempo real y, por otro lado, un metadato específico
para una aplicación específica. También definen dos métricas que pueden ayudar a diferenciar datos a metadatos: la
semántica de los datos; caracterizados por su uso final y la dinámica de datos caracterizada por la variación de valores
en el tiempo.
La definiciónde metadatosespaciotemporales en tiempo real es muy apreciada por la buena calidad del servicio en el
contexto en tiempo real, pero debe ir acompañada de una buena política de gestión de actualizaciones, extracción y
explotación, especialmente en un contexto dinámico y en tiempo real. Las redes de sensores generan grandes
cantidades de datos muy variables y el tiempo de acceso es crítico, especialmente en el contexto de tiempo real.
A diferencia de búsquedas que se enfocan en el almacenamiento, en bases de datos en tiempo real para redes de
sensores(Netoetal.,2004), losautoresutilizanunenfoquedistribuido para proponer una integración entre tecnología
de base de datosen tiemporeal ysistemasde redesde sensores.Porlotanto,intentanrealizaruna verificación lógica y
cronológicade losdatosy las transacciones.En su modelo, los sensores adquieren datos; almacenar y periódicamente
hacen actualizaciones al servidor. Por lo tanto, las consultas a largo plazo y las consultas instantáneas ahora pueden
ejecutarse contra los sensores que están programados para realizar las restricciones temporales de datos y
transacciones, mientras que las consultas históricas se ejecutarán contra el servidor. Para manejar la concurrencia de
ejecución de las transacciones en conflicto, proponen una capa dentro de la red que incluye la propiedad de
serializabilidad. Además, a diferencia de otras propuestas que usan modelos de programación para evaluar su
rendimiento, la arquitectura propuesta (red de sensores, servidor de base de datos y sus componentes) se modela
mediante unformalismode redesde Petri coloreadoparaanalizarel rendimiento del sistema. Intentan demostrar que
su modeloes coherente con las limitaciones lógicas y temporales de los datos y las transacciones en el contexto de la
gestión de datos en tiempo real.
Al igual que los sistemas de gestión de bases de datos convencionales, un sistema de gestión de bases de datos en
tiemporeal debe procesarlas transacciones al tiempo que garantiza que no se viola la coherencia de la base de datos.
Por lo tanto, Chagas et al. (2010) presentan algunas técnicas de administración de bases de datos en tiempo real para
enfrentareste desafío.Utilizaunenfoque distribuidodonde losdispositivos de red actúan como base de datos y envían
periódicamente los datos adquiridos al servidor de la base de datos. Para lidiar con la restricción de tiempo, los
dispositivosyel servidorincluyenunprogramaque procesa transacciones mientras maneja las restricciones de tiempo
de losdatos y lastransacciones.El DBMS de PostgreSQLse utilizaparaalmacenardatosproporcionadosporlossensores
y el Lenguaje de consulta para bases de datos en tiempo real (QL-RTDB) (Leite, 2005) se utiliza para acceder tanto al
servidor como a los dispositivos a través de una interfaz de aplicación. Para tratar con las transacciones simultáneas
eventuales un algoritmo que toma en consideración las limitaciones de tiempo.
Debidoal hecho de que las aplicaciones en tiempo real están sujetas a una gran cantidad de datos para procesar y son
restriccionestemporales,muchastransaccionespuedenperdersufechalímite,degradandoentonceslasactuaciones.En
estasaplicaciones,tambiénesimportante accederadatosrecientesque reflejande maneraefectivael estadoactual del
entorno objetivo. Teniendo en cuenta estos problemas, Kang et al. (2004) propusieron una arquitectura de base de
datos de memoria principal en tiempo real, denominada QMF (arquitectura de gestión de QoS para la relación de
tiempolímite y la frescura de los datos) para mejorar la calidad del servicio (QoS). Esta propuesta intenta equilibrar la
proporción de fallas en el plazo en comparación con la frescura de los datos al considerar los requisitos de las
aplicaciones.De hecho,este modelopermiteespecificarlarelaciónde error deseada y la frescura de los datos para una
aplicaciónespecífica.Paralidiarconlaproporciónde errores,QMF utiliza un controlador de retroalimentación. Incluye
un controladorque mide periódicamente larelaciónde error,calculalarelaciónde error,esdecir,ladiferenciaentre los
valoresde larelaciónde errordeseaday el valorreal medido,yreaccionapara corregirel error. El QMF también incluye
un administrador de frescura que actualiza más o menos los datos del sensor según la demanda de acuerdo con los
mensajes de control de la relación de error y la carga de trabajo. Además, QMF hace que la admisión de control en las
próximas transacciones disminuya las situaciones de sobrecarga. Para equilibrar la relación de error potencialmente

