Automated data validation in model-driven IoT applications

Abstract

Building large IoT applications using a model-driven approach, has become an important methodology for building such applications. A tool intended to help with this process is the IoT Application Modelling tool developed at the University of Stuttgart. However, this tool is lacking validation capabilities. To implement validation in a (semi) automated manner, this work proposes an approach to assist the modeller with the task of selecting the best suited outlier detection method for a context model. based on existing or accumulated data. To achieve this a semi-automated wizard, integrated into the IoT Application Modelling Tool is proposed. Furthermore, concepts on how the resulting outlier detection can be deployed on the IoT infrastructure are discussed. The provided value and the usability of the tool are evaluated using a survey on a small set of researchers and IT professionals. The result of this survey have shown, that the proposed approach does partially automate and simplify the process of choosing an machine-learning based outlier detection method.

Die Entwicklung großer IoT-Anwendungen mit Hilfe eines modellgeführten Ansatzes ist zu einer wichtigen Option für die Entwicklung solcher Anwendungen geworden. Ein Tool, das bei diesem Prozess helfen soll, ist das an der Universität Stuttgart entwickelte IoT Application Modelling Tool. Jedoch fehlt es diesem Tool an Validierungsmöglichkeiten, zum Erkennen von unerwarteten Messwerten. Um die Validierung, sowie deren Konfiguration, möglichst stark zu Automatisieren, wird in dieser Arbeit ein Ansatz vorgeschlagen, der den Modellierer bei der Auswahl der am besten geeigneten Erkennungsmethode für unerwartete Messwerte, sogenannte Ausreißer, unterstützt. Dafür wird ein halbautomatischer Assistent vorgeschlagen, welcher auf basis esistierender Daten eine passende Erkennungsmethode vorschlägt. Darüber hinaus, werden Konzepte diskutiert, wie die resultierende Validierung in der IoT-Infrastruktur eingesetzt werden kann. Der vorgestellte Assistent für Vorschläge wird als Komponente des IoT Application Modelling Tools implementiert. Der Nutzen und die Benutzerfreundlichkeit des Tools werden anhand einer Umfrage unter einer kleinen Gruppe unter Forschern und IT-Fachleuten bewertet. Duch diese wurde festgestellt, dass der vorgeschlagene Ansatz den Prozess der Auswahl einer auf maschinellem Lernen basierenden Methode zur Ausreißererkennung teilweise automatisiert und vereinfacht.