[논문 리뷰] On the Separability of Targets Using Binary Proximity Sensors

Krishnan Balasubramaniam, Animesh Kumar외 2명|arXiv (Cornell University)|2012. 11. 19.

Indoor and Outdoor Localization Technologies참고 문헌 10인용 수 3

한 줄 요약

이 논문은 유한 영역 내에서 정적 목표물 위치 n개의 분리 가능성에 대해 이진 근접 센서를 사용하는 두 모델(정적 격자 위치 및 i.i.d. 균일 무작위 위치)을 고려한다. 전체 또는 부분 분리 가능성 달성에 필요한 센서 수에 대한 순서 최적의 스케일링 법칙을 유도하며, 격자 목표물의 경우 전체 분리 가능성에는 Θ(n log n)의 센서가 필요하고, 무작위 목표물의 경우 ω(n² log n)의 센서가 필요하다. 반면 부분 분리 가능성은 두 경우 모두 Θ(n)의 센서로 충분하다. 이러한 결과는 공격성 센서 행동 조건 하에서도 유지된다.

ABSTRACT

We consider the problem where a network of sensors has to detect the presence of targets at any of $n$ possible locations in a finite region. All such locations may not be occupied by a target. The data from sensors is fused to determine the set of locations that have targets. We term this the separability problem. In this paper, we address the separability of an asymptotically large number of static target locations by using binary proximity sensors. Two models for target locations are considered: (i) when target locations lie on a uniformly spaced grid; and, (ii) when target locations are i.i.d. uniformly distributed in the area. Sensor locations are i.i.d uniformly distributed in the same finite region, independent of target locations. We derive conditions on the sensing radius and the number of sensors required to achieve separability. Order-optimal scaling laws, on the number of sensors as a function of the number of target locations, for two types of separability requirements are derived. The robustness or security aspects of the above problem is also addressed. It is shown that in the presence of adversarial sensors, which toggle their sensed reading and inject binary noise, the scaling laws for separability remain unaffected.

연구 동기 및 목표

• 유한 영역 내 n개의 가능한 위치에서 목표물 존재를 신뢰성 있게 감지하고 구분하기 위해 필요한 최소 이진 근접 센서 수를 결정하기 위해.
• 균일하게 분포된 격자점과 i.i.d. 균일 무작위 배치의 두 목표물 위치 모델 하에서의 분리 가능성 분석을 위해.
• 고확률으로 목표물 구성 식별을 보장하기 위해 센서 수 m(n)과 감지 반경 r(n)의 순서 최적의 스케일링 법칙 유도를 위해.
• 이진 노이즈를 주입하거나 읽기 값을 토글하는 공격성 센서가 존재할 경우의 내성에 대한 평가를 위해.
• 전체 분리 가능성(모든 n개의 목표물 식별)과 부분 분리 가능성(비율 α의 목표물 식별)이 고확률로 달성 가능한 조건 설정을 위해.

제안 방법

• 목표물 위치를 유한 영역 I 내에서 균일한 격자 또는 i.i.d. 균일 무작위 변수로 모델링한다.
• 배치 불확실성을 모델링하기 위해 센서 위치를 동일한 영역 내에서 i.i.d. 균일하게 분포된 것으로 간주하며, 목표물 위치와 독립적이다.
• 감지 반경 r(n) 내에 어느 목표물이 존재하면 1을 출력하고, 그렇지 않으면 0을 출력하는 이진 근접 센서를 사용한다.
• 포isson 근사와 모멘트 생성 함수(MGF) 분석을 적용하여 각 목표물 위치를 감지하는 센서 수를 모델링한다.
• 활성 및 비활성 센서 수의 차이에 대한 MGF에 대한 찬스프라우드 경계를 적용하여 분리 가능성에 대한 확률적 경계를 도출한다.
• 감지 가능성을 분석하기 위해 각 목표물 위치가 적어도 하나의 센서에 의해 감지될 확률을 분석하며, 이때 파라미터 γ = P(목표물 존재) 및 그 보완을 사용한다.

실험 결과

연구 질문

• RQ1 n → ∞ 일 때, 고확률로 전체 분리 가능성(모든 목표물 구성 정확히 식별)을 달성하기 위해 필요한 최소 이진 근접 센서 수는 얼마인가?
• RQ2 부분 분리 가능성의 경우, 최소 비율 α 이상의 목표물 위치가 확률 ≥ β로 정확히 식별되어야 할 때, 필요한 센서 수는 어떻게 스케일링되는가?
• RQ3 정적 격자 목표물 위치와 확률적으로 분포된 무작위 목표물 위치 간의 분리 가능성 스케일링 법칙은 어떻게 다름?
• RQ4 읽기 값을 토글하거나 노이즈를 주입하는 공격성 센서의 영향은 분리 가능성에 필요한 센서 수에 어떤 영향을 미치는가?
• RQ5 감지 반경 r(n)은 분리 가능성 성능에 어떤 영향을 미치며, 다양한 모델에서 r(n)의 최적 선택은 무엇인가?

주요 결과

• 정적 격자 목표물의 경우, 전체 분리 가능성에는 m(n) = Θ(n log n)의 센서가 필요하며, 이 스케일링은 순서 최적이다.
• 무작위 목표물 위치의 경우, 전체 분리 가능성에는 m(n) = ω(n² log n)의 센서가 필요하며, 격자 경우보다 훨씬 높은 센서 비용이 요구됨을 시사한다.
• 부분 분리 가능성의 경우, 격자 및 무작위 목표물 모델 모두에서 m(n) = Θ(n)의 센서가 필요하며, 이 임계값은 α 및 β를 통해 표현된 식 log(1/((1−α)(1−β)))에 따라 달라진다.
• 공격성 센서가 존재하더라도 전체 감지 통계가 변하지 않는 한, 분리 가능성에 대한 스케일링 법칙은 그대로 유지된다.
• m(n)/n log n 가 목표물 밀도 γ에 따라 의존하는 임계값을 초과할 경우, 전체 분리 가능성의 확률은 n → ∞ 일 때 1에 수렴한다.
• 분석 결과, 분리 가능성의 핵심 매개변수는 1 − 2√(γ(1−γ))이며, 이는 오분류 확률의 감쇠 속도를 결정하고 필요한 센서 밀도를 규정한다.