PPGCC - Programa de Pós-graduação em Ciência da Computação

URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/596

Navegar

Filtros

2013 - 20203

Configurações

Assunto: search.filters.subject.Computação móvel

Resultados da Pesquisa

Agora exibindo 1 - 3 de 3
  • Nenhuma Miniatura Disponível
    Item
    Gathering data in wireless sensor networks by drone.
    (2020) Rezende, Josiane da Costa Vieira; Souza, Marcone Jamilson Freitas; Silva, Rone Ilídio da; Souza, Marcone Jamilson Freitas; Teixeira, Fernando Augusto; Coelho, Igor Machado; Ochi, Luiz Satoru; Penna, Puca Huachi Vaz; Coelho, Vitor Nazário; Silva, Rone Ilidio da
    The benefits of using mobile sinks or data mules for data collection in Wireless Sensor Network (WSN) have been studied in several studies. However, most of them consider only the WSN limitations and sensor nodes having no more than one data packet to transmit. This paper considers each sensor node having a relatively larger volume of data stored in its memory. That is, they have several data packets to send to sink. We also consider a drone with hovering capability, such as a quad-copter, as a mobile sink to gather this data. Hence, the mobile collector eventually has to hover to guarantee that all data will be received. Drones, however, have a limited power supply that restricts their flying time. Hence, the drone’s energy cost must also be considered to increase the amount of collected data from the WSN. This work investigates the problem of determining the best drone tour for data gathering in a WSN. We focus on minimizing the overall drone flight time needed to collect all data from the WSN. We propose an algorithm to create a subset of sensor nodes to send data to the drone during its movement and, consequently, reduce its hovering time. The proposed algorithm guarantees that the drone will stay a minimum time inside every sensor node’s radio range. The computational experiments showed that our proposal significantly outperforms the state-of-the-art methods in finding drone tours in this type of scenario.
  • Nenhuma Miniatura Disponível
    Item
    GLUE : um modelo de Clusterização utilizando mobilidade.
    (2013) Silva, Fernando Augusto Medeiros; Oliveira, Ricardo Augusto Rabelo
    O uso de clusters em MANETs é comum em situações de roteamento e entrega de conteúdo. O aumento do uso de smartphones com suporte a comunicação ponto a ponto, em especial o WiFi Direct, justifica o uso de algoritmos de clusterização adaptados a esses dispositivos e seus casos de uso. Em um cenário de turistas utilizando smartphones em visitação a pontos de interesse, podemos esperar comportamentos de cooperação entre os usuários. Nós propomos um algoritmo de clusterização que se utiliza do padrão de mobilidade apresentado por esse cenário. O GLUE utiliza a informação de movimentação para a formação quanto para a manutenção de Clusters de dispositivo. Diferente dos métodos analisados, nosso método provê suporte a fusão de clusters e reafiliação baseada no histórico de mobilidade dos nós. Realizamos experimentos medindo o número de clusters formados e estabilidade em cenários com 30, 60 e 90 nós com padrão de mobilidade RWP, RPGM e combinação dos dois. Demonstramos a superioridade do nosso método na relação menor número de clusters/estabilidade nos cenários com padrão RPGM e RPGM com RWP.
  • Nenhuma Miniatura Disponível
    Item
    Twittraffic : uma plataforma de monitoração, visualização e identificação de ocorrências no trânsito.
    (2013) Franco, Lucas Schmidt Corrêa; Oliveira, Ricardo Augusto Rabelo
    Atualmente, o trânsito e um dos fatores mais críticos da mobilidade urbana nas grandes cidades. Nesta perspectiva, o presente trabalho propõe a Twittraffic: uma plataforma de monitoração, visualização e identificação de ocorrências no trânsito em tempo real. Além disso, a plataforma permite o compartilhamento das informações na rede social Twitter de forma pervasiva e colaborativa. Foram descritas análises e métodos de avaliação através de estudos e observações realizados sobre o trânsito, baseado nas informações e integrações da rede social Twitter e sensores veiculares. Ao final da análise e tratamento dos dados coletados, foi possível l traçar o perfil do trânsito das cidades estudadas (São Paulo, Rio de Janeiro e Belo Horizonte), identificando características como velocidade média, horário, local (vias), dias da semana e meses em que há mais ocorrências de trânsito.