Wireless Sensor Network (WSN)s comprise multiple battery powered and wireless networking and sensor based minicomputers called Sensor Node (SN)s. SNs are typically equipped with at least one sensor to autonomously observe the environment by acquiring sensor data that is processed in the embedded hardware of the SNs in order to potentially communicate data to other wirelessly connected SNs of the network. Event Detection is an observing and assessing process of real incidents or phenomena. WSNs have the potential to observe and detect environmental events in order to offer support in safety matters such as Structural Health Monitoring (SHM) to detect e.g. age-related bridge damage, areal overviews to support firefighting operations, or fence monitoring systems to detect intruders. Event detection with WSNs is challenging because events typically cause different measurements at SNs at different locations, but we want a single comprehensive meaning or interpretation as a result. A simple strategy based on redundant data collection makes sense in case of threshold based events such as fire detection, whereas pattern based events like intrusion detection at fences benefit from multiple perspectives on the event. The requirements for event- observing WSNs are in contradiction to their properties, especially if they need to sustain their functionality over a long period and need to deliver accurate event detection while using small and ubiquitous sensor devices with limited energy and limited computational power. This thesis presents a Distributed Event Detection system that shifts the evaluation process of the event data from the Base Station (BS) into the network. This distributed evaluation concept reduces the communication load to one single event notification which leads to an increased lifetime of the most charged SNs as well as the whole network. We introduce two frameworks that help to realize the concept of the Distributed Event Detection, while having the goal to preserve the global event knowledge. The frameworks make this possible by preserving the diverse event perspectives of the SNs despite a necessary data reduction. The Evaluation Framework comprises the automated creation of an event model based on the data of a supervised training to support the transferability of the system on most different applications. The Distributed Event Detection Framework enables real world deployments by implementing the detection system on the SNs that uses the trained model within the wireless network. The SNs affected by the event autonomously exchange event information within the network to cooperatively classify the event. In the end the final decision is made on whether the detected event is worth notifying the BS or any other responsible system for. We present the technical limits for our system by investigating the trade-off between the communication savings to the BS and the increased in-network communication. Compared with other classical information fusion approaches, we can clearly attest an outperforming energy efficiency due to the conceptionally reduced communication. All compared classical information fusion approaches are conceptually reused and modularly extended within the Distributed Event Detection system in order to ensure that our proposed system runs under a non-recommended setup as it can fall back step-wise to the underlying information fusion concepts to support the needs of the application. The proposed Distributed Event Detection System reaches a high event detection sensitivity of more than 80% up to 100% depending on the application. With four real world deployments, we show the functionality, event detection performance, and the application specific lessons learned, which are evaluated in relation to the Distributed Event Detection’s applicability.
Drahtlose Sensornetze (engl. WSNs) bestehen aus mehreren drahtlos vernetzten, batteriebetriebenen und sensorbasierten Kleinstcomputern – Sensorknoten genannt. Sensorknoten sind typischerweise mit mindestens einer Sensorart ausgestattet, um autonom ihre Umgebung zu beobachten, indem sie Sensordaten erfassen und diese auf der eingebetteten Hardware ggf. verarbeiten und innerhalb des drahtlos vernetzten Sensornetzes auszutauschen. Ereigniserkennung ist ein beobachtender und bewertender Prozess von realen Vorfällen oder Phänomenen. Drahtlose Sensornetze haben das Potenzial Ereignisse in der Umgebung zu erfassen und zu detektieren, um uns z.B. insbesondere im Rahmen von Sicherheitsfragen zu unterstützen. Dabei sind z.B. Brückenüberwachungssysteme zur Schadenserkennung zu nennen oder Arealüberwachungssysteme, um z.B. Feuerwehrkräfte in Gebäuden zu unterstützen, oder Zaunüberwachungssysteme, um Einbruchsversuche zu detektieren. Ereigniserkennung in drahtlosen Sensornetzen ist insbesondere deswegen herausfordernd, weil eine übergreifende Bedeutung verschiedener Messungen von unterschiedlichen Orten erzeugt werden soll. Eine einfache Strategie basierend auf redundanter Datenerhebung ist nur bei schwellwertbasierten Ereignissen wie der Feuererkennung sinnvoll. Wohingegen musterbasierte Ereignisse, wie z.B. Einbruchsereignisse an Zäunen, von unterschiedlichen Perspektiven auf das Ereignis profitieren. Die Anforderungen an ereignisüberwachende drahtlose Sensornetze stehen im Widerspruch zu deren Eigenschaften. Dies ist insbesondere dann der Fall, wenn die Laufzeit dieser Netze besonders hoch und eine hochakkurate Ereigniserkennung mit zudem miniaturisierten Sensorknoten gefordert ist, deren Ressourcen (Energie, Rechenleistung, Speicher) zudem stark beschränkt sind. Die vorliegende Arbeit präsentiert ein verteiltes Ereigniserkennungssystem, das den Evaluierungsprozess für die Ereigniserkennung von der Basisstation in das Sensornetz hineinverlagert. Das verteilte Evaluierungskonzept reduziert dadurch die nötige Kommunikationslast, die zu einer Basisstation anfällt, auf eine einzige zu übertragene Ereignismeldung und erhöht damit die Lebensdauer der am stärksten belasteten Sensorknoten und des gesamten Sensornetzes. Es werden zwei Frameworks vorgestellt, die die Realisierung des verteilten Ereigniserkennungskonzeptes ermöglichen und das Ziel haben, das globale Wissen über die verteilten Ereignisse zu erhalten. Die Frameworks ermöglichen dies, indem sie die vielfältigen Ereignisperspektiven der Sensorknoten trotz Datenreduktion erhalten können. Das Evaluationsframework beinhaltet u.a. eine automatisierte Erstellung des Ereignismodells basierend auf Daten eines überwachten Trainings, um eine hohe Übertragbarkeit des Systems zu ermöglichen. Das zweite Framework, Verteilte Ereigniserkennung, ermöglicht die tatsächliche Umsetzung realer Anwendungen, indem die Ereigniserkennung auf den Sensorknoten implementiert ist und das zuvor trainierte Modell zur Erkennung genutzt wird. Dabei tauschen unter anderem die vom Ereignis betroffenen Sensorknoten Ereignisinformationen innerhalb der Sensornetzes aus, um die Ereignisse kooperativ zu klassifizieren und je nach Relevanz zu melden. Es werden die technischen Grenzen des vorgestellten Systems präsentiert, indem der Trade-off zwischen den Einsparungen der Kommunikation zur Basisstation und dem ansteigenden netzinternen Kommunikationsaufwand untersucht wird. Verglichen mit klassischen Ansätzen der Informationsfusion kann dem vorgestellten System eine deutliche Leistungssteigerung im Sinne der Energieeffizienz aufgrund des konzeptionell reduzierten Kommunikationsaufwandes zugeschrieben werden. Alle im Vergleich stehenden klassischen Ansätze der Informationsfusion werden von dem vorgestellten verteilten Ansatz konzeptionell integriert und modular erweitert. Das vorgestellte verteilte Ereigniserkennungssystem erzielt eine hohe Ereigniserkennungssensitivität von mehr als 80% bis hin zu 100% abhängig von der jeweiligen Anwendung. Mittels vier real umgesetzter Anwendungen werden die Funktionalität, die Erkennungsleistung sowie die zusätzlichen applikationsabhängigen Erkenntnisse in Bezug auf die Anwendbarkeit der verteilten Ereigniserkennung evaluiert.
