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