1. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
A survey of context modelling and reasoning
techniques
Claudio Bettini, Oliver Brdiczka , Karen Henricksenc , Jadwiga
Indulska , Daniela Nicklas , Anand Ranganathanf, Daniele
Riboni
Présentée par : HWERBI Khouloud
hwerbi.khouloud.lfi@gmail.com
10/12/2018
1 / 36
2. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Sommaire
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
2 / 36
3. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
3 / 36
4. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Le développement d’applications contextuelles est
intrinsèquement complexe. Ces applications s’adaptent aux
informations de contexte changeantes : contexte physique,
contexte de calcul et tâches de l’utilisateur.
Les informations de contexte proviennent d’une variété de
sources qui diffèrent par la qualité des informations qu’elles
produisent et qui sont souvent sujettes aux échecs.
Dans ce qui suit, nous discutons des exigences auxquelles
doivent répondre les techniques de modélisation de contexte et
de raisonnement.
4 / 36
5. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Exigences définies pour les modèles de contexte
Hétérogénéité et mobilité :
Les capteurs observent les états du monde physique et
fournissent des données brutes qui doivent être interprétées
avant d’être utilisables par les applications.
Les informations fournies par les utilisateurs - telles que les
profils d’utilisateurs et n’ont généralement pas besoin
d’interprétation supplémentaire. Ces données de contexte
peuvent également être dérivées d’informations de contexte
existantes.
Les données de contexte obtenues à partir de bases de données
telles que les données de cartes géographiques sont souvent
statiques.
5 / 36
6. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Relations et dépendances :Il existe diverses relations entre les
types d’informations capturées pour assurer le comportement
correct des applications. Une de ces relations est la
dépendance.
par exemple, une modification de la valeur d’une propriété (la
bande passante du réseau) peut affecter les valeurs d’autres
propriétés (la charge restante de la batterie). .
Opportunité : Les applications contextuelles peuvent nécessiter
un accès aux états passés, actuels et futurs.
6 / 36
7. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Imperfection : En raison de la nature dynamique et
hétérogène :
Les capteurs comportent une imprécision inhérente.
Les valeurs détectées vieillissent si le monde physique change.
Raisonnement : Les applications sensibles au contexte utilisent
ces informations de contexte pour évaluer s’il y a une
modification du contexte de l’utilisateur et/ou de
l’environnement informatique pour décider si une adaptation à
ce changement est nécessaire.
7 / 36
8. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Convivialité des formalismes de modélisation :
La facilité avec laquelle les concepteurs peuvent traduire des
concepts du monde réel en constructions de modélisation.
La facilité avec laquelle les applications peuvent utiliser et
manipuler les informations de contexte lors de l’exécution.
Mise en place efficace du contexte :
Une exigence difficile à satisfaire en présence de grands
modèles et de nombreux objets de données
Les chemins d’accès représentent des dimensions sur lesquelles
les applications sélectionnent souvent des informations de
contexte
Ces dimensions sont souvent appelées contexte primaire.
8 / 36
9. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Modèles simples
Les modèles clé-valeur
Les modèles basées sur le marquage (utilise XML.).
modélisation de contexte à utiliser le cadre de description de
ressources (RDF).
Les principales critiques
Capturer une variété de types de contextes
Capturer des relations, des dépendances, la rapidité et la
qualité des informations de contexte.
Raisonnement sur le contexte.
Donc, des modèles améliorés
Modèles basés sur les rôles / Spatial / Ontologies ...
9 / 36
10. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
10 / 36
11. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Modèle basés sur les rôles d’objet
Une approche de modélisation de contexte basé sur les faits.
Vise à créer des modèles de contexte pour prendre en charge le
traitement des requêtes et le raisonnement.
Les premières approches de modélisation du contexte, telles
que les paires attribut-valeur, ne pouvaient pas satisfaire ces
exigences, de contexte utilisés par les applications qui sont
devenu plus sophistiqués.
Principalement basé sur le langage de modélisation de
contexte (CML).
11 / 36
12. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
CML (langage de modélisation de contexte)
CML fournit une notation graphique (similaire à UML).
Capturer les différentes classes et sources de faits de contexte
et d’informations fournies par l’utilisateur.
Capturer des informations imparfaites à l’aide de métadonnées
de qualité et du concept d ’‘ alternatives ’pour capturer des
assertions contradictoires (telles que des rapports
d’emplacement conflictuels provenant de plusieurs capteurs).
Capturer les dépendances entre les types de faits contextuels.
