I arbeidet med å utvikle effektive IoT-løsninger for overvåkning av miljøparametere som vannkvalitet, er det flere tekniske utfordringer som må adresseres. En av de mest relevante utfordringene er hvordan forskjellige miljøfaktorer, spesielt bevegelse i vann, påvirker ytelsen til de trådløse sensorene. I denne sammenhengen har eksperimenter vist at sensorene kan organiseres for å danne et robust trådløst nettverk, men ytelsen varierer betydelig avhengig av de omgivende forholdene.

For å minimere risikoen for ytelsesproblemer, har man brukt vanntette marineantenner som er kompatible med radioenes RF-front. Dette gjør det mulig å beskytte elektronikken mot fuktighet, men spørsmålet om hvorvidt de vanntette boksene kan kompenserer for de negative effektene av ekstreme temperaturer og høy luftfuktighet, krever ytterligere eksperimentering. I de første eksperimentene ble sensorene plassert i åpne bokser, noe som gjorde at varme kunne forlate boksene naturlig, og elektromagnetiske signaler kunne spre seg relativt fritt. I de påfølgende eksperimentene ble sensorene plassert i vanntette bokser for å undersøke effekten av ekstreme værforhold.

Resultatene fra disse eksperimentene har vært interessante. Under forhold med lite sollys, som tidlig på morgenen eller sent på ettermiddagen, var det ikke merkbare forskjeller mellom sensorene i åpne bokser og de i vanntette bokser. Dette skyldes at temperatur- og fuktighetsnivåene ikke var ekstreme. Derimot, når solens intensitet var på sitt høyeste, ble ytelsen til sensorene i de åpne boksene betydelig forringet. Nettverkene led av høy packet-tap, og noen noder kunne ikke fungere skikkelig, noe som førte til nettverksfragmentering. Derimot viste det seg at de vanntette boksene bidro til å beskytte sensorene både mot vann og mot ekstreme temperaturer. Dette medførte en konstant forbedring av ytelsen uavhengig av værforholdene.

En annen viktig oppdagelse var at alle nettverkene ble påvirket av vannets bevegelse. Bevegelsen forverret ikke bare svingninger i linkkvaliteten, men endret også kontinuerlig topologien til nettverket. Dette førte til forsinkelser i pakkeoverføringer, høyere packet-tap og økt retransmisjonskostnad. Bevegelsene i vannet endret signifikant signalstyrken som ble mottatt av noderne, og dette ble målt som endringer i RSSI (Received Signal Strength Indicator) verdier, som illustrert i de eksperimentelle dataene. Det ble tydelig at vannbevegelse skapte både kortvarige og langvarige fluktuasjoner i signalstyrken, noe som betydde at radiosignalene kunne variere betydelig, selv mellom noder som var nær hverandre.

I tillegg til miljømessige faktorer har systemarkitekturen en avgjørende rolle i å håndtere disse utfordringene. Ved å utvide 6LoWPAN-arkitekturen for å opprettholde et fullt tilkoblet nettverk, inkludert komponenter som link-kvalitetsvurdering, justering av overføringsstyrke og mobilitetsmodeller, kan systemet tilpasses dynamiske endringer i linkkvaliteten forårsaket av bevegelsen i vannet. Den implementerte mobilitetsmodellen benytter seg av Kalman-filteret for å forutsi endringer i RSSI basert på historiske data, og dermed tilpasse overføringsstyrken for å kompensere for fluktuasjoner i signalstyrken.

Videre er det viktig å forstå at den effektive tilpasningen av overføringsstyrken er en kritisk faktor for å opprettholde stabile tilkoblinger. Dette kan gjøres ved å tilpasse overføringsstyrken i flere trinn, som for eksempel ved å bruke et trinnvis nivå på opptil 7 dBm for å oppnå en stabil kobling selv når signalstyrken varierer betydelig. Dette kan gjøre det mulig å håndtere utfordringene forårsaket av vannbevegelse, og sikre en pålitelig dataoverføring i miljøer der linkkvaliteten kan variere.

