Analítica Móvil

Presentación del Editor Invitado: Arkady Zaslavsky, Octubre 2015

Read the Guest Editors’ Introduction in
English  |  Chinese

Translations by Osvaldo Perez and Tiejun Huang


Listen to the Guest Editors’ Introduction

mobile analytics

Generalmente la analítica se define como el descubrimiento de las comunicaciones multimodales con patrones de significado sobre los datos que pueden ser almacenados localmente o en la nube. La analítica móvil enfatiza el descubrimiento trivial de dispositivos móviles, balanceo de computación y comunicación de patrones comprensibles en el sensado, observación, descubrimiento y computación de datos mientras están en movimiento.  A la analítica móvil le concierne los flujos de datos y el procesamiento de consultas en dispositivos móviles (tales como los teléfonos inteligentes) y una cooperación adaptativa y distribuida con los recursos basados en la nube/bruma.

Nota del Traductor: el concepto cloud/fog es muy reciente, se recomienda al lector ahondar en el mismo, para esta traducción se ha adoptado el termino de ‘bruma’ para la palabra fog.

Recientemente Cisco ha presentado la computación en la bruma (http://www.cisco.com/web/solutions/trends/iot/fog-computing.html )  para enfatizar el procesamiento distribuido en la Internet de las Cosas, (IoT), incluyendo los datos en los dispositivos de borde, tales como los gateways, los enrutadores y los smartphones. La analítica incluye al procesamiento de datos, tanto en línea como fuera de línea –potencialmente Grandes Datos. La analítica de los datos móviles comprende un juego de herramientas para procesar, analizar y visualizar los datos que se originan en los dispositivos móviles otras fuentes (tales como, medios sociales, y redes de sensores móviles), y se consumen en los dispositivos móviles mientras se están desplazando.

La pasada década ha visto la emergencia de los smartphones, equipados con capacidades de procesamiento computacional potentes que incluyen un grupo de sensores y de capacidades de conectividad con Internet por medio de redes de comunicaciones inalámbricas. La tecnología ha transformado a los teléfonos móviles desde mero dispositivos de telefonía vocal a dispositivos con fuentes de datos muy diversas. Los datos, de estos dispositivos ubicuos ofrecen oportunidades excitantes para el desarrollo de aplicaciones de IoT novedosas. Los dispositivos móviles equipados con sensores y capacidades de comunicaciones  pueden actuar como puentes para objetos IoT embebidos (cafeteras, refrigeradores, robots industriales y otros por el estilo), o generar información sobre el ambiente (por ejemplo mediciones de la calidad del aire). En muchos casos, un aplicativo transmite los datos que los dispositivos móviles generan a un servidor o nube remota para procesamiento ulterior. La creciente cantidad de datos que los dispositivos móviles generan y consumen ha creado un interés significativo de investigación en la analítica de datos móvil en los años recientes.

Artículos Temáticos

El tema de este mes de Computing Now comienza con “Compartir como la Muchedumbre: Analitica Móvil para el Sensado Participativo y Aplicaciones basadas en la Muchedumbre” de Arkady Zaslavsky, Prem Prakash Jayaraman y Shonali Krishnaswamy. Los autores presentan una taxonomía de los sistemas de analítica móvil y análisis de datos que se pueden desempeñar tanto local (dispositivos móviles) como remotamente (servidores, nube, bruma) La figura 1 presenta una clasificación amplia de los sistemas habilitados para analítica móvil, lo cual de una forma u otra dependen de los datos de sensores originados desde los dispositivos móviles. Los componentes sensados en la figura 1 pueden incluir datos originados desde los sensores instalados en los dispositivos móviles, de respuestas de los usuarios a preguntas originadas en las aplicaciones de fuente de muchedumbre, y los datos de las redes sociales originados por los usuarios móviles. El artículo clasifica las aplicaciones que emplea la analítica móvil en cuatro categorías. 

  • Sistemas independiente basados en Presionar/Demandar (Push/Pull), con sensado local, procesamiento en la nube y con/sin procesamiento local.
  • Sistema colaborativos basado en Presionar, con sensado y procesamiento local.
  • Sistema colaborativos basados en presionar con sensado local y almacenamiento y procesamiento en la nube.
  • Y Sistemas colaborativos basados en presionar/Demandar con procesamiento distribuido y balanceo de carga entre la nube y el dispositivo móvil.

