Self-Healing

Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Fault Inference Sergio Dı́az Fault Inference Sergio Dı́az Fault Inference Masses Comparación Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Tres pasos de la autocuración Anteriormente el proceso de Recolectar Información estaba separado del proceso de la Inferencia de fallas. Lo anterior genera dos situaciones: Hace falta información y No se puede hacer inferencia precisa. Se envı́a información redundante que no es necesaria para el proceso de Inferencia. Sergio Dı́az Fault Inference Masses Comparación Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Self-Healing Diagrama General Probabilistic Inference Models: “Almost any task requiring that conclusions be drawn from uncertain clues and incomplete information” Belief Networks Bayesian Inference Markov Networks Sergio Dı́az Fault Inference Masses Comparación Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Directional Diagnosis for Wireless Sensor Networks - (DID) Overview DID Pasos: El nodo guarda en cache información de la comunicación. Cuando el sink detecta que un nodo no está enviando suficientes paquetes de datos, entonces solicita información. Luego, el sink construye la topologı́a actual de esa región y su modelo de inferencia. Después, el modelo de inferencia solicita más información o entrega el reporte de fallas. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Directional Diagnosis for Wireless Sensor Networks - (DID) Overview DID Belief Network: Da como salida la posterior probability of the failures. Iterativo: solicita más información, y da una mejor probabilidad. Cuadros de color negro son las causas. Cuadros de otros colores son los sintomas. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Kuiper Test and Autoregressive model-based approach for Wireless Sensor Network Fault Diagnosis Overview Métrica: Data Travel Time (TT) 1. The time required for the data packet transmitted from source nodes to the sink. 2. TT is a random variable. Detectar Falla: Cuando se demoran más en llegar los paquetes, entonces se detecta una falla. 1. Falla: El paper evalua congestión y nodos dañados Idea General: Comparar el estado Saludable de la red con el estado actual. Si son muy diferentes, entonces hubo una falla en la red. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Kuiper Test and Autoregressive model-based approach for Wireless Sensor Network Fault Diagnosis AR Model AR Model: Filtro de Predicción lineal. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Kuiper Test and Autoregressive model-based approach for Wireless Sensor Network Fault Diagnosis AR Model Kuiper Test: Statistical method used for determining if two given distributions are similar or significantly different 1. The maximum value of the absolute difference between the CDFs Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas Agnostic Diagnosis: Discovering Silent Failures in Wireless Sensor Networks Overview AD: Is motivated by the fact that the system metrics usually exhibit certain correlation patterns Then, violation of such patterns indicate potential silent failures ¿Qué es una red sana? Un nodo sano es aquel que cumple con cierto patrón de correlaciones entre sus métricas. El paper toma 22 métricas sobre Tiempos, Tráfico, Tareas, Otras. Luego, las correlaciona y saca el graficos sobre la correlación. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Agnostic Diagnosis (AD) Overview Cada fila representa una métrica (e.g. # paquetes transmitidos) y cada columna representa otra métrica (e.g. # de tareas ejecutadas ) Blanco: Correlación Fuerte Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Agnostic Diagnosis (AD) Overview Interesante: Gráficas a y b son para periodos de tiempo diferentes para el nodo 2, aún ası́ las gráficas son muy similares. Interesante: Gráficas d y e son para nodos diferentes para el mismo periodo de tiempo, aún ası́ las gráficas son muy similares. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Agnostic Diagnosis (AD) Overview Cuando el nodo está defectuoso las gráficas de correlación son muy diferentes, gráficas c comparada con a-b y gráficas f comparada con d-e Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Agnostic Diagnosis (AD) Overview Luego, el paper compara las gráficas de correlación temporales (En diferentes periodos de tiempo) usando la técnica CUSUM (Cumulative Sums Calculation) y las gráficas espaciales (En diferentes nodos) usando la técnica PCA (Principal Component Analysis). El paper detecta los nodos defectuosos. Sin embargo, no clasifica el tipo de falla. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas FDS: Fault Detection Scheme for Wireless Sensor Networks Overview Detecta nodos defectusos usando dos pasos: Paso 1: Cada nodo calcula la probabilidad de que este defectuoso dado que tiene cierto nivel de energı́a y datos medidos. Paso 2: Cada nodo envı́a al CH esta probabilidad en diferentes instantes de tiempo, si la probabilidad se incrementa repentinamente el CH decide que el nodo está defectuoso. Sergio Dı́az Fault Inference Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación FDS Clasificador Bayesiano C es la clasificación asignada: Nodo defectuoso o sano. X1,...,X2 Son variables aleatorias para clasificar el nodo. En este paper usan la energı́a restante y los datos medidos. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación FDS Clasificador Bayesiano La imagen presenta la Red Bayesiana usada en el paper. Y el cálculo de probabilidad para un nodo defectuoso. La desventaja del paper es que no dice que valores asume para la probabilidad de que el nodo tenga cierto nivel de energı́a o la probabilidad de que se presenten ciertos datos. Otra desventaja es que asume que el nivel de energı́a restante es independiente de los datos medidos. Otra desventaja es que solo tiene en cuenta dos métricas. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación LD2 Sherlock is around: Detecting Network Failures With Local Evidence Fusion (LD2) El argumento del paper es el siguiente: Sink-based approaches: Ya se han hecho sink-based approaches para detectar fallas en la red. Lo malo es que gastan mucha energı́a al enviar la información al sink. Además, es difı́cil obtener información de una región que está fallando. Node-based approaches: Ya se han hecho node-based approaches, donde un único nodo ejecuta un modelo de inferencia basándose en los parámetros propios y de sus vecinos. Sin embargo, un único nodo no tiene una visión global de la red para dar un diagnóstico preciso. Local-based approaches: El paper propone hacer un diagnóstico en una región de la red. Para ello, propone hacer un árbol donde el nodo root es quien detectó la falla. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación LD2 Sherlock is around: Detecting Network Failures With Local Evidence Fusion (LD2) Para detectar una falla cada nodo tiene unos thresholds, donde si los parámetros bajan de cierto valor, entonces se dispara el algoritmo LD2 (Hacer el fusion tree). El nodo root (quien detecto la falla) y sus vecinos envı́an sus parámetros a los nodos hijos para hacer una inferencia de ¿Donde está la falla? Luego, los nodos hijos hacen la inferencia de dónde posiblemente está la falla y envı́an los resultados a sus padres. El resultado total converge en el nodo root. En conclusión: By constructing a fusion tree, each node summarizes the evidences of its child nodes, such that the contribution of each node converges on the root node. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Novel Paradigm for Constructing Masses in Dempster-Shafer Evidence Theory for Wireless Sensor Network’s Multisource Data Fusion Overview El paper determina si un transformador de la red eléctrica está bueno o dañado según la medida de 5 tipos de gases H2 , CH4 , C2 H6 , C2 H4 , C2 H2 El paper es interesante porque unifica las 5 medidas de los gases en una única métrica . Se clasifica la falla del transformador en 3: Normal State (No), Temperature fault (Te), discharge fault (Di). Los resultados del paper se pueden extrapolar para clasificar si una red está defectuosa o no según Diferentes variables: delay, congestion, tráfico, paquetes perdidos. Ya que todas estas métricas se unifican en una sola. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Novel Paradigm for Constructing Masses in Dempster-Shafer Evidence Theory for Wireless Sensor Network’s Multisource Data Fusion Overview La métrica unificada es la probabilidad de que el transormador esté en un estado o en otro. Entre [0-10] el transformador estaba sano, por lo tanto, la probabilidad de que esté en el estado Normal State (No) es alta. Entre [11-20] el transformador estaba con fallas de temperatura, por lo tanto, la probabilidad de que esté en el estado Temperature Fault (Te) es alta. Entre [21-30] el transformador estaba con fallas de voltaje, por lo tanto, la probabilidad de que esté en el estado Discharge Fault (Di) es alta. Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Novel Paradigm for Constructing Masses in Dempster-Shafer Evidence Theory for Wireless Sensor Network’s Multisource Data Fusion Cómo se hace? Se hace 2 pasos fundamentales: Paso 1, Mahalanobis Distance (MD): MD is used to measure the similarity between an object and a class (No, Te, Di). Paso 2, Transfering MD to mass: A long MD corresponds to a low belief assignment (baja probabilidad), and a short MD means a large belief assignment (alta probabilidad). Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Novel Paradigm for Constructing Masses in Dempster-Shafer Evidence Theory for Wireless Sensor Network’s Multisource Data Fusion Es más útil usar muchas variables. El paper concluye que el algoritmo es más preciso determinando el estado del transformador cuando se usan 5 gases que cuando se usa 1. De la misma forma, extrapolandolo a una red, serı́a más preciso determinar si una red está sana o no usando muchas variables (Delay, número de paquetes, RSSI, etc.) Sergio Dı́az Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Comparación Fault Inference Table: Comparación Fault Inference Detección Falla Mechanismo Usado DID < Threshold Datos Belief Network Encuentra Causas de la Falla AR Model Comparar PDF healthy and Faulty AR Model - Kuiper Test Solo dice si la red esta dañada Ventajas Pide + información solamente si la necesita Caracteriza/modela a la red saludable Ventajas Encuentra las causas de las fallas Es robusto respecto a outliers Desventajas No es robusto respecto a outliers Trabajo Futuro Descentralizado Considerar otras excepciones aparte de < Thr. Datos Sergio Dı́az Fault Inference No clasifica la falla Determinar el # de nodos dañados Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Comparación Fault Inference Table: Comparación Fault Inference Detección Falla Agnostic Diagnosis Cambio en el patrón de correlación de métricas FDS Probabilidad de que el nodo este defectuoso dados ciertos niveles de energı́a y mediciones de la variable de interés. Mechanismo Usado Correlación entre métricas Comparar Correlaciones: CUSUM y PCA Clasificador Bayesiano Ventajas No establece reglas predeterminadas (No establece a priori como deberı́a ser el patrón de correlaciones) Explica claramente el Clasificador Bayesiano para WSN Ventajas Dado que el patrón de correlación se contruye online, la técnica aplica para nodos con diferentes roles Desventajas Es necesario enviar las 22 métricas al sink No clasifica la falla. Trabajo Futuro Hacerlo Descentralizado Sergio Dı́az No clasifica la falla. Solo tiene en cuenta dos métricas. Considera independientes las métricas. No dicen de donde sacan valores básicos de probabilidad. Hacerlo con más de 2 métricas y no asumir independencia Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Comparación Fault Inference Table: Comparación Fault Inference Detección Falla Mechanismo Usado Masses Mahalanobis Distance Calcula la Distancia de Mahalanobis. Transforma esa distancia en la probabilidad de que el nodo esté fallando Ventajas No define reglas a priori Ventajas El computo es ligero y se implementa en nodos Desventajas – Trabajo Futuro El paper propone trabajos futuros, pero no son cercanos a ésta investigación LD2 Threshold en un nodo Hacer un Fusion Tree para hacer que la informacion de la region converja en el nodo root. Dempster-Shafer theory: Para fusionar la información. No es centralizado Usa la información de una región para deducir la falla Usa un threshold para iniciar el algoritmo LD2 (Construir el fusion tree) Sergio Dı́az – Fault Inference Notas Self-Healing DID AR Model Agnostic Diagnosis FDS LD2 Masses Comparación Notas o Apuntes Kuiper Test and Autoregressive model-based approach for Wireless Sensor Network Fault Diagnosis: El paper no tiene en cuenta la localización de los nodos cuando saca la distribución de probabildad del delay. Sergio Dı́az Fault Inference Notas