Mobile Data Stream Mining: From Algorithms to Applications

Abstract

This paper presents an overview of the current state-of-the-art in mobile data stream mining. This area of mobile data stream mining is significant for a number of new application domains such as mobile crowd sensing and mobile activity recognition. The paper presents the strategies and techniques for adaptation that are essential in order to perform real-time, continuous data mining on mobile devices. We present an overview of the algorithms research in this area. Finally, we discuss the key toolkits, systems and applications of mobile data stream mining.

Detecção Móvel E Online De Anomalia Em Múltiplos Fluxos De Dados: Uma Abordagem Baseada Em Processamento De Eventos Complexos Para Detecção De Comportamento De Condução

“…No entanto, alguns dispositivos móveis utilizados na IoT possuem capacidade de armazenamento (memória disponível) e processamento limitados [13] e, geralmente, os algoritmos de detecção de anomalias são projetados para serem executados em computadores com grande poder computacional a partir de grandes datasets, constitui-se um desafio adaptá-los às restrições dos dispositivos [14], [15]. Este desafio torna-se ainda mais complicado em um cenário cujo fluxo de dados de múltiplos sensores (i.e., múltiplos fluxos de dados) precisa ser processado em paralelo, em um dispositivo com recursos limitados.…”

“…Neste contexto, a mineração do fluxo de dados móveis aparece como uma técnica chave [15] para análise em tempo real dos fluxos de dados gerados por sensores do próprio dispositivo móvel e por sensores que estão nas proximidades.…”

“…Este problema refere-se à encontrar padrões nos dados que não estão em conformidade com (ou desviam suficientemente de) comportamentos esperados [14], [26], por exemplo, mudanças repentinas de faixas e frenagens bruscas. Embora a detecção de anomalia tenha sido amplamente estudada, não têm havido muitos trabalhos de pesquisa na detecção de anomalia em fluxos de dados [15], [20], [21]. Até o momento, baseado em uma revisão quase-sistemática da literatura, não foram encontradas soluções para o problema da detecção online de anomalias em fluxos de dados de dispositivos móveis com limitação de recursos (em contraste com recursos virtualmente ilimitados do ambiente em nuvem) através do processamento de eventos complexos.…”

“…Recentemente, técnicas de descoberta de anomalias em fluxo de dados móveis tem sido adotada em várias aplicações emergentes, tais como mobile crowd sensing, mobile activity recognition, intelligent transportation systems e mobile healthcare [15], pela necessidade de processamento em tempo real do fluxo de dados gerados pelos sensores de dispositivos móveis e pelos sensores que estão nas proximidades destes. Neste contexto, a adaptação dos algoritmos clássicos de detecção de anomalias para operar sobre fluxo de dados de dispositivos móveis é um desafio, visto que: (i) a detecção em fluxo de dados está restrita a uma janela de tempo; (ii) acessos aleatórios aos dados dos sensores não são possíveis; (iii) o algoritmo precisa adaptar-se aos dados disponíveis e (iv) padrões devem ser descobertos preferencialmente com uma única análise sobre o fluxo dados [15], [19], [32].…”

“…Neste contexto, a adaptação dos algoritmos clássicos de detecção de anomalias para operar sobre fluxo de dados de dispositivos móveis é um desafio, visto que: (i) a detecção em fluxo de dados está restrita a uma janela de tempo; (ii) acessos aleatórios aos dados dos sensores não são possíveis; (iii) o algoritmo precisa adaptar-se aos dados disponíveis e (iv) padrões devem ser descobertos preferencialmente com uma única análise sobre o fluxo dados [15], [19], [32]. Além disto, os autores em [14] destacam outros fatores que tornam o problema de detecção de anomalia um problema ainda mais complexo:…”