Det er viktig å merke seg at disse eksperimentene kun gir et glimt av de potensielle utfordringene og løsningene som finnes når man arbeider med IoT-applikasjoner for miljøovervåkning. Vannbevegelse er en variabel som kan påvirkes av mange faktorer, inkludert værforhold, tid på dagen og geografisk beliggenhet. I tillegg til tekniske løsninger som justering av overføringsstyrke, er det også viktig å vurdere hvordan slike systemer kan skaleres, og hvordan de kan tilpasses ulike miljøer og bruksområder for å maksimere deres pålitelighet og ytelse.

Hvordan sikre energigjerrige sensornettverk mot bysantinske angrep?

De siste årene har trådløse kommunikasjonsnettverk utviklet seg til å bli et av de mest brukte rammeverkene for kommunikasjon mellom enheter og nettverk. Mange applikasjoner som overvåkning i militæret, autonome kjøresystemer og smarte hjem har nytte av trådløse sensornettverk (WSN). Ett viktig aspekt ved designet av slike nettverk er den begrensede energikapasiteten. Reduksjon i energiforbruket forårsaket av radiosendinger er avgjørende for bærekraft og lang levetid for WSN, ettersom radio kommunikasjon er den største energiforbrukeren i nettverket. Energien som brukes på radiooverføring er i stor grad avhengig av mengden data som sendes gjennom nettverket. Ved å redusere mengden data som sendes og optimalisere kommunikasjonens prosesser, kan man oppnå energieffektivitet.

Et konkret eksempel på hvordan man kan oppnå energieffektivitet, finnes i metodene som inkluderer datakomprimering, strømsparingsmoduser og effektive rutingalgoritmer. Forskningen har fremmet flere lovende rammeverk for å forbedre energieffektiviteten til WSN-er, som sensurering, ordnet overføring og komprimerende sansemetoder (f.eks. Baraniuk, 2007; Appadwedula et al., 2008; Blum og Sadler, 2008; Candès og Wakin, 2008). Energieffektivitet kan oppnås ved enten å redusere antallet overføringer i nettverket (for eksempel sensurering og ordnet overføring) eller ved å komprimere dataene som sendes av sensorene (for eksempel kvantisering og komprimerende sansemetoder).

Dette kapittelet omhandler sikkerhetsperspektivene ved en spesiell energieffektiv ramme, nemlig ordnet overføring (OT). I OT-baserte systemer oppnås energieffektivitet ved å unngå overføring av mindre informativ data. Sikkerhetstrusselen vi er spesielt interesserte i her, er bysantinske angrep, som representerer en av de mest alvorlige truslene mot WSN-er. Ved bysantinske angrep kan en del av sensorene i nettverket bli kompromittert og fullstendig kontrollert av motstandere, mens fusjonsenteret (FC) ikke kjenner til hvilke sensorer som er ondsinnede. Dette kan føre til at sensorer med onde intensjoner sender korrupte data, som kan forringe systemets ytelse betydelig.

I litteraturen er det blitt foreslått ulike forsvarsmekanismer for å motvirke bysantinske angrep og forbedre den samlede systemytelsen. Men utfordringen i OT-baserte rammeverk ligger i at kun en del av sensorene sender data til fusjonsenteret under hver beslutningsintervall. Siden fusjonsenteret ikke mottar data fra alle sensorene kontinuerlig, kan det ikke fullt ut lære oppførselen til hver enkelt sensor. Dette gjør det vanskeligere å oppdage og reagere på bysantinske angrep.

OT-metoden medfører en spesiell utfordring når det gjelder å detektere feil og motvirke angrep i sanntid. Dette skyldes at sensorene som sender mindre informativ data, samtidig kan være de som er mest utsatt for manipulering. Angripere kan utnytte dette ved å få kontroll over disse sensorene og sende forfalskede meldinger som ikke nødvendigvis vil bli oppdaget av fusjonsenteret. Et effektivt forsvar mot slike trusler krever nøye overvåking og analyse av nettverksdata, selv når bare en begrenset mengde informasjon sendes.

En strategi for å motvirke slike angrep kan inkludere overvåkning av uvanlige mønstre i dataene som sendes over tid. Dette kan innebære at man implementerer avanserte statistiske metoder og algoritmer for å oppdage avvik i nettverket. Ved å analysere dataene som sendes fra de forskjellige sensorene, kan man identifisere anomalier som kan indikere kompromitterte sensorer.

I tillegg er det viktig å merke seg at energiforbruk ikke kun handler om å redusere dataoverføring, men også om å designe smarte beslutningssystemer som kan tilpasse seg dynamiske forhold i nettverket. Dette kan bety at nettverket aktivt justerer hvilke sensorer som blir brukt til å samle informasjon, basert på tilgjengelig energi og potensialet for angrep. Slike tilpasninger kan redusere risikoen for at bysantinske angrep får stor innvirkning på systemets ytelse.

Det er også viktig å forstå at WSN-er ikke er immune mot andre typer angrep, som for eksempel DoS (Denial of Service) eller DDoS (Distributed Denial of Service) angrep, som også kan ha alvorlige konsekvenser for systemene som er avhengige av sensornettverk. Derfor må sikkerhetsstrategiene for WSN-er være helhetlige og omfatte både beskyttelse mot bysantinske angrep, samt andre typer trusler som kan oppstå i et dynamisk og distribusjonssystem.

Hvordan analyseres og behandles hydrauliske data i et vannforsyningsnettverk?

I denne casestudien fokuserer vi på et vannforsyningsnettverk (WDN) i Stockholm, Sverige, hvor målinger av vanntrykk og vannstrøm er samlet fra flere pumpestasjoner under både normale og feilsituasjoner, for eksempel lekkasjer. Disse målingene ble gitt av selskapet Stockholm Vatten och Avfall (SVOA), som kontinuerlig har lagret nye observasjoner fra systemet.

I denne analysen er det spesielt interessant å studere hvordan forskjellige driftsforhold, som lekkasjer, kan påvirke de hydrauliske målingene i et vannforsyningsnettverk. Gjennom en grundig evaluering av dataene som stammer fra ulike pumpestasjoner, kan vi forstå hvordan disse forholdene manifesterer seg i dataene og hvordan man kan bygge prediktive modeller for å oppdage slike feil.

Vannforsyningsnettverket som analyseres i Stockholm består av flere distriktsmålesoner (DMA), og den aktuelle analysen fokuserer på en DMA i et boligområde med fire pumpestasjoner. Denne sonen har ikke noen vanntanker eller reservoarer, og befolkningen i området er på 70 250 innbyggere. Dataene som ble delt med oss, representerer målinger av vanntrykk og strøm fra januar 2018 til mars 2019. Dette gir oss et bredt spekter av data under normale forhold så vel som under feilforhold som lekkasjer.

En av hovedutfordringene som oppstår ved analyse av slike datasett, er at det finnes en betydelig ubalanse i observasjonene, hvor de fleste dataene stammer fra normale driftsforhold. For eksempel, som vist i tabell 12.1, ble det observert 394 dager med normale forhold og bare 54 dager med lekkasje. Denne ubalansen må tas i betraktning når man utvikler modeller for å oppdage feil.

Målingene som er samlet fra pumpene, blir registrert som trykk og strøm data for hver dag, med en prøvetakingsfrekvens på ett minutt. En dag med målinger fra en enkelt pumpe kan dermed representeres av 1440 datapunkter for både trykk og strøm. Etter at de rådataene er behandlet, er det viktig å kartlegge dataene på en måte som gjør det mulig å bruke dem i en prediktiv modell, og her kommer funksjonsuttrekkelse (feature extraction) inn i bildet.

Funksjonsuttrekkelse er en teknikk der man tar de rå dataene og transformerer dem til en mer brukbar form for analyse. I denne studien benyttes kanonisk diskriminantfunksjon for å oppnå lineære kombinasjoner av variablene som best beskriver forskjellene mellom klassene, det vil si normale og unormale forhold. Denne prosessen involverer flere trinn, som beskrevet i metoden, hvor først målesignaler fra hver pumpe separeres etter driftsforholdene, deretter beregnes spredning innenfor gruppene og mellom gruppene, og til slutt brukes de beregnede egenvektorene til å projisere dataene på et nytt sett med variabler som kan brukes til videre analyse.

Det som er spesielt utfordrende i denne typen dataanalyse er at dataene kommer fra ulike kilder, det vil si de forskjellige pumpestasjonene, og derfor har de forskjellige datasett forskjellige distribusjoner. Denne variabiliteten i dataene gjør det nødvendig å bruke distribuerte analysemetoder for å oppnå nøyaktige resultater.

Videre må man være klar over at de hydrauliske dataene ikke alltid er perfekte og kan inneholde feil som manglende verdier. I vårt tilfelle ble det identifisert 7 dager med betydelige manglende verdier som ble utelatt fra analysen for å sikre at de resterende dataene var representative.

Det er også viktig å merke seg at mens de fleste av de rådataene er relatert til normale driftsforhold, kan lekkasjer, som utgjør en liten del av observasjonene, ha en stor påvirkning på hvordan dataene tolkes. For å utvikle nøyaktige modeller for lekkasjedeteksjon må vi forstå hvordan disse feilene manifesterer seg i dataene, og hvordan vi kan utnytte funksjonsuttrekkelse for å finne subtile forskjeller mellom normale og unormale forhold.

Et viktig aspekt som kan forbedre analysen, er å integrere mer dynamiske metoder for feilprediksjon, som kan identifisere tidlige tegn på lekkasjer i vannforsyningssystemet før de blir alvorlige. Denne tilnærmingen kan inkludere maskinlæringsmetoder som kontinuerlig lærer av nye data og gir nøyaktige prediksjoner for systemets tilstand.

For videre forbedring er det også nødvendig å vurdere andre miljø- og operasjonelle faktorer som kan påvirke vannstrømmen og trykket, som værforhold eller uventede hendelser i systemet. En helhetlig tilnærming som kombinerer flere datakilder, for eksempel værdata, kan gi et mer robust bilde av nettverkets tilstand.

Hvordan Kan Vi Påvise Kollektiv Rasjonalitet i Multi-Objektiv Optimalisering av UAV-nettverk?

I studier av multi-objektiv optimalisering står vi overfor det utfordrende spørsmålet om hvordan vi kan forstå og påvise kollektiv rasjonalitet innenfor et sett med handlinger utført av flere agenter i et system. Når vi arbeider med slike problemstillinger, for eksempel i konteksten av UAV-nettverk og radarsystemer, er det viktig å definere hvordan hver agents handlinger påvirker både deres egne utfall og det samlede systemets effektivitet. I denne sammenhengen er målet å finne et sett med individuelle handlingsvalg som kollektivt maksimerer et felles sett av mål, i tråd med prinsippene for multi-objektiv optimalisering.

En av de mest grunnleggende formene for multi-objektiv optimalisering, spesielt i sammenheng med kollektiv rasjonalitet, innebærer at hver agent (i vårt tilfelle UAV-er) tar beslutninger som maksimerer deres individuelle nytte, samtidig som de underlegges en felles restriksjon som gjelder for alle agenter. Dette kan uttrykkes som et matematisk problem der vi søker etter løsninger som oppfyller betingelsen om kollektiv rasjonalitet. Formelt beskrives dette som å finne en sett av handlinger 𝛽i t for hver agent, som maksimerer en individuell nyttefunksjon Ui(𝛾i), underlagt en lineær restriksjon som binder sammen handlingene til de forskjellige agentene, i form av en felles mengde av systemer.

En form for kollektiv rasjonalitet kan vises å være konsistent med den multi-objektive optimaliseringens rammeverket som kan oppnås ved å analysere om det finnes sett av nyttefunksjoner som fornuftig representerer de handlingene som tas. Når vi ser på datasettet som består av observerte handlinger og systemets respons, kan vi bruke de grunnleggende prinsippene for multi-objektiv optimalisering for å rekonstruere de individuelle nyttefunksjonene som styrer agentenes handlinger. Denne prosessen tillater oss å trekke slutninger om de underliggende distribusjonene av mål i gruppen og kan bidra til å forutsi fremtidig atferd.

En viktig del av arbeidet med å oppnå kollektiv rasjonalitet er å forstå hvordan agentene tilpasser sine handlinger til hverandre for å maksimere den felles nytten på et systemnivå. I et UAV-nettverk, for eksempel, kan agentene ha forskjellige mål og dynamikk, men de kan fortsatt koordinere sine handlinger på en måte som fører til et Pareto-optimal resultat for hele systemet. Dette kan analyseres ved å bruke teknikker som involverer lineære programmering, som gir en praktisk og effektiv metode for å teste om en gitt datasett er i samsvar med kollektiv rasjonalitet. Ved å rekonstruere de nyttefunksjonene som kan "rasjonalisere" datasettet, får vi et kraftig verktøy for å oppdage og forstå samspillene mellom agentene i et mer generelt system.

I forbindelse med UAV-nettverk kan denne tilnærmingen anvendes for å påvise koordinering mellom UAV-er i en radarovervåkingskontekst. Ved å observere hvordan UAV-ene justerer sine manøvrer i respons på radarsignaler, kan vi bruke den multi-objektive optimaliseringens rammeverk til å fastslå om de jobber sammen på en måte som maksimerer felles nytte under visse betingelser. Dette blir spesielt relevant når UAV-er må samarbeide for å oppnå felles mål, som å optimalisere dekkingsområdet, redusere risiko for oppdagelse, eller forbedre total systemytelse.

En konkret implementering innebærer å teste om det finnes en sett av nyttefunksjoner som gjør at handlingene som tas av UAV-ene er Pareto-optimal, gitt en felles restriksjon på deres deteksjonsevne av radaren. I denne sammenhengen er det viktig å forstå at optimaliseringen ikke bare tar hensyn til den individuelle nytten for hver agent, men også til hvordan handlingene til hver agent påvirker de andre agentene, og dermed systemets samlede ytelse.

For å virkelig forstå og implementere kollektiv rasjonalitet i et UAV-nettverk, er det viktig å vite hvordan dynamikken i interaksjonen mellom UAV-er og radarsystemer fungerer. Dette innebærer å modellere hvordan radarsignaler interagerer med UAV-manøvrer og hvordan disse signalene kan brukes til å detektere koordinering mellom agentene. Det er essensielt å erkjenne at interaksjonen skjer på forskjellige tidsskalaer, der den raske tidsskalaen handler om UAV-ens tilstand og målinger, mens den langsomme tidsskalaen reflekterer de beslutningene som tas av UAV-ene over tid for å optimalisere deres kollektive nytte.

I tillegg er det verdt å merke seg at implementeringen av en slik tilnærming til multi-objektiv optimalisering er svært relevant i praktiske scenarier, som for eksempel i taktiske operasjoner der flere UAV-er skal operere sammen for å oppnå et felles mål, som å detektere mål i et overvåkingsområde eller å optimalisere ressursbruken.

Hva er eksistensbetingelser for løsninger til grenseverdi-problemer for nabla fraksjonelle differenslikninger?
Hvordan mediedekning legitimerer ekstremisme og fremmer vold
Hvordan Nitroaromatiske Forbindelser Påvirker Helse og Miljø