El análisis local más prominente es la conversión de los valores sensados en crudo en valores utilizables por la aplicación, (por ejemplo un conversor analógico-digital). Un desafío clave para la analítica móvil es entre realizar el análisis de los datos en forma local o en la nube. Varias arquitecturas de referencia en sensado por muchedumbre emplean diferentes combinaciones; es decir; locales, en la nube, o combinación de ambas. Otra característica clave es la de determinar la heurística y la algorítmica que permita lograr la funcionalidad deseada de la aplicación. La eficiencia energética es también un factor crítico en la decisión de la estrategia de balanceo de carga. Estas heurísticas pueden variar desde las técnicas para la mediación de los datos, tales como el filtrado y la eliminación del ruido a la inferencia del contexto, (tales como la actividad del usuario y los niveles de ruido) y las aproximaciones de minería de datos, tales como el clustering la detección del cambio y los arboles de decisión, entre otras. L artículo también presenta un sistema de minería de flujos de datos llamado CAROMM (Context Aware Open Mobile Mining), un framework para sensado de muchedumbre móvil que utiliza un motor de colecciones de datos escalable para alcanzar el tiempo real e información de localización al tanto de la situación para los usuarios móviles mientras ofrece capacidades de procesamiento de analítica móvil.

En el articulo “En el Enlace entre ´D´y A´ en Analitica Móvil de Datos” Goce Trajcevski explora la gestion de la eficiencia para aplicaciones relacionados con la analitica móvil de datos. Se enfoca en datos espacio-temporales relacionados con objetos móviles y argumenta que la recolección, almacenamiento, recuperaci{on y consultas de datos espacio temporales separados del control de la ejecución y de los algoritmos para la toma de decisiones podria no ser beneficioso. Argumenta que una componente importante de la analitica movil es la gestion de la dinamica asociada con las relaciones de compromiso y aun mas importnate su enlace con la orquestación de la gestión de datos y el procesamiento analitico. El articulo presenta el DNA2 (Data´s Natural Associations with Analysis), que es una hipotesis para acoplar los datos con el control. Trajcevski detalla el rol de los aspectos inciertos de las especifiaciones declarativas para mezclar los comportamientos reactivos y proactivos en las aplicaciones que se basan en anlitica móvil.

En el articulo de Swarnava Dey y sus colegas, “Desafios de Utilizar Dispositivos de Borde en la Grilla de Computación IoT” propone una arquitectura en la cual los smartphone puedencomo gateways de borde entre las redes de sensores y las plataformas de la nube. Argumentan que el creciente uso de las capacidades de computación de los smartphones puede alcanzar la cantidad de datos que se genera en la IoT. Discuten los desafios de crear tal ecosistema y propone un esquema en el cual los smartphones, los gateways residenciales y otros dispositivos de borde pueden balancear la carga computacional eficientemente y efectivamente.

Figura 1. Clasificación Amplia de los Sistemas Habilitados para Analitica Móvil

mobilie analytics

Aleksandr Antonic y sus colegas proponen un ecosistema para aplicaciones de sensado por muchedumbre móvil que se basa en el middleware de Nube de Publicar y Subscribir (CUPUS) para adquirir los datos de los sensores desde los dispositivos móviles en un contexto atento y bajo un esquema de energia eficiente en el articulo “Un Ecosistema de Sensado por Muchedumbre Móvil Habilitado para Middleware de Nube basado en Publicar/Subscribir. El Ecosistema prpuesto ofrece los medios para la gestión de la localizacion para objetos móviles de IoT y sistemas adaptativos de adquisición desde tales dispositivos. La solucion de Antonic y sus colaboradores permite el filtrado de los datos sensados en los dispositivos móviles en la proximidad de una productos de datos, previamente a su transmisión a la nube. Esto reduce tanto el trafico en la red como el consumo de energía en los dispositivos móviles. Los autores evaluan el desempeño de una aplicación CUPUS móvil para investigar su desempeño en los smartphones en función de la escalabilidad de la CPU, la memoria y la energía consumida bajo una alta carga de publicación. El código desarrollado para CUPUS es abierto como para de la plataforma de middleware para IoT OpenIoT.