conflictivaylosrequisitosde frescura,utilizaunmétodoflexible.Porlotanto,utilizaunrangode calidad de datos (QoD)
que se compara con los datos del sensor para aceptar su frescura, si es necesario. Esto puede relajar los períodos de
actualizaciónde losdatosdel sensory disminuir la carga de trabajo de actualización en caso de sobrecarga. Además, la
frescura de los datos del sensor se mantiene de acuerdo con intervalos de validez flexibles.
La solución de capa cruzada indica que los parámetros de dos o más capas pueden recuperarse y / o modificarse para
alcanzar unobjetivode optimización(MendesyRodrigues,2010). El conceptode capas cruzadasse propusoporprimera
vezpara redesTCP / IP,cuandose desplegaronenlacesinalámbricos (Srivastava y Motani, 2005). Muchas soluciones de
optimización se han basado en capas. En este contexto y en el caso de una aplicación de seguimiento de movimiento
humano (Chen y Ferreira, 2009), Gonc-alves et al. (2009) han propuesto una arquitectura basada en capas para
optimizar el retraso de la difusión de datos del sensor. Por lo tanto, esta arquitectura se ocupa de la diseminación de
datosen tiemporeal atravésde Internet.Esuna arquitectura de cuatro niveles que divide el proceso de diseminación
de datos encuatro capas diferentes:lacapaWSN para la adquisición de datos, la capa de datos para la presentación, la
capa de transporte parala transmisiónylacapa del cliente parael consumo (ver Fig. 6 ) WSN Layer recopila los datos, a
veces con un procesamiento de bajo nivel, y los envía a la capa de datos. La capa de datos actúa como una puerta de
enlace que interconectalaWSN conotras redes.Cuandolacapa de datosrecibe losdatosde la capa de WSN,la codifica,
enformatoXML, por ejemplo,ylaenvíaa lacapa de transporte.La capa de transporte,ensu ronda,con restriccionesde
tiempo,establece uncanal de transporte de datosúnicoo múltiple yreenvía los datos a la capa de cliente. Finalmente,
la capa del cliente recibelospaquetesde datosyrealizaalgunosprocesosparamejorarel servicio.Lacapa de transporte
utilizadosprotocolosde transporte específicos:el protocoloextensible de mensajeríaypresencia(XMPP) yel protocolo
de tiemporeal (RTP) (Schulzrinne etal.,2003). Para tratar las restriccionesde transmisión en tiempo real, el RTP se usa
para la comunicaciónentre lacapa de datosy la capa de transporte yentre la capa de transporte y la capa de cliente, ya
que proporcionaunamejoradel tiempode llegadade laentregaconel protocolo UDP. La extensión Jingle XMPP se usa
para establecer sesiones entre la capa de datos y la capa de transporte o entre la capa del cliente y la capa de
transporte.
La replicación(PlattneryAlonso,2004) permite administrarcopiasmúltiplesque difierenenunmomentodeterminado,
pero que finalmente convergen a los mismos valores (Gardarin y Gardarin, 1997). Las motivaciones para hacer una
réplica son esencialmente un mejor rendimiento y una mayor disponibilidad de datos. Por lo tanto, para mejorar el
tiempo de acceso a los datos del sensor en cualquier nodo y asegurar la propagación escalable de actualizaciones a
travésde la red,Mathiasonet al.(2008) propusieronunesquemade comunicaciónenredesde sensores utilizando una
base de datos distribuidaentiemporeal conVirtual Replicacióncompleta.Este esquema se llama replicación completa
virtual con segmentación adaptativa para redes de sensores (ViFuR-ASN). Se basa en un enfoque de dos niveles
compuesto por nodos de nivel de sensor y nodos de nivel de base de datos, donde el nivel de la base de datos tiene
nodosmás potentesymayoressuministrosde energía.Comose muestraenlaFig.7, losnodos del sensor se conectan a
un nodo de base de datos adecuado, formando así una subred, alcanzan el nodo base de datos por múltiples saltos y
actualizan sus lecturas correspondientes (objetos de datos del sensor) en la base de datos. Cada nodo de la base de
datostiene unabase de datosvirtual totalmente replicada(unaimagende lareplicacompletaen la base de datos), que
almacena los datos que los objetos pertenecen a los nodos del sensor conectados a ella. Los clientes en movimiento
puedenseleccionarel nodode labase de datosque deseanconectarpara accedera losobjetosde datos del sensor. Por
lotanto, el espaciode búsquedade losnodosdel cliente paralosdatosdel sensorestá,porlo tanto, limitado al número
de nodosde labase de datos.En el nivel de la base de datos, los nodos de la base de datos replican las actualizaciones
de la mismamanera.Los nodosde la base de datos estáncompuestos,entre otros,por módulos importantes, el Gestor
de segmentación que gestiona las asignaciones de réplicas en la base de datos; el Registrador de Actualizaciones que
lograenviaractualizacioneslocalesaotrosnodoscon lasmismasréplicasde losobjetosde datosde actuali zaciones;y el
administrador de transacciones, que ejecuta las transacciones. Cada objeto sensor tiene un identificador único y la
ubicaciónde cada sensorse almacenacomouna base de datosseparada,loque permite consultasespaciales.Paralidiar
con la ejecución oportuna de transacciones y la latencia de la red, ViFuR-ASN adopta las mismas actualizaciones
independientes,replicacióncompletavirtual,detecciónde conflictosyenfoques de resolución de DeeDS (Andler et al.,
2007), pero a diferencia de esto, ViFuR-ASN usa localmente replicación que hace que los valores estén siempre
disponibles y reduce así la eventual demora. Esto también permite un tiempo de acceso local predecible.
Gupta y Dave (2008) han propuesto una arquitectura basada en clusters para manejar una ubicación confiable y en
tiemporeal yla diseminaciónde datosenWSN.Comose muestra en la Fig. 8, los clústeres y las cabezas de racimo (CH)
se formande maneraarbitrariay estosrolesse alternanparadistribuirmejorel usode energía en la red. En cada grupo,

