= Context modeling and collaborative context-aware services for pervasive computing

• Auteur / Autrice : Dedefa Dejene Ejigu
• Direction : Lionel Brunie, Vasile-Marian Scuturici
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2007
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône2003-....)

Mots clés

Mots clés contrôlés

Commande robuste

Ontologies (informatique)

Informatique mobile

Informatique omniprésente

Résumé

Les systèmes pervasifs visent à intégrer des services fournis par des dispositifs répartis communicants. De tels environnements ont comme objectif d'optimiser l'interaction de l'utilisateur avec les dispositifs intégrés, par exemple en permettant à l'utilisateur d'accéder à l'ensemble des informations disponibles et en adaptant celles-ci aux conditions matérielles effectives (qualité de service réseau, caractéristiques du matériel de connexion). Cela impose aux applications d'adapter dynamiquement leur fonctionnement aux caractéristiques de l'environnement (notion de "contexte d'exécution"). Pour réaliser cette adaptation il est important de disposer d’un mécanisme efficace de capture et gestion du contexte et d’un mécanisme de raisonnement approprié. La gestion du contexte comprend la représentation, l'agrégation, l'interprétation, le stockage et le traitement des données contextuelles. Le raisonnement est le processus de déductions des nouveaux faits à partir des données contextuelles observées. Dans cette thèse, nous proposons un modèle sémantiquement riche pour la collaboration, la représentation et la gestion du contexte. Nous utilisons un modèle de représentation du contexte fondé sur une approche hybride utilisant des ontologies et des bases de données relationnelles (nommé modèle HCoM : Hybrid Context Management model). Le modèle HCoM utilise l'ontologie pour la modélisation et la gestion des métadonnées riches en sémantique du contexte, et le schéma de la base de données relationnelles pour la modélisation et la gestion des données brutes du contexte. Les deux sont liés à travers des relations sémantiques construits dans l'ontologie. La séparation des ces deux éléments de modélisation nous permet d'extraire, charger, partager et utiliser seulement les données du contexte relevant afin des limiter la quantité de données dans l’espace de raisonnement. Les éléments constitutifs du modèle HCoM sont les données contextuelles brutes, l’ontologie et les règles de inférence. Ces éléments sont organisés dans un modèle que nous appelons EHRAM: Entité, Hiérarchie, Relation, Axiome et Métadonnée. EHRAM est mappé à un schéma de base de données relationnelle pour la représentation des données contextuelles et permet une représentation compatible avec les langages à bas de balises pour son ontologie et ses règles d’inférence. Cette richesse de modélisation nous permet de sélectionner de manière efficace les informations contextuelles pertinentes et ainsi d'améliorer les performances du processus de raisonnement mis en oeuvre dans l'analyse du contexte d'exécution. Nous présentons également la plateforme logicielle d'intégration de services pervasifs que nous avons développée (nommé CoCA : Collaborative Context-Aware service Plateform). Cette plateforme s'appuie sur la méthodologie et les modèles de représentation et de gestion du contexte proposés dans la thèse. Elle permet une interaction "contextualisée" des services fournis par les dispositifs participants, offrant en particulier des mécanismes d'adaptation au contexte et de déclenchement proactif ou réactif de services en réponse à une évolution du contexte. Cette plateforme implémente le protocole JXTA dans ses composants de collaboration et utilise la librairie JENA pour le raisonnement (déclaration et interprétation des règles d'analyse du contexte). Des démonstrateurs ont été développés et testés illustrant l'utilisation de la plate-forme dans trois cas d'utilisation liés à des domaines applicatifs variés : les réseaux sociaux, l'hôpital intelligent, l'adaptation d'IHM au contexte. Les résultats obtenus illustrent la performance, la robustesse et l'extensibilité de l'approche proposée.

Pervasive or ubiquitous computing aims to integrate computing and computing appliances into the environment rather than having computers as distinct objects. This can be realized through applications that adapt their behavior to every changing environment. Such systems need to ensure that the adaptive behavior experienced is useful, relevant, non-distracting and consistent with individual and organizational goals. Such adaptation needs proper capturing, management and reasoning of constantly changing context. Context capturing involves extracting relevant context data about selected entities in the environment. Context management deals with representation, aggregation, interpretation, storage and processing of context data. Context reasoning is the process of drawing inferences or conclusions (unknowns) from known facts using information from the various sources of context. The computationally intensive characteristics of context reasoning process, the presence of handheld or wearable, tiny and resource hungry computing devices, and the lack of a semantically rich context model have been a bottleneck for the development of such applications. Moreover, most of the current context-aware systems are based on ad-hoc models of context, which causes lack of the desired formality and expressiveness. They do not separate processing of context semantics from processing and representation of context data and structure. In this thesis, we propose a semantically rich and a collaborative context representation and management model that uses a hybrid of ontology and database management approaches (called HCoM model: Hybrid Context Management model). HCoM model uses ontology for modeling and management of context semantics and relational database schema for modeling and management of context data. These two modeling elements are linked to each other through the semantic relations built in the ontology. Separation of the two context modeling elements allows us to extract, load, share and use only relevant context data into the reasoner in order to limit the amount of context data in the reasoning space. By doing this, we considerably improve the performance of the reasoning process. The building blocks of the HCoM model are context data, context ontology, and deduction rules. These data elements are organized into a context representation structure (called EHRAM: Entity, Hierarchy, Relation, Axiom and metadata). EHRAM is a graphical context representation structure that serves as a context conceptualization model. EHRAM is mapped to a standard relational database schema for representation of its context component and is serialized to markup languages for representation of its ontology and rule component. We also present a domain independent context-aware middleware platform (called CoCA: Collaborative Context-Aware service platform) under which our proposed context management model is implemented and used. CoCA uses data organized into the HCoM model as its data source and provides reasoning and decision services based on changing contexts. It triggers proactive and/or reactive actions and provides a collaboration interface between the pervasive peers. CoCA collaboration is based on JXTA protocols and its reasoning is based on Jena framework. To evaluate the scalability and extensibility of the proposed model, reusability of the platform and performance of the collaboration process, we have developed a test case of the use of our context model in the platform using data from multiple scenarios: Community based network in a campus, smart hospital and adaptation of HCI to context. Results obtained from our experiment show that compared to other related works in the domain, our approach gives a robust, extensible and scalable model and platform for the development of context-aware applications in pervasive environment.