analisa kinerja resource-aware framework pada algoritma light

ANALISA KINERJA RESOURCE-AWARE FRAMEWORK PADA
ALGORITMA LIGHT-WEIGHT FREQUENT ITEM (LWF)
1
2
Jumadi M. Parenreng , Supeno Djanali , Ary M. Shiddiqi
3
Teknik Informatika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
[email protected]
2
Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
3
Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
1
Abstrak
Online Data Stream saat ini menjadi trend komunikasi data, ini tidak terlepas dari
kemampuan transfer data yang semakin cepat, sehingga memungkinkan untuk transfer live
data stream. Pemanfaatan teknologi ini salah satunya dimanfaatkan oleh perangkat Wireless
Sensor Network (WSN). Kendalanya adalah sumber daya (resource) yang dimiliki oleh
setiap perangkat wireless berupa bateri, memory dan CPU sangat terbatas. Karena
keterbatasan sumber daya maka dibutuhkan efesiensi sumber daya dengan menerapkan
konsep resource-aware (RA) dan data yang didapatkan oleh perangkat wireless tidak mesti
dikirimkan seluruhnya ke server pengelohan data, karena hanya akan menghabiskan
sumber daya, tetapi data yang dikirim adalah data yang telah mengalami proses mining dan
data yang benar-benar dibutuhkan saja.
Fokus penelitian tesis ini adalah pembuktian dan analisa algoritma LW-Class dan LWF yang
bekerja dengan memanfaatkan ketersediaan sumber daya yang dimiliki, banyaknya data,
class dan counter yang terus berubah sesuai dengan ketersediaan memory pada waktu
yang telah dispesifikasikan. Percobaan ini menggunakan data Iris dan data Vehicle yang
disimulasikan pada program Java. Pada percobaan didapatkan hasil bahwa dengan
menerapkan Resource-Aware membuat hasil mining data lebih baik, pemanfaatan memory
dan CPU lebih efisien serta daya tahan (live time) bateri +30% lebih lama jika menerapkan
konsep Resource-Aware. Adapun efesiensi LW-Class dan LWF yakni penggunaan memory
lebih baik pada LWF dibanding LW-Class, tetapi daya tahan bateri, pada LW-Class +15%
lebih baik dari LWF.
Kata Kunci : Data Stream, Algoritma Granularity, Resource-Aware
1. Pendahuluan
Perangkat jaringan terbaru dan aplikasinya, saat ini
telah banyak memanfaatkan streaming data online
sehingga sistem jaringan dituntut untuk selalu
beroperasi
secara
stabil.
Resource-aware
framework pada konsep Online Data Mining
merupakan bagian yang sangat penting untuk
Wireless Sensor Network (WSN). Resource-Aware
framework dapat diterapkan pada banyak teknik
mining pada data yang membutuhkan monitoring
secara berkelanjutan, agregasi data dan inter
network processing (Datta, 2006). Sumber energi
berupa Memori, CPU dan Bateri adalah bagian
yang menjadikan Wireless Sensor Network dapat
bekerja secara terus-menerus dalam jangka waktu
lama. Tren terbaru dalam lingkup jaringan wireless
yakni online data stream dimana pemrosesan data
dilakukan pada perangkat wireless sensor network
yang mengandalkan stream input data dengan
kecepatan tinggi, kemudian pada waktu yang
bersamaan pengiriman data secara update harus
dilakukan dengan energi yang dimiliki. Karenanya
efesiensi energi dan manajemen sumber daya
(resource) adalah bagian yang sangat penting
untuk teknik pemrosesan data pada jaringan ini.
Gaber memperkenalkan model pengolahan data
yang didasarkan pada teknik mining dengan nama
Algoritma-Granularity (Gaber et al, 2004a) yakni :
Light Weight Clustering (LWC), Light Weight
Classification (LWClass) dan Light Weight
Frequent Item (LWF) dengan memanfaatkan
ketersediaan resource berupa Memory, CPU
dan Bateri.
2. Mining Pada Data Stream
Data Stream didasarkan pada urutan besarnya
data yang dihasilkan secara kontinyu dengan
kecepatan tinggi. Salah satu karakteristik data
stream adalah memungkinkan untuk selalu
terupdate secara real time dengan data yang
hampir tiba pada waktu yang bersamaan.
Karakteristik
lain
data
stream
adalah
mengalirkan item data dengan kecepatan tinggi.
Hal ini bisa jadi kecepatan data lebih tinggi
dibandingkan dengan kemampuan komputasi.
Untuk menangani kecepatan data yang tidak
seimbang ini, maka kecepatan stream data
harus
disesuaikan
dengan
kemampuan
komputasi. Hal ini dapat dilakukan dengan
mengurangi jumlah aliran data yang dilewatkan
ke algoritma data mining (Shiddiqi, 2009a).
Gambar 1. Proses Stream Mining pada Data (Gaber et
al, 2003)
Beberapa strategi mining terhadap data yang
dikembangkan : pertama, adaptasi data rate
pendekatan ini menggunakan sampling, filtering,
aggregation dan load shedding. Kedua, konsep
level output dilakukan pencocokan berdasarkan
kategori output, bisa berupa penetapan ukuran tapi
proses ini membuat CPU bekerja terus-menerus.
Ketiga,
algoritma
perkiraan
konsepnya
berdasarkan perkiraan hasil dengan memberikan
beberapa batasan error yang dapat diterima.
Keempat, analisa on-board yaitu pada proses data
miningnya dilakukan pada lokasi data sumber
dengan maksud menghindari transfer data dalam
jumlah besar. Kelima yang dikembangkan dalam
penelitian ini adalah algoritma output granularity
konsep ini memiliki parameter kontrol output rate
dari algoritma berdasarkan ketersediaan resource
komputasi.
3. Kerangka Resource-Aware
Penelitian (Gaber et al, 2006) menemukan sebuah
metode penyelesaian untuk setting ketersediaan
resource untuk algoritma stream mining yang
disebut Algoritma Granularity Setting (AGS).
Metode ini terdiri dari tiga setting yang pertama,
Algoritma Input Setting disebut Algoritma Input
Granularity (AIG) yang mengontrol ketersediaan
resource berupa Bateri. Adaptasinya dilakukan
dengan Interval sampling (IS), Jika source bateri
100% maka data stream dicek secara keseluruhan
tetapi jika drop sampai pada level kritis maka pada
data dilakukan dengan interval data berdasarkan
ketersediaan bateri yang dihitung menggunakan
rumus (Shiddiqi, 2009a) :
ub − lb
...............(1)
SI = ub − battery
batt _ crit _ Threshold
Keterangan :
SI
= Interval Sampling
ub
= Upper Bound
lb
= Lower Bound
battery
= Total sisa resource bateri
batt_crit_threshold = Batas kritis bateri
Kedua, Algoritma Output Setting yang disebut
Algoritma Output Granularity (AOG) mengontrol
ketersediaan
resource
berupa
Memory.
Adaptasinya didasarkan pada Setting Radius
Threshold (RT), jika ketersediaan memory
berkurang di bawah batas kritis maka sistemnya
akan mengurangi pemanfaatan memory dengan
membatasi jumlah cluster atau counter yang
terbentuk, sehingga menyisakan space memory
lebih banyak. Dihitung dengan menggunakan
rumus :
….(2)
UB − LB
RT = UB − (100 − Memory)
(100 − Mem _ Crit _ Threshold )
Keterangan :
Radius Threshold = Jarak maksimum threshold
UB
= Upper Bound
LB
= Lower Bound
Memory = Total memory yang terpakai
Mem_Crit_Threshold = Batas kritis memory
100
= Utilitas maksimum memory (%)
Ketiga, proses setting yang disebut Algoritma
Process Granularity (APG) yang mengontrol
ketersediaan resource berupa processor (CPU).
Adaptasinya dilakukan dengan setting Factor
Random (FR), Jika CPU 100% maka stream
data
dicek
secara
keseluruhan
untuk
menentukan kedekatan antara data tetapi jika
CPU sampai pada level kritis maka stream data
diseleksi secara random. Nilai-nilainya dihitung
menggunakan rumus :
UB − LB
.....(4)
RF = (100 − CPU )
(100 − CPU _ Crit _ Threshold )
Keterangan :
RF
= Faktor Random
Cpu_Crit_Thresh= Ambang kritis CPU
LB
= Lower Bound
CPU
= Total sisa resource CPU
100
= Utilitas maksimum CPU (%)
Gambar 2. Resource-Aware Framework
Adapun komponen utama dari Resource-Aware
framework, yang pertama, Komponen Resource
Monitor yang memonitor level resource. Secara
umum resource yang perlu untuk dimonitor
adalah level bateri, memory yang tersedia,
penggunaan CPU dan Buffer komunikasi atau
Bandwidth. Resource monitor menghasilkan
laporan resource yang digunakan oleh AGS
dalam membuat keputusan untuk parameter
mining pada data jika dibutuhkan. Kedua,
algoritma mining pada data yang diproses pada
data stream dilakukan secara real time. Ketiga,
algoritma granularity setting berfungsi untuk
memutuskan parameter algoritma mining
berdasarkan ketersediaan resource.
3.1 Light-Weight
Classification
(LWClass)
LW-Class dan AGS adalah kombinasi untuk
membangun
teknik
Resource-Aware
Classification yang disebut RA-Class. Pada
teknik ini, AGS memonitor secara berkala
ketersediaan resource. Namun, jika ada
perubahan signifikan terhadap ketersediaan
sumber daya, maka AGS akan bereaksi
terhadap perubahan secara langsung, untuk
mencegah penurunan kinerja dan yang lebih
penting lagi yakni kehilangan hasil klasifikasi
terbaru.
Algoritma dimulai dengan memeriksa setiap
entry yang masuk dengan menggunakan
algoritma
LW-Class.
Algoritma
akan
menentukan apakah entry yang masuk akan
ditandai sebagai spesifik entry yang disimpan,
atau akan disimpan sebagai entry baru. Fungsi
algoritma update memberikan informasi jika
dibutuhkan untuk mengubah setting dari
algoritma LW-Class. Pada RA-Class yang
diusulkan, ada tiga setting yang dapat
disesuaikan: interval sampling, factor random dan
nilai
radius
threshold.
Sampling
interval
berhubungan dengan level ketersediaan bateri,
factor random berhubungan dengan penggunaan
CPU dan nilai radius threshold berhubungan
dengan sisa memory. Jika ada perubahan
signifikan terhadap ketersediaan resource, maka
AGS akan menghitung variable algoritma LWClass (interval sampling, faktor random, dan nilai
radius threshold). Jika level bateri turun di bawah
level tertentu, interval sampling akan dinaikkan. Ini
akan mengurangi energi yang dihabiskan untuk
memproses data stream. Jika penggunaan CPU
mencapai level kritis, maka factor random akan
dikurangi. Sehingga, ketika menetapkan entry
masuk, maka LWClass tidak akan menguji semua
entry yang tersimpan untuk mendapatkan jarak
minimum.
Sebaliknya, pemeriksaan secara
random, berdasarkan perhitungan AGS. Terakhir,
jika memory yang tersisa berkurang secara
signifikan, maka nilai radius threshold akan
ditingkatkan
untuk
mencegah
pembuatan
(creation) entry baru. Ini akan memperlambat
penggunaan memory untuk menyimpan entri yang
dipilih. Hasil resource-aware classification (RAClass) adalah daftar entry yang dapat digunakan
untuk menentukan label kelas entry. Algoritmanya
dituliskan seperti pada gambar 3. (Shiddiqi, 2010).
Gambar 3. Algoritma Resource-Aware Class
3.2 Light Weight Frequent Itme (LWF)
Light-Weight Frequent Item (LWF) atau disebut
dengan Resource-Aware Frequent Item (RAFrequent Item). (Gaber et al, 2004b) menjelaskan
bahwa algoritma ini melakukan setting sejumlah
frequent item yakni banyaknya data dan counter
yang terus berubah berdasarkan pada kalkulasi
memori yang tersedia dan nilai data rate yang selalu
berubah. Algoritma diawali dengan menentukan
frequent item yang akan dihitung berdasarkan
ketersediaan memori. Nilai ini berubah seiring waktu
untuk mengatasi data rate yang tinggi. Ide utama di
balik algoritma ini adalah algoritma output
granularity (AOG). AG ini mewakili banyaknya
frequent item yang mana algoritmanya dapat
menghitung seperti halnya pada sejumlah counter
yang akan ter-reset setelah batas waktu (time
threshold) yang tujuannya untuk mengatasi sifat
alami data yang mengalir secara continue dari data
stream. Algoritmanya menerima elemen data satu
demi satu dan mencoba untuk menemukan counter
untuk setiap item baru dan menambah item untuk
jenis item yang telah terdaftar. Jika semua counter
telah ditempati, beberapa item baru akan diabaikan
dan counter akan berkurang satu (satu demi satu)
sampai algoritmanya mencapai nilai ambang batas,
jumlah frequent item yang paling sedikit akan
diabaikan dan counternya akan kembali direset
menjadi nol. Jika item baru mirip dengan salah
satu item dalam memory berdasarkan batasbatas kesamaan (similarity threshold), nilai ratarata kedua item akan dialokasikan dan counter
akan bertambah satu. Parameter utama yang
dapat mempengaruhi akurasi algoritma adalah
batas waktu (time threshold), banyaknya frequent
item akan diperhitungkan dan banyaknya item
yang akan di abaikan dan counternya akan
direset setelah batas waktu habis (time threshold)
(Gaber et al, 2003).
Gambar 4. Algoritma LWF
4. Implementasi Algoritma RA
4.1 Arsitektur Sistem RA
Dengan
melakukan
modifikasi
arsitektur
Resource-Aware Ubiquitous Data Mining (RAUDM) (Gaber et al, 2003). Algoritma ini nantinya
akan menerima dan mengolah data yang diterima
berdasarkan ketersediaan resource yang dimiliki.
Informasi resource diperoleh dari resource aware
komponen yang melakukan pengecekan dan
menghitung ketersediaan sumber daya yang
masih tersisa. Berdasarkan informasi ini maka
mobile light weight data analisis agent melakukan
proses data yang telah diterima dari data stream
process dengan memanfaatkan algoritma LightWeight Classification LW-Class dan Light-weight
frequent item (LWF).
Gambar 5. Arsitektur Sistem RA
4.2 Diagram Alur Sistem
Gambar 8. Grafik resource memory dengan adaptasi
RA melalui radius threshold saat rilis hasil counter
pada LW-Class
Gambar 6. Diagram sistem LW-Class
Gambar 8 memperlihatkan kinerja RT dalam
melakukan adaptasi terhadap ketersediaan
memory. Level kritis memory 70% ketika
memory yang terpakai melebihi 70% maka RT
secara bertahap melakukan adaptasi sesuai
dengan ketersediaan memory. Semakin kecil
ketersediaan memory maka adaptasi RT
semakin besar. Terlihat ketika memory terpakai
83% maka besarnya nilai adaptasi RT sebesar
0.933.
b. Grafik CPU dan adaptasi Factor Random (FR)
pada LW-Class
Gambar 9. Grafik ketersediaan resource CPU ketika
benar-benar sibuk dengan adaptasi RA melalui factor
random pada LW-Class
Gambar 9 memperlihatkan adaptasi FR.
Besarnya adaptasi FR berada pada 100 s.d 0,
level kritis 60% yakni ketika penggunaan CPU
melampaui 60% maka FR akan melakukan
adaptasi untuk mengimbangi kondisi kritis CPU.
Gambar 4.16 ketika CPU benar-benar sibuk dan
FR berusaha mengimbangi kesibukan CPU.
c. Grafik Bateri dan adaptasi Interval Sampling
(IS) pada LW-Class
Gambar 7. Diagram sistem LWF
5. Pengujian dan Analisa Hasil
5.1 Pengujian
Skenario pengujian dirancang sedemikian rupa
dan dilakukan dalam 12 kali pengujian,
menggunakan Data Iris dan Data Vehicle dengan
menerapkan algoritma LW-Class dan LWF.
5.2 Analisa Hasil
5.2.1
Algoritma LW-Class dengan Data Iris
a. Grafik Memory dan adaptasi Radius Threshold
(RT) pada LW-Class
Gambar 10. Grafik ketersediaan resource bateri ketika
melampaui level kritis dengan adaptasi RA melalui
interval sampling pada LW-Class
c. Grafik Bateri dan adaptasi Interval Sampling
(IS) pada LWF
Gambar 10 memperlihatkan level kritis bateri yang
disetting sebesar 40% ketika ketersediaan bateri
sisa 40% maka secara bertahap IS akan
melakukan adaptasi yang persentase kenaikannya
berdasarkan ketersediaan bateri. Level adaptasi IS
dimulai 1000 s.d 2500 ms yakni pada data
dilakukan pengecekan dengan interval waktu
antara 1 detik sampai 2.5 detik ketika bateri benarbenar kritis. Pada percobaan dengan adaptasi RA,
bateri dapat bertahan lebih lama 245 detik jika
dibandingkan dengan tanpa adaptasi RA.
5.2.2
Algoritma LWF dengan Data Iris
a. Grafik Memory dan adaptasi Radius Threshold
(RT) pada LWF
Gambar 13. Grafik ketersediaan resource bateri ketika
melampaui level kritis dengan adaptasi RA melalui
interval sampling pada LWF
Gambar 13 memperlihatkan kondisi ketika bateri
memasuki masa kritis. Dengan adaptasi RA, IS
secara bertahap melakukan adaptasi yang
dimulai dari 1000 s.d 2500 ms. Pada percobaan
terlihat jelas dengan adaptasi RA melalui IS
daya tahan bateri (live time) dapat beratahan
sampai 155 detik lebih lama dari percobaan
tanpa adaptasi RA.
Gambar 11. Grafik resource memory dengan adaptasi
RA melalui radius threshold saat rilis hasil counter pada
LWF
Pada Gambar 11 pengujian dengan Level kritis
memory 70% dan adaptasi RT 0.5 s.d 1.5.
Nampak pada hasil percobaan tanpa RA
penggunaan memory pada LWF lebih stabil terlihat
dengan hasil percobaan rata-rata konsumsi
memory tidak melebihi 80%. Ketika penggunaan
memory 75%, maka secara bertahap RT
melakukan adaptasi sebesar 0.666
b. Grafik CPU dan adaptasi Factor Random (FR)
pada LWF
Gambar 12. Grafik ketersediaan resource CPU ketika
sibuk dengan adaptasi RA melalui factor random pada
LWF
Gambar 12 memperlihatkan grafik ketika CPU
mulai memasuki masa kritis saat prosesnya
melebihi level kritis 60% adaptasi RF dengan
interval adaptasi antara 100 s.d 0 berusaha
mengimbangi tingkat kesibukan CPU, sehingga
dengan adaptasi FR membuat proses CPU lebih
stabil jika dibandingkan dengan tanpa adaptasi
RA.
6. Kesimpulan
Beberapa hal yang menarik dijadikan sebagai
kesimpulan, setelah melakukan percobaan di
atas dengan beberapa variasi pengujian, yaitu :
• Adaptasi resource-aware terbukti lebih
efisien dalam memanfaatkan resource baik
untuk penerapan algoritma Light-Weight
Classification (LW-Class) juga untuk
algoritma Light-Weight Frequent Item
(LWF).
• Efesiensi waktu dengan adaptasi resourceaware (RA) rata-rata 30% s.d 40% lebih
efisien.
• Efesiensi penggunaan memory, LWF lebih
irit dan stabil dibanding LW-Class tetapi
untuk efesiensi waktu LW-Class lebih baik
dibandingkan dengan LWF.
• Untuk inplementasi ke perangkat untuk area
dengan fariasi data terlalu banyak, maka
pemanfaatan LW-Class kurang baik karena
kerja memory akan berat dan hanya akan
melaporkan data yang betul-betul dominant
saja. Semenatara pada LWF pemanfaatan
memory lebih stabil dan hasilnya lebih
merata.
Daftar Pustaka
Akkaya, Kemal., and Newell, Andrew. (2009),
Self-deployment
of
sensors
for
maximized coverage in underwater
acoustic sensor networks, Department
of Computer Science, Southern Illinois
University Carbondale, Carbondale, IL
62901, United States
Burl M., Fowlkes C., Roden J., Stechert A., and
Mukhtar S. (1999), Diamond Eye: A
distributed architecture for image data
mining. In SPIE DMKD, Orlando, April
(1999)
Charu C. Aggarwal. (2007), Data Stream : Model
and Algorithms IBM T. J. Watson
Research Center, Hawthorne, NY 10532
Datta, Souptik., Bhaduri, Kanishka., Giannella,
Chris., Wolff, Ran., Kargupta, Hillol.
(2006), Distributed Data Mining in Peerto-Peer Networks, Dept. of Computer
Science
&
Electrical
Engineering,
University of Maryland Baltimore County
Baltimore, MD, USA
Gaber,
Mohamed
Medhat.,
Krishnaswamy,
Shonali., Zaslavsky Arkady. (2003),
Adaptive Mining Techniques for Data
Streams
using
Algorithm
Output
Granularity, School of Computer Science
and Software Engineering, Monash
University, 900 Dandenong Rd, Caulfield
East, VIC3145, Australia
Gaber, Mohamed Medhat., Krishnaswamy, S., and
Zaslavsky, A. (2004a), Cost-Efficient
Mining Techniques for Data Streams.
First Australasian Workshop on Data
Mining and Web Intelligence (DMWI
2004). Held in conjunction with the
Australasian Computer Science Week
(ACSW 2004), Dunedin, New Zealand,
2004
Gaber, Mohamed Medhat., Yu, P. S. (2006), A
framework for resource-aware knowledge
discovery in data streams: a holistic
approach with its application to clustering.
Proceedings
of
the
2006
ACM
Symposium on Applied Computing (SAC
'06), April 23 - 27, 2006, Dijon, France,
ACM, New York, NY; p. 649-56.
Gaber,
Mohamed
Medhat.,
Krishnaswamy,
Shonali., and Zaslavsky, Arkady. 2004b),
A Wireless Data Stream Mining Model, 1
School of Computer Science and
Software Engineering, Monash University,
900 Dandenong Rd, Caulfield East,
VIC3145, Australia
Kargupta. H. (2003), VEhicle DAta Stream Mining
(VEDAS)
Project.
Entry
from
http://www.cs.umbc.edu
/%
7Ehillol/vedas.html.
IOS., Euclidean Distance Metric and Manhattan
Distance
Entry
from
http://www.improvedoutcomes.com/docs/
WebSiteDocs/Clustering/Clustering_Para
meters/Manhattan_Distance_Metric.htm
Mainwaring, A., Culler, D., Polastre, J., Szewczyk,
R., Anderson, J. (2002), Wireless sensor
networks for habitat monitoring. In
st
Proceedings of the 1 ACM International
Workshop on Wireless Sensor Networks
and Applications (Atlanta, Georgia, USA,
September 28 - 28, 2002). WSNA '02.
ACM, New York, NY, p. 88-97
McConnell S., Skillicorn D. (2005), A Distributed
Approach for Prediction in Sensor
Networks. In Proceedings of 1st
International Workshop on Data Mining in
Sensor Networks as part of the ISAM
International Conference on Data Mining,
2005, p. 28-37
Mowforth, Pete., and Shepherd, Barry., Statlog
(Vehicle Silhouettes) Data Set Entry
from
http://archive.ics.uci.edu/ml/datasets/St
atlog+(Vehicle+ Silhouettes)
Phung, N. D., Gaber, M. M., Röhm, U. (2007),
Resource-aware Distributed Online
Data Mining for Wireless Sensor
Networks, Computational Intelligence
and Data Mining 2007 (CIDM 2007),
March 1, 2007-April 5, 2007, p.139 –
146
Röhm U, Gaber M, M., Tse, Q. (2008), “Enabling
resource-awareness for in-network data
processing
in
wireless
sensor
networks”,
Proceedings
of
the
Nineteenth Conference on Australasian
Database - Volume 75; December 03 04, 2007; Gold Coast, Australia:
Australian
Computer
Society,
Darlinghurst, Australia; p. 107-14
Shiddiqi, Ary Mazharuddin. (2009a), “ResourceAware data stream classification in
wireless sensor network”, faculty of
Information
Technology,
Monash
University, july 2009
Shiddiqi,
Ary
Mazharuddin.
(2009b),
Performance
Measurement
of
Resource-aware Framework in Online
Data Stream Mining, Informatics
Department, Faculty of Information
Technology,
Sepuluh
Nopember
Institute of Technology
Shiddiqi, Ary Mazharuddin., Gaber, Mohamed
Medhat.
(2010),
Light
Weight
Resource-Aware
Data
Stream
Classification,
Sepuluh
Nopember
Institute of Technology, Surabaya,
Indonesia,
Monash
University,
Melbourne, Australia, IEEE Magnetics
Letters, Volume 1 (2010).
Tanner S., Alshayeb M., Criswell E., Iyer M.,
McDowell A., McEniry M., Regner K.
(2002), EVE: On-Board Process
Planning and Execution, Earth Science
Technology Conference, Pasadena,
CA, Jun. 11 - 14, (2002)
Travis, Greg. (1997), Create BitInputStream and
BitOutputStream Classes, Entry from
http://www.devx.com/java/free/articles/g
t052002/gt052002-1.asp
Wales, Jimmy., and Snow, Michael. (2009),
Ordinal Data Type, Entry from
http://en.wikipedia.org/wiki/Ordinal_dat
a_type
Werner-Allen, G., Lorincz, K., Ruiz, M., Marcillo,
O., Johnson, J., Lees, J., Welsh, M.
(2006), Deploying a wireless sensor
network on an active volcano, Internet
Computing, IEEE, Volume 10, Issue 2,
March-April, 2006, p.18 – 25