Capturer des historiques pour certains types de faits et des
contraintes sur ces historiques.
12 / 36
13. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Evaluation
Les points forts
1 Prendre en charge diverses
étapes du processus de génie
logiciel.
2 Sa notation graphique prend
en charge l’analyse et la
conception des exigences
d’une application sensible au
contexte.
3 la représentation et la
grammaire relationnelles
pour les abstractions de
contexte de haut niveau.
Limite
Il a un modèle d’information
«plat», en ce sens que tous les
types de contexte sont
représentés uniformément comme
des faits atomiques. Si une
structure hiérarchique est
nécessaire, ou si une dimension
particulière du contexte est
dominante du point de vue de
l’interrogation d’autres
représentations peuvent être plus
appropriées.
13 / 36
14. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Modèle spatial
Les informations de localisation sont soit prédéfinies (si les entités
sont statiques), soit obtenues par des systèmes de positionnement
qui suivent des objets mobiles et signalent leur position à un
système de gestion de localisation. Fondamentalement, les systèmes
de positionnement prennent en charge deux types de systèmes de
coordonnées :
Coordonnées géométriques : représentent des points ou des
zones dans un espace métrique, telles que les coordonnées du
GPS.
Coordonnées symboliques : sont représentées par un
identifiant, tel qu’un numéro de pièce ou l’identifiant d’une
cellule ou d’un point d’accès dans un téléphone sans fil ou un
réseau local.
14 / 36
15. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Niveau des ontologies spatiales :
Niveau 0 : la réalité physique (point : valeur unique).
Niveau 1 : inclut des observations de la réalité (l’échelle de
l’unité de mesure).
Niveau 2 : groupper les observations sur l’état d’un objet
spécifique
Niveau 3 : réalité construite socialement( règles
administratives, juridiques ou institutionnelles).
Niveau 4 : les règles sont modélisées et utilisées par les agents
cognitifs (humains et logiciels) pour la déduction.
15 / 36
16. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Les modèles de contexte spatial permettent de raisonner sur
l’emplacement et les relations spatiales des objets. Ces relations
couvrent l’inclusion dans une zone ou une plage distincte et la
distance par rapport à d’autres entités. Il existe trois requêtes
spatiales typiques sur les informations de contexte spatial :
Position : récupère la position d’un objet.
Range : récupérer des objets situés dans une plage spatiale.
Voisin le plus proche : récupérer une liste d’un ou plusieurs
objets les plus proches de la position d’un objet.
16 / 36
17. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Limite ...
Un inconvénient du modèle de contexte spatial est l’effort qu’il
faut pour rassembler les données de localisation des
informations de contexte et les maintenir à jour. Ainsi, si la
dimension spatiale n’a pas d’importance (ou n’inclut que des
relations spatiales simples comme la réunion de deux
utilisateurs), cet effort pourrait être économisé.
17 / 36
18. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Modèles basés sur l’ontologie
Les modèles d’informations de contexte basés sur l’ontologie
exploitent le pouvoir de représentation et de raisonnement de ces
logiques à des buts multiples :
Décrire des données de contexte complexes qui ne peuvent pas
être représentées, par des langages simples tels que CC/PP.
La possibilité de partager et/ou d’intégrer le contexte entre
différentes sources.
L’activité de l’utilisateur peut être automatiquement reconnue.
Modèles principalement basés sur OWL / OWL-DL.
18 / 36
19. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Avec OWL-DL, il est possible de modéliser un domaine particulier
en définissant des classes, des individus, des caractéristiques
d’individus et des relations. Des descriptions complexes de classes
et de propriétés peuvent être construites en composant des
descriptions élémentaires. Par exemple, pour deux classes
atomiques Personne et Femme, la classe Homme peut être définie
comme suit :
Figure – Exemple de déscription
19 / 36
20. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Evaluation ...
Les points forts
1 Formalisme de modélisation
plus simple.
2 Il vérifie également les
exigences : hétérogénieté,
opportunité et relation et
dépendence.
Limite
Le principal problème de cette
approche est que le raisonnement
dans OWL-DL est déjà coûteux
en calcul, et que l’intégration
correcte des règles rend le
langage résultant indécidable.
20 / 36
21. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
21 / 36
22. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Les informations provenant de capteurs physiques, appelées
contexte de bas niveau. Mais,le contexte ne se limitait pas à la
localisation de l’utilisateur, car la situation sociale évoluent
également. Ce limite, risque de réduire l’utilité des applications
sensibles au contexte.
Ces informations sont interprétées sémantiquement par la
couche de contexte de haut niveau.
22 / 36
23. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Figure – Vue d’ensemble des différentes couches d’abstraction du
contexte
23 / 36
24. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Toutes les situations, leurs
relations et leurs
transitions doivent être
incluses dans ce modèle.
Un modèle de situation est
défini afin de fournir un
service de caméra
automatique qui choisit de
manière proactive le point
de vue pour enregistrer
une lecture.
Figure – Modèle de situation
temporelle
24 / 36
25. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
25 / 36
26. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Le monde physique lui-même et nos mesures sont sujets à
l’incertitude. Par conséquent, l’une des exigences clés de la
connaissance du contexte est de capturer et de donner un sens
à des données imprécises et parfois contradictoires sur le
monde physique.
Le fait de disposer d’un modèle d’incertitude commun utilisé
par toutes les entités de l’environnement permet aux
développeurs de créer de nouveaux services et applications
dans de tels environnements et de réutiliser diverses méthodes
de gestion de l’incertitude.
26 / 36
27. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Des travaux ont été menés pour résoudre le problème de la
représentation, du raisonnement et de la résolution de l’incertitude
dans les informations de contexte, en leurs associants des mesures
de qualité.
couverture
résolution
précision
répétabilité
la fréquence
opportunité
27 / 36
28. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Différentes approches ont été utilisées pour raisonner sur des
informations de contexte incertaines.
La logique floue :
Est bien adaptée à la description de contextes subjectifs, à la fusion
multicapteurs de ces contextes subjectifs et à la résolution de
conflits potentiels entre différents contextes.
Logique probabiliste :
Associez des événements à une probabilité, utilisez la logique de
proposition avec une formalisation complète.
28 / 36
29. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Réseaux Bayésiens :
Sont des graphes acycliques dirigés, où les nœuds sont des variables
aléatoires représentant divers événements et les arcs entre les
nœuds représentant des relations de cause à effet.
Modèles de Markov cachés :
Représente des séquences stochastiques sous forme de chaînes de
Markov cherche à trouvez les états internes non observés.
Théorie de Dempster – Shafer :
Souvent utilisé pour la fusion de capteurs, à partir d’observations
multiples du même phénomène.
29 / 36
30. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
1 Evolution de la modélisation du contexte et du raisonnement
2 Approches Simples de modélisation de contexte
3 Abstractions de contexte de haut niveau
4 Incertitude des informations de contexte
5 Approche hybride de modélisation de contexte
30 / 36
31. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Une approche hybride :
est une approche de modélisation de contexte qui tente d’intégrer
différents modèles et types de raisonnement afin d’obtenir des
systèmes plus souples et plus généraux.
31 / 36
32. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Pourquoi les modèles hybrides sont nécessaires ?
Role d’objet Spatial Ontologie
Hétérogénité + * +
Mobilité * + -
Relation * * +
Opportunité + + -
Imperfection * * -
Raisonnement * - +
Convivialité + * *
Efficacité * + -
Table – Comparaison des approches de modélisation de contexte
32 / 36
33. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Idées fondamentales :
Utilisez des modèles plus simples pour calculer plus
efficacement le contexte plus simple.
Soutenir le raisonnement ontologique pour dériver des
informations complexes et pour la vérification de la cohérence.
Prise en charge de l’interopérabilité via une couche masquée (à
partir du moment de l’exécution de l’application).
33 / 36
34. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Figure – Framework multicouche
34 / 36
35. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Le framework correspondant est composé des couches suivantes :
Couche 1 : sert à l’acquisition, au traitement et à la
propagation de données de contexte brutes dans l’espace
omniprésent.
Couche 2 : est consacrée à la représentation de données de
contexte peu profondes, à l’intégration avec des sources
externes et à un raisonnement de contexte efficace.
Couche 3 : sert à la réalisation / abstraction pour appliquer la
représentation et le raisonnement ontologiques.
35 / 36
36. Evolution de la modélisation du contexte et du raisonnement
Approches Simples de modélisation de contexte
Abstractions de contexte de haut niveau
Incertitude des informations de contexte
Approche hybride de modélisation de contexte
Conclusion
Nous avons décrit l’état de l’art dans la modélisation du
contexte et le raisonnement.
Nous avons présenté un ensemble d’exigences que la
modélisation de contexte et les techniques de raisonnement
devraient respecter.
Nous avons présenté deux questions particulièrement
pertinentes qui doivent être abordées dans tout cadre de
représentation et de raisonnement du contexte.
Nous avons conclu en introduisant les approches hybrides.
36 / 36