Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Fault Inference
Sergio Daz

Fault Inference

Sergio Daz

Fault Inference

Masses

Comparaci
on

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Tres pasos de la autocuracion

Anteriormente el proceso de
Recolectar Informacion estaba
separado del proceso de la
Inferencia de fallas.
Lo anterior genera dos
situaciones:
Hace falta informaci
on y No
se puede hacer inferencia
precisa.
Se enva informaci
on
redundante que no es
necesaria para el proceso de
Inferencia.

Sergio Daz

Fault Inference

Masses

Comparaci
on

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 Daz

Fault Inference

Masses

Comparaci
on

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Notas

Directional Diagnosis for Wireless Sensor Networks - (DID)

Overview DID

Pasos:
El nodo guarda en cache
informacion de la comunicaci
on.
Cuando el sink detecta que un
nodo no esta enviando
suficientes paquetes de datos,
entonces solicita informaci
on.
Luego, el sink construye la
topologa actual de esa regi
on y
su modelo de inferencia.
Despues, el modelo de inferencia
solicita mas informaci
on o
entrega el reporte de fallas.
Sergio Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Notas

Directional Diagnosis for Wireless Sensor Networks - (DID)

Overview DID

Belief Network:
Da como salida la
posterior probability
of the failures.
Iterativo: solicita
mas informacion, y
da una mejor
probabilidad.
Cuadros de color
negro son las
causas. Cuadros de
otros colores son los
sintomas.
Sergio Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Notas

Kuiper Test and Autoregressive model-based approach for

Wireless Sensor Network Fault Diagnosis
Overview

M
etrica: 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 mas en llegar los paquetes,
entonces se detecta una falla.
1. Falla: El paper evalua congesti
on y nodos da
nados
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 Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Notas

Kuiper Test and Autoregressive model-based approach for

Wireless Sensor Network Fault Diagnosis
AR Model

AR Model: Filtro de
Predicci
on lineal.

Sergio Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

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 Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

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
Qu
e es una red sana? Un nodo sano es aquel que cumple con
cierto patr
on de correlaciones entre sus metricas.
El paper toma 22 metricas sobre Tiempos, Trafico, Tareas, Otras.
Luego, las correlaciona y saca el graficos sobre la correlacion.

Sergio Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Agnostic Diagnosis (AD)

Overview

Cada fila representa una metrica (e.g. # paquetes transmitidos) y

cada columna representa otra metrica (e.g. # de tareas ejecutadas
) Blanco: Correlaci
on Fuerte

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Agnostic Diagnosis (AD)

Overview

Interesante: Graficas a y b son para periodos de tiempo diferentes

para el nodo 2, a
un as las graficas son muy similares.
Interesante: Graficas d y e son para nodos diferentes para el mismo
periodo de tiempo, a
un as las graficas son muy similares.

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Agnostic Diagnosis (AD)

Overview

Cuando el nodo esta defectuoso las graficas de correlacion son muy

diferentes, graficas c comparada con a-b y graficas f comparada
con d-e

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Agnostic Diagnosis (AD)

Overview

Luego, el paper compara las graficas de correlaci

on temporales (En
diferentes periodos de tiempo) usando la tecnica CUSUM
(Cumulative Sums Calculation) y las graficas espaciales (En
diferentes nodos) usando la tecnica PCA (Principal Component
Analysis).
El paper detecta los nodos defectuosos. Sin embargo, no clasifica el
tipo de falla.

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

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 energa y datos medidos.
Paso 2: Cada nodo enva al CH esta probabilidad en diferentes
instantes de tiempo, si la probabilidad se incrementa
repentinamente el CH decide que el nodo esta defectuoso.

Sergio Daz

Fault Inference

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

FDS
Clasificador Bayesiano

C es la clasificaci
on asignada: Nodo defectuoso o sano.
X1,...,X2 Son variables aleatorias para clasificar el nodo. En este
paper usan la energa restante y los datos medidos.

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

FDS
Clasificador Bayesiano

La imagen presenta la Red Bayesiana usada en el paper. Y el

calculo 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 energa o la
probabilidad de que se presenten ciertos datos.
Otra desventaja es que asume que el nivel de energa restante es
independiente de los datos medidos.
Otra desventaja es que solo tiene en cuenta dos metricas.

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

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 energa
al enviar la informaci
on al sink. Ademas, es difcil obtener
informaci
on de una regi
on que esta fallando.
Node-based approaches: Ya se han hecho node-based approaches,
donde un u
nico nodo ejecuta un modelo de inferencia basandose en
los parametros propios y de sus vecinos. Sin embargo, un u
nico nodo
no tiene una visi
on global de la red para dar un diagnostico preciso.
Local-based approaches: El paper propone hacer un diagnostico
en una regi
on de la red. Para ello, propone hacer un arbol donde el
nodo root es quien detect
o la falla.

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

LD2
Sherlock is around: Detecting Network Failures With Local Evidence Fusion (LD2)

Para detectar una falla cada nodo

tiene unos thresholds, donde si los
parametros bajan de cierto valor,
entonces se dispara el algoritmo
LD2 (Hacer el fusion tree).
El nodo root (quien detecto la
falla) y sus vecinos envan sus
parametros a los nodos hijos para
hacer una inferencia de Donde
esta la falla?
Luego, los nodos hijos hacen la
inferencia de d
onde posiblemente
esta la falla y envan los resultados
a sus padres. El resultado total
converge en el nodo root.
En conclusi
on: 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 Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Novel Paradigm for Constructing Masses in

Dempster-Shafer Evidence Theory for Wireless Sensor
Networks Multisource Data Fusion
Overview
El paper determina si un
transformador de la red electrica est
a
bueno o da
nado seg
un 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 u
nica m
etrica .
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
est
a defectuosa o no seg
un Diferentes
variables: delay, congestion, tr
afico,
paquetes perdidos. Ya que todas estas
metricas se unifican en una sola.
Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Novel Paradigm for Constructing Masses in

Dempster-Shafer Evidence Theory for Wireless Sensor
Networks Multisource Data Fusion
Overview
La metrica unificada es la probabilidad
de que el transormador este en un
estado o en otro.
Entre [0-10] el transformador estaba
sano, por lo tanto, la probabilidad de
que este 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 este 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 este en el estado
Discharge Fault (Di) es alta.
Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Novel Paradigm for Constructing Masses in

Dempster-Shafer Evidence Theory for Wireless Sensor
Networks Multisource Data Fusion
C
omo 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 Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Novel Paradigm for Constructing Masses in

Dempster-Shafer Evidence Theory for Wireless Sensor
Networks Multisource Data Fusion
Es m
as u
til usar muchas variables.

El paper concluye que el algoritmo es

m
as preciso determinando el estado
del transformador cuando se usan 5
gases que cuando se usa 1.
De la misma forma, extrapolandolo a
una red, sera m
as preciso determinar
si una red est
a sana o no usando
muchas variables (Delay, n
umero de
paquetes, RSSI, etc.)

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Comparacion Fault Inference

Table: Comparaci
on Fault Inference
Detecci
on 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 da
nada

Ventajas

Pide + informaci
on
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

No clasifica la falla

Sergio Daz

Fault Inference

Determinar el # de nodos da
nados

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Comparacion Fault Inference

Table: Comparaci
on Fault Inference
Detecci
on Falla

Agnostic Diagnosis
Cambio en el patr
on de correlaci
on de metricas

FDS
Probabilidad de que el nodo este defectuoso dados
ciertos niveles de energa y mediciones de la variable de interes.

Mechanismo Usado

Correlaci
on entre metricas
Comparar Correlaciones: CUSUM y PCA

Clasificador Bayesiano

Ventajas

No establece reglas predeterminadas (No establece

a priori como debera ser el patr
on de correlaciones)

Explica claramente el Clasificador Bayesiano para WSN

Ventajas

Dado que el patr

on de correlaci
on se contruye
online, la tecnica aplica para nodos con diferentes roles

Desventajas

Es necesario enviar las 22 metricas al sink

No clasifica la falla.

Trabajo Futuro

Hacerlo Descentralizado

Sergio Daz

No clasifica la falla.
Solo tiene en cuenta dos metricas.
Considera independientes las metricas.
No dicen de donde sacan valores b
asicos de probabilidad.
Hacerlo con m
as de 2 metricas y no asumir independencia

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Comparacion Fault Inference

Table: Comparaci
on Fault Inference
Detecci
on Falla
Mechanismo Usado

Masses
Mahalanobis Distance
Calcula la Distancia de Mahalanobis.
Transforma esa distancia en la
probabilidad de que el nodo este fallando

Ventajas

No define reglas a priori

Ventajas

El computo es ligero y se implementa en nodos

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 informaci
on.
No es centralizado
Usa la informaci
on de una regi
on para deducir la falla

Desventajas

Usa un threshold para iniciar el algoritmo LD2 (Construir el fusion tree)

Trabajo Futuro

El paper propone trabajos futuros,

pero no son cercanos a esta investigaci
on

Sergio Daz

Fault Inference

Notas

Self-Healing

DID

AR Model

Agnostic Diagnosis

FDS

LD2

Masses

Comparaci
on

Notas o Apuntes

Kuiper Test and Autoregressive model-based approach for Wireless

Sensor Network Fault Diagnosis: El paper no tiene en cuenta la
localizaci
on de los nodos cuando saca la distribuci
on de probabildad del
delay.

Sergio Daz

Fault Inference

Notas