UNIVERSIDADE FEDERAL DE VIOSA CENTRO DE CINCIAS EXATAS E TECNOLGICAS DEPARTAMENTO DE INFORMTICA

PROJETO FINAL DE CURSO

SISTEMA DE LOCALIZAO PARA AMIBIENTES INTERNOS USANDO WI-FI FINGERPRINTING

Rafael Luciano Guerra Graduando em Cincia da Computao

Carlos de Castro Goulart (Orientador)

VIOSA MINAS GERAIS AGOSTO - 2013

RESUMO
SISTEMA DE LOCALIZAO PARA AMIBIENTES INTERNOS USANDO WI-FI FINGERPRINTING Carlos de Castro Goulart (Orientador) Rafael Luciano Guerra (Estudante)

RESUMO Como a chegada dos smartphones, certas aes se tornaram mais fceis, como identificar a sua localizao. Com um telefone celular possvel se localizar em qualquer lugar usando o sistema GPS (Global Positioning System), entretanto, esse sistema depende de no mnimo 4 satlites visveis para o dispositivo. Portanto, dentro de prdios os sinais desses satlites ficam comprometidos e, ento, a localizao fica tambm comprometida. Assim, neste trabalho implementamos e fazemos a comparao entre dois algoritmos usando dois diferentes mtodos para clculo da posio de um dispositivo em ambientes internos. Os algoritmos so o M-Closest e o NNS (Nearest Neighbor Search) e os mtodos so o Euclidiano e o mtodo Manhattan, todos os mtodos usam o RSSI (Received Signal Strength Indicator) dos APs (Access Points) visveis para calcular a posio atual.

PALAVRAS-CHAVE Fingerprinting, redes sem fio, localizao em ambientes internos REA DE CONHECIMENTO 1.03.00.00-7 - Cincia da Computao LINHA DE PESQUISA 22 Redes de Computadores

Sumrio
1 Introduo ............................................................................................................................... 1 1.1 Objetivos ........................................................................................................................... 2 2- Referencial Terico................................................................................................................... 2 3 Metodologia ............................................................................................................................ 4 3.1 Requisitos ......................................................................................................................... 4 3.1.1 Requisitos Funcionais ............................................................................................... 5 3.1.2 Caso de uso................................................................................................................ 7 4 Materiais.................................................................................................................................. 9 5 Resultados e Discusso ........................................................................................................... 9 5.1 Software ......................................................................................................................... 10 5.2 Testes.............................................................................................................................. 15 5.2.1 Ambiente de Testes ................................................................................................. 15 5.2.2 Casos de Teste ......................................................................................................... 15 6 Concluses ............................................................................................................................ 19 7- Referncias Bibliogrficas ...................................................................................................... 19

1 Introduo
Quando estamos viajando, em alguns casos, podemos encontrar dificuldade em nos locomover de um ponto a outro quando no conhecemos a regio. Nestas situaes podemos utilizar o sistema GPS (Global Positioning System) ou o GLONASS (Globalnaya Navigatsionnaya Sputnikovaya Sistema), o objetivo desses sistemas calcular a sua posio geogrfica e mostr-la em um mapa. Existem vrios softwares capazes de fazer uso de um dispositivo GPS/GLONASS, entre eles, os principais: Google Maps, muito utilizado em celulares que tem conexo constante com a internet (3G, 4G ou LTE), pois os mapas no so armazenados nos dispositivos e iGO, utilizado em aparelho GPS para carros, onde a principal diferena desse software o fato de j ter os mapas armazenados no dispositivo. O sistema GPS ou GLONASS funciona bem apenas em locais abertos, pois esse sistema calcula a posio com base em transmisses de dados recebidas por satlites. O sistema calcula a distncia de cada satlite com base na velocidade de propagao do sinal eletromagntico e no tempo que a mensagem demora a chegar ao dispositivo. Com essa informao o dispositivo usa um algoritmo de triangulao e assim calcula a posio do dispositivo. Entretanto, o GPS e o GLONASS dependem do sinal dos satlites disponveis o que exige que o aparelho fique em local aberto para ter acesso ao satlite, ou seja, esse sistema de localizao no funciona corretamente quando o dispositivo est dentro de um prdio, pois as estruturas de ao e concreto impedem e/ou dificultam a transmisso de dados entre o satlite e o dispositivo. Portanto, o sistema GPS e o GLONASS ficam comprometidos quando utilizados dentro de edifcios ou casas. Uma soluo para esse problema utilizao de Access Points (APs) que usam Wi-Fi IEEE 802.11. O sistema funcionaria de forma semelhante ao GPS, mas ao invs de calcular a distncia com base no tempo de envio e no tempo de chegada, usaramos o RSSI (Received Signal Strength Indicator) de cada Access Point visvel ao dispositivo. Sabendo a Localizao de cada AP e o RSSI possvel fazer uso de um algoritmo baseado em triangulao para calcular a posio do dispositivo. Entretanto, segundo Mok e Retscher (2007) o mtodo de Fingerprinting tem uma preciso maior que o algoritmo de triangulao.

O algoritmo de Fingerprinting dividido em duas etapas: calibrao e localizao. Na etapa de calibrao, primeiramente definido um mapa que contm uma grade de pontos. Para cada um desses pontos, o algoritmo deve armazenar uma certa quantidade de medidas de RSSI. Com essas medidas possvel construir um banco de dados com a potncia do sinal recebido para os pontos considerados. Essas informaes sero utilizadas na etapa de localizao. Esta etapa consiste em comparar a medida de RSSI com as medidas armazenadas no banco de dados, ento a medida do banco de dados que tiver a menor diferena com a medida atual a medida da posio atual do dispositivo. Existem dois algoritmos principais para calcular essa diferena, o NNS (Nearest Neighbor Search) e o M-Closest.

1.1 Objetivos
O principal objetivo deste trabalho a produo de um sistema de localizao usando redes Wi-Fi via Fingerprinting. Abaixo citamos as principais caractersticas que o sistema deve desempenhar: mostrar a localizao em tempo real de um dispositivo; mostrar a posio cadastrada do Access Point; permitir o cadastro de novos Access Points; permitir a adio de novas medidas de RSSI.

Alm desses objetivos para o software, temos os objetivos de pesquisa: implementao do algoritmo NNS para localizao usando a distncia Euclidiana e a distncia de Manhattan; implementao do algoritmo M-Closest para localizao usando a distncia Euclidiana e a distncia de Manhattan.

2- Referencial Terico
As redes locais sem fio, tambm conhecidas com redes Wi-Fi ou WLAN (Wireless Local Area Network), so redes formadas por computadores que possuem um adaptador de rede que segue a norma IEEE 802.11 a/b/g/n/ac. Esses padres foram desenvolvidos

para garantir que computadores consigam se comunicar com computadores que esto em redes Ethernet (IEEE 802.3) e tambm tenham acesso Internet. Para este trabalho, utilizaremos rede IEEE 802.11n por ter uma difuso maior que o padro IEEE 802.11ac que poucos dispositivos suportam. Este padro permite velocidades de at 600 Mbps (megabits por segundo) e um alcance de 250 metros em ambientes abertos. Entretanto, se algum dos Access Points disponveis trabalhar com algum dos padres mais antigos (IEEE 802.11 a/b/g) no haver problema, devido a retrocompatibilidade definida no padro IEEE 802.11n. Portanto, se usarmos um dispositivo IEEE 802.11n ele conseguir identificar APs com padres antigos. Outro aspecto importante deste projeto o algoritmo de Fingerprinting. Como citado anteriormente, esse algoritmo divido em duas etapas: calibrao e localizao. Para a etapa de localizao utilizaremos trs diferentes algoritmos. O primeiro dele o NNS, que consiste em determinar o ponto atual por comparao com todos os pontos da base de dados o ponto que estiver mais prximo do atual o resultado. Para fazer essas comparaes usaremos dois mtodos diferentes, o primeiro dele o clculo Euclidiano para ambientes dinmicos (Gansemer et. al.). Em um ambiente interno existe a possibilidade que um certo AP esteja visvel em determinado momento e em outro momento j no possvel visualiz-lo. Portanto, necessrio normalizar a diferena para que a falta de um AP na medida no cause uma diferena muito grande no resultado. A equao 1 mostra como deve ser o calculo da diferena entre a medida atual e as armazenadas no banco de dados. Onde: (1)

a distncia euclidiana entre a medida atual e a medida armazenada no o numero de APs da medida atual que constam na base de dados;

banco de dados;

RSSIci a medida armazenada no banco de dados; e RSSIpi a medida atual. O segundo mtodo a ser utilizado ser o Manhattan, que oferece uma equao mais simples que o mtodo euclidiano (equao 2). | | (2)

Onde

o nmero de APs recebidos na medida atual. O segundo algoritmo o M-

Closest que consiste em pegar as M medidas mais prximas e calcular o ponto mdio entre eles. Para encontrar os M pontos mais prximos usamos aqui os mtodos

Euclidiano e de Manhattan. Esse algoritmo consiste em calcular o ponto mdio entre as M medidas mais prximas da medida atual.

3 Metodologia
Esse sistema foi desenvolvido com base no processo de desenvolvimento iterativo RUP (Rational Unified Process). Esse processo foi desenvolvido pela IBM e divido em quatro fases: Iniciao, Elaborao, Construo e Transio. A fase de Iniciao a fase onde o escopo do projeto definido e so levantados os primeiros requisitos. A fase de elaborao onde o projeto do sistema desenvolvido e os principais artefatos do projeto so produzidos, como Diagrama de Classe, Casos de Uso, Requisitos, etc. A fase de Construo onde acontece a implementao do sistema e tambm a execuo de testes unitrios. A fase de transio onde feita a entrega do sistema e tambm so executados os testes de aceitao. Cada uma dessas etapas pode ser divida em iteraes para que o desenvolvimento de cada fase seja mais concentrado em certas etapas, por exemplo, em uma iterao da fase de Construo a equipe deve construir a interface grfica da aplicao. Este projeto foi divido nas seguintes fases e iteraes: Fase de Iniciao I Definio do Escopo e Levantamento de Requisitos. Fase de Elaborao E Definio dos requisitos e produo dos Diagramas da UML. Fase de Construo C1 Construo do sistema de captura de RSSI. C2 Construo da GUI (Graphical User Interface). C3 Construo do sistema de armazenamento de RSSI. Fase de Transio T1 Criao de um banco de dados para testes. T2 Execuo dos Testes e entrega do projeto.

3.1 Requisitos
proposto um sistema de localizao para ambiente internos via Wi-Fi, usando Fingerprinting. O sistema tem como objetivo determinar a posio de um dispositivo
4

em ambientes internos como Shopping Centers, edifcios ou prdios de indstria. O sistema deve ser capaz de armazenar dados da fase de calibrao do mtodo Fingerprinting, a quantidade de dados depende do ambiente onde o sistema de localizao ser implementado. Com base nesses dados armazenados o sistema tem a capacidade de calcular a posio do dispositivo e fazer o acompanhamento da movimentao do dispositivo pelo ambiente.
3.1.1 Requisitos Funcionais

F1 Determinar Posio

Oculto ( )

Descrio: A aplicao deve ser capaz de acompanhar a movimentao do dispositivo a ser encontrado Requisitos No-Funcionais Nome NF1.1 Tempo de resposta Restrio A aplicao deve ser capaz de calcular a nova posio em menos de 5 segundos NF1.2 Interface grfica amigvel A interface grfica deve ser construda para facilitar a utilizao do sistema Interface () (X) Categoria Desempenho Desejvel (X) Permanente (X)

F2 Medir o RSSI

Oculto (X)

Descrio: O sistema deve ser capaz de medir o RSSI dos Access Points visveis

F3 Armazenar os RSSI em uma determinada posio

Oculto ( )

Descrio: A aplicao deve armazenar um banco de dados que contm o RSSI de cada Access Point para cada posio no mapa

F4 Exibir graficamente a Posio

Oculto ( )

Descrio: A aplicao deve ser capaz de exibir a posio atual do dispositivo em um mapa exibido na interface grfica do aplicativo e exibir o mesmo mapa para que o usurio possa escolher a posio que ele quer adicionar dados. Requisitos No-Funcionais Nome NF4.1 Interface grfica amigvel Restrio A interface grfica deve ser construda para facilitar a utilizao do sistema Categoria Interface Desejvel () Permanente (X)

F5 Cadastrar um Access Point

Oculto ( )

Descrio: A aplicao deve ser capaz de Cadastrar um Access Point

F6 Exibir todos os Access Points

Oculto ( )

Descrio: Os Access Points devem ser exibidos no mapa durante a fase de calibrao e a fase de Clculo da posio

3.1.2 Caso de uso

Caso de Uso Medir RSSI

Precondies

Usurio estar calibrao a posio ou determinando a sua posio

Requisitos Atendidos Fluxo Principal

F2 1- Sistema captura os dados de RSSI no adaptador WiFi definido pelo usurio 2- O Sistema retorna a medida de RSSI para cada AP visvel

Caso de uso Determinar Posio

Precondies Requisitos Atendidos Fluxo Principal

O sistema deve ter uma base de dados carregada F1, F4, F6 1- Medir o RSSI 2- O Sistema compara os valores de RSSI com os valores armazenados no banco de dados 3- O sistema exibe a posio dos APs no mapa 4- O sistema exibe a posio atual do dispositivo

Caso de Uso Calibrar Posio

Precondies Requisitos Atendidos Fluxo Principal F3, F6 1- O sistema deve mostrar no mapa todos os APs cadastrados 2- O usurