Makesense

Qu'est ce qu'un réseau de capteurs ?

Utilisation d'un réseau de capteurs

• Smart Parking
• Smart metering
• Surveillance de zones

Quel est le contexte technique ?

Réseaux de capteurs

• Ressources matérielles limitées
• Environnement bruité

Pour les simulations/expériences

• Simulation (COOJA)
• Emulation de plateforme contrainte (MSPSIM)
• Déploiement sur des noeuds réels dans un testbed (iotlab)

Enjeux de la recherche reproductible

• Possibilité de refaire une expérience
• Possibilité de partager facilement une expérience
• Réduire le temps de "démarrage"

Solution proposée

Makesense

• Décompose une étape en une série d'étapes indépendantes les unes des autres
• Permet d'avoir une execution commune dans des contextes différents
• Intégration continue
• Codé en Python

Étapes

• Création
• Execution
• Parse
• Analyse
• Plot
• Partage
• Intégration Continue

Création

• Création des firmwares
• Création des fichiers de simulations et des topologies

Outil (Jinja2)

...
{% for mote in motes %}

{{ mote.x }}
{{ mote.y }}
{{ mote.z }}
{{ mote.id }}
{{ mote.mote_type }}

{% endfor %}
...

with open("simulation_file.csc") as f:
    f.write(template.render(motes=[
    	{"x": 0, "y": 0, "z": 0, "id": 0, "mote_type": "router"},
    	{"x": 1, "y": 1, "z": 1, "id": 1, "mote_type": "server"}
    ]))

Execution

• Execution sur simulation et testbed réel
• Gestion de l'orchestration des trafics
• Gestion des exceptions

Outils (Fabric)

@host("grenoble")
def run(exp_id):
    run_experiment(exp_id)

Parse

• Nettoyage des données (PCAP, texte,...)
• Changement de variable

Outils (regexp, pandas)

_handlers = [
    _handle_udp_reception_log,
    _handle_udp_sending_log,
    ...,
]

messages = set()
with open(pj(folder, "serial.log")) as serial_file:
    for line in serial_file:
        for handler in _handlers:
            match = re.match(handler.regexp, line, re.MULTILINE)
            if match:
                message = handler(match, stats)
                messages.add(message)
                break
    return messages

Analyse

• Partie exploratoire
• Nécessité d'avoir un cout d'itération faible

Outils (Pandas)

import pandas as pd

df = pd.read_csv("my_results.csv")
df[df.pkt_type == "udp"].count()

Plot

• Produire les figures pour le papier

Outils (Pandas, matplotlib)

import pandas as pd

df = pd.read_csv("my_results.csv")
df[df.pkt_type == "udp"].count().plot(kind="bar")

Partage

• Intéractif
• Mise en forme riche (Latex)

jupyter notebook

Intégration continue

• Preuve que l'expérience est reproductible par un tiers
• Dépendance figée

Outils: Travis-ci

• Gratuit pour les étudiants et projets open source
• Intégré à Github
• Lancé à chaque nouveau commit

install:
	# Install all dependencies
	- sudo apt-get install tshark

script:
	- ipython nbconvert --to=python demo.ipynb
	- python demo.py