los sensores comunican datos a su CH que agregan datos y reducen así el tamaño de los datos que se transmitirán a la
estaciónbase a travésde las Estacionesde RetrasoyAcción(ARS) para evitarladisipaciónexcesivade energía. Además,
para realizar acciones a tiempo, el ARS envía datos a los nodos del receptor a través de otro ARS. Para mejorar el
almacenamientoyaccesode losdatos, se usa el mecanismo de almacenamiento centrado en datos. Además, los datos
almacenados en una estación base se replican en las estaciones bases adyacentes para aumentar la disponibilidad de
datos y acelerar el procesamiento de consultas. Para la interacción en el trabajo en red, las consultas utilizadas son
consultas tipo SQL.
Las siguientes tablas (tablas 1 y 2) proporcionan un resumen para obtener una visión general de las soluciones
propuestas para la gestión de bases de datos en tiempo real en WSN.
4. Problemas abiertos
La gestión de datos en tiempo real para WSN se puede ver como todos los recursos necesarios para cumplir con los
requisitos (almacenamiento y explotación) de aplicaciones en tiempo real que trabajan con datos de sensores. Estas
aplicaciones en tiempo real difieren de otras aplicaciones teniendo en cuenta las limitaciones de tiempo, cuyo
cumplimiento es tan importante como la precisión del resultado. En otras palabras, estas aplicaciones no deberían
arrojar resultadosprecisos,sinodentrode losplazos.Construir mecanismos para cumplir con este tipo de aplicaciones
no espoca cosa. De hecho,lastécnicasutilizadaspreviamenteenlasbasesde datostradicionalessondifíciles de aplicar
enlossistemasde sensoresdebidoasusrecursoslimitados.Aunque se hanrealizadoesfuerzosparahacerfrente aestas
limitaciones, todavía hay muchos desafíos que deben abordarse para llegar a la mejor solución. Algunos desafíos
identificados se dan a continuación:
En primer lugar, en estos sistemas en tiempo real, la restricción de tiempo es muy delicada, especialmente para
consultas de larga ejecución y consultas instantáneas. La mayoría de las propuestas se basan en el enfoque de
almacenamiento,que,entreotrosinconvenientes,puede causarun retraso en los tiempos de respuesta. Por otro lado,
otras propuestasse centranenel enfoque distribuidoque parece,basadoensumodode acceso(accesodirectoa nodos
sensores),proporcionarpocaayudaenla restricciónde tiempo,sinembargocon cierto riesgo porque puede haber una
falla repentina de los sensores (de acuerdo con el entorno inestable). Esto puede llevar a un retraso o falta de
informaciónque influyeenel tiempode análisisoinclusoenel bloqueodel sistema.Porlo tanto, se puede optar por un
enfoque híbridoque permita que una u otra solución dependa de los requisitos de la aplicación que es el origen de la
consulta.Esta solucióntendráencuentatantolaslimitacionesde tiempocomoel riesgo de fallas. Además, la conexión
de la reddel sensorinalámbrico e Internet probablemente provocará que el sistema del sensor esté sujeto a una gran
cantidad de consultas. Por lo tanto, el sistema debe tener en cuenta la escalabilidad.
En los sistemas de gestión de datos, la inclusión de metadatos que den las características de los datos es esencial.
Aunque algunas propuestas lo incluyen en sus soluciones, no es suficiente. Por lo tanto, estas soluciones se pueden
revisar y mejorar para una mejor gestión de metadatos a fin de tener un enrutamiento rápido y preciso.
Otra cosa a considerar es la gestión de consultas simultáneas. De hecho, los sistemas conectados a una base de datos
suelen estar sujetos a numerosas consultas, especialmente para consultas. Por lo tanto, una buena política de
optimización de consultas múltiples sería un buen negocio.
Finalmente,ensistemasentiemporeal,paraalgunas aplicaciones,laprecisiónde losresultadospuede sacrificarse para
reducir el tiempo de respuesta. Por lo tanto, uno puede pensar en un enfoque que permita una aproximación de la
respuesta de las consultas.
5. Conclusiones y próximos trabajos
Los sistemas de sensores ofrecen nuevas oportunidades para crear aplicaciones que tienen información y control en
áreas que anteriormenteeranmuydifícilesoinclusoaccesibles. Después de la adquisición de la información, aumenta
un problemaimportante de almacenamientoyexplotaciónde datos,especialmente parael sistemaque tratade tiempo
real. Los investigadores han contribuido más en la construcción del edificio específico, lo que no es fácil porque las
técnicasde gestiónde datosutilizadasenlasbasesde datostradicionalesgeneralmente nosonadecuadaspararedesde
sensores debido a sus especificidades.

Este trabajo ha revisado las diversas soluciones para gestionar datos de sensores en tiempo real. Para ello, se ha
realizado una encuesta de las propuestas más antiguas a las más recientes en esta área y está particularmente
interesada en las diversas etapas de almacenamiento, procesamiento y optimización de consultas en tiempo real
requeridas por las aplicaciones en tiempo real.
Muchas propuestas se basan en el enfoque de almacenamiento, considerando todos los tratamientos en la base de
datoscentralizada.Otraspropuestasutilizanunenfoquedistribuido, considerando los nodos del sensor como parte de
la base de datos. Ambos tienen ventajas y desventajas, como se describió anteriormente.
Al final de este análisis,se puede decirque unasolución que optimiza el procesamiento de consultas en tiempo real al
tiempoque garantizaladisponibilidad de datos en caso de falla es muy importante en la gestión de datos de sensores
entiemporeal.Porlotanto, unenfoque híbridopuede ayudaralidiarconestosdosdesafíos.Además,por el momento,
no hay una propuesta que tenga instalaciones incorporadas para responder preguntas aproximadas. El diseño de un
marco que tenga en cuenta estas especificidades puede satisfacer las necesidades de las aplicaciones en tiempo real
basadas en WSN.
En trabajos futuros, utilizaremos un modelo de alto nivel como redes de Petri bien formadas estocásticas (SWN) para
estudiar y analizar esta red de sensores inalámbricos. SWN es una herramienta poderosa y precisa para modelar
sistemas complejos con simultaneidad, sincronización y cooperación. Los índices de rendimiento refinados de WSN
(procesamientode consultasentiemporeal,disponibilidad y tiempo de respuesta de los sensores) pueden obtenerse
por simulación o por computación exacta.

Arp

Más contenido relacionado

Similar a Arp

Más de diiegollp

Arp