En el articulo “Analitica de Borde en la Internet de la Cosas” de Mahadev Satyanarayanan y sus colaboradores se describe GigaSight, un repositiorio a escala de Internet para la preservación de la privacidad de la fuentes de muchedumbre del contenido de video. La arquitectura representa un sistema federado de nubecillas basadas en VM que desarrollan una analitica de video en los bordes de Internet. Las nubecillas puede correr en smartphones o, mas genericamente, en cualquier dispositivo movil, y la locación del procesamiento se basa en criterios de eficiencia de costo. La preservación de la privacidad impacta en como el sistema modifica los flujos de video y en cual información se remite a la nube. La arquitectura GigaSight se enfoca en el sistema de transporte inteligente en el cual las camaras montadas en los vehiculos generan enermos cantidades datos que pueden congestionar a las redes en ausencia de una analitica inteligente.

Ahmad Razip y sus colegas exploran el diseño y uso de erramientas de analitica visual movil para datos se salvaguardia publica que equipan a las agencia de cumplimiento de la ley con situaciones efectivas de alerta y herramientas para el tratamiento de riesgos en el articulo “Una Analitica Visual Móvil para las Situaciones de Alerta en el Cumplimiento de la Ley”. El sistema propuesto le proporciona a los usuarios un conjunto de herramientas interactivas que les permiten desarrollar la analitica y detectar tendencias, patrones y anomalias en los criminal, tráfico e incidentes civiles. Tambien proporciona herramientas para la evaluacion interactiva de riesgos que le permiten a los usaurios identificar regiones de riesgo potencial alto y determinar el riesgo de cualquier usuario en una locacion y momento determinado. El sistema ha sido diseñado para el ambiente del Iphone/Ipad, y sus autores indican que el consorcio de agencias decumplimiento de la ley esta evaluando el sistema.

Industry Perspective Video
Amy Shi-Nash

 

Industry Perspective Video
Anirban Mondal

 

Perspectivas de la Industria

En el tema de este mes se presentan dos entrevistas en video de expertos de la industria que trabajan en la analitiva móvil. Le he solicitado a estos expertos que comenten sobre las siguientes preguntas.

  • ¿Cómo definiría la analitica móvil?
  • ¿Dónde vé que la investigación en analitica móvil se dirgiirá en los proximos años?
  • ¿Puede Ud ofrecer ejemplos de proyectos de analitica movil en su organización y el impacto que estos proyectos tendrán?

Conclusión

Estos articulos tartan varios desafios importunate de la analitica móvil y proponen soluciones que haran de la analitica móvil, como un componente de la Internet de la Cosas, practicable, posible, desplegable y utilizable. Por supuesto, mas investigación y muchos mas desafios se deben tratar y resolver antes que la analitica móvil se transforme en un facilitador cerdaderamente util y una caracteristica de nuestos smarphones en los proximos cinco a siete años. Los lectores interesados  en realizar mayor investigación y unirse a una comunidad de práctica en analitica móvil de lideres, investigadores, desarrolladres, arquitectos y usuarios. 

 

Arkady Zaslavsky es investigador cientifico principal en el Data61 de la Organización de Investigación y Comunidad Cientifica e Industrial (CSIRO) de Australia. Es profesor adjunto en la Universidad de New South Wales (UNSW). La Trobe University (Melbourne) y Lulea University of Technology de Suecia. Posee un PhD en Ciencias de la Computación del Institute for Controls Sciences (IPU-IAT) de la Academia Societiva de Ciencias. Sus intereses actuales se enfocan en la Internet de las Cosas, computación omnipresente, computación móvil, contexto alerta, gestión de datos semanticos y analitica móvil. Zaslavsky es miembro del comité editorial de CN. Se lo puede contactar en arkady.zaslavsky@csiro.au.


 

Average (0 Votes)
The average rating is 0.0 stars out of 5.

Article Comments

Please log in to comment.