Skip navigation
Universidade Federal da Bahia |
Repositório Institucional da UFBA
Use este identificador para citar ou linkar para este item: https://repositorio.ufba.br/handle/ri/39447
Tipo: Dissertação
Título: Um framework baseado em Fog Computing para redução de dados em um sistema de detecção de tráfego para VANETs
Título(s) alternativo(s): A framework based in Fog Computing for data reduction in one detection system traffic for VANETs
Autor(es): Maia, Adriano Humberto de Oliveira
Primeiro Orientador: Peixoto, Maycon Leone Maciel
metadata.dc.contributor.referee1: Peixoto, Maycon Leone Maciel
metadata.dc.contributor.referee2: Rodrigues Filho, Roberto
metadata.dc.contributor.referee3: Silva, Rodrigo Augusto Cardoso da
Resumo: Com o crescimento da quantidade de veículos no mundo nos últimos anos, se tornou necessária a adoção de tecnologias para lidar com as consequências que esse volume veicular pode gerar para as grandes cidades, como o aumento dos congestionamento nas rodovias. As redes veiculares Ad-Hoc (VANETs) se apresentam como uma tecnologia promissora nesse cenário, auxiliando na formação de redes veiculares capazes de interconectar veículos e infraestrutura para entender e lidar com congestionamento de veículos. Considerando isso, a quantidade de dados gerados por esse ambiente aumenta na proporção que o número de veículos nas vias cresce. Consequentemente, o envio dos dados do ambiente veicular para a estrutura que identifica o congestionamento pode ser cada vez mais oneroso no ponto de vista de utilização de rede, podendo gerar sobrecargas e aumento da latência e dificultando a tomada de decisão rápida. Dessa forma, propomos neste trabalho, a construção de um Framework que visa identificar congestionamento de veículos, com uma abordagem para reduzir, na camada de névoa, os dados gerados por uma VANET e depois enviar para a nuvem somente os dados mais relevantes para tomada de decisão. Além da detecção de congestionamento, com os dados históricos em formato de séries temporais realizamos, a previsão de congestionamento utilizando ARIMA. Para trabalhar com a redução dos dados, o Framework utiliza algoritmos de amostragem simples e técnicas de agrupamento (DBSCAN e XMEANS). Os resultados mostraram que, a utilização de algoritmos de agrupamento nesse Framework alcançaram um nível significativo de acurácia na detecção de congestionamento de tráfego em conjunto com uma redução acentuada do uso de rede em comparação com o algoritmo Baseline.
Abstract: With the growth in the number of vehicles worldwide in recent years, the adoption of technologies to deal with the consequences that this volume of vehicles can generate for large cities, such as increased congestion on highways, has become necessary. Vehicular Ad-Hoc Networks (VANETs) present themselves as a promising technology in this scenario, assisting in the formation of vehicular networks capable of interconnecting vehicles and infrastructure to understand and deal with traffic congestion. Considering this, the amount of data generated by this environment increases proportionally as the number of vehicles on the roads grows. Consequently, sending data from the vehicular environment to the structure that identifies congestion can become increasingly burdensome from a network utilization perspective, leading to overloads and increased latency, thus hindering quick decision-making. Thus, we propose in this work the construction of a Framework aimed at identifying vehicle congestion, with an approach to reducing, at the fog layer, the data generated by a VANET and then sending only the most relevant data to the cloud for decision-making. In addition to congestion detection, with historical data in time series format, we perform congestion prediction using ARIMA. To work with data reduction, the Framework utilizes simple sampling algorithms and clustering techniques (DBSCAN and XMEANS). The results showed that the use of clustering algorithms in this Framework achieved a significant level of accuracy in detecting traffic congestion along with a pronounced reduction in network usage compared to the Baseline algorithm.
Palavras-chave: Redução de dados
Agrupamentos
Aprendizado de máquina
Computação em névoa
Redes Ad Hoc veiculares
Sistemas de Transporte Inteligente
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editora / Evento / Instituição: Universidade Federal da Bahia
Sigla da Instituição: UFBA
metadata.dc.publisher.department: Instituto de Computação - IC
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação (PGCOMP) 
Citação: MAIA, Adriano Humberto de Oliveira. Um framework baseado em Fog Computing para redução de dados em um sistema de detecção de tráfego para Vanets. 2023. 49 f. Dissertação (Mestrado em Ciência da Computação) Instituto de Computação, Universidade Federal da Bahia, Salvador, 2023.
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.ufba.br/handle/ri/39447
Data do documento: 20-Dez-2023
Aparece nas coleções:Dissertação (PGCOMP)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DissertacaoFinal-1.pdf25,08 MBAdobe PDFVisualizar/Abrir
Mostrar registro completo do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.