Vorschlagen von Datenvalidierungsmethoden für loT-Daten mithilfe von Kontextmodellen

Abstract

Das Internet of Things wird mittlerweile in vielen Bereichen wie Smart Homes, Smart Hospitals oder der Industrie 4.0 eingesetzt. Mit Hilfe von modellgetriebener Entwicklung können auch technisch unerfahrene Anwender eigene IoT-Anwendungen erstellen. Die von den IoT-Geräten dieser Anwendungen generierten Daten können jedoch aufgrund von Defekten oder Übertragungsfehlern fehlerhafte Werte enthalten. Da es aufgrund der großen Datenmengen von IoT-Anwendungen mühsam sein kann, die Daten manuell zu überprüfen, wurden viele Methoden zur automatischen Datenbereinigung entwickelt. Technisch unerfahrene Anwender sind jedoch nicht immer in der Lage, geeignete Datenvalidierungsmethoden auszuwählen. Kontextmodelle können verwendet werden, um diese IoT-Anwendungen zu modellieren und ihren Aufbau darzustellen. Ziel dieser Arbeit ist es daher, geeignete Datenvalidierungsmethoden auf Basis von Kontextmodellen vorzuschlagen. Dazu wird untersucht, wie ein Kontextmodell von Recommender Systemen genutzt werden kann und welche Recommender Systeme sich für den Vorschlag von Datenvalidierungsmethoden eignen. Die Recommender Systeme werden prototypisch implementiert und mithilfe dieses Prototyps wird die Performance der Recommender Systeme an einem Datensatz und verschiedenen Kontextmodellen gemessen. Die Evaluierung zeigt, dass die Vorschläge der Recommender Systeme besser sind als die eines Benutzers, der aufgrund seiner Unerfahrenheit zufällige Methoden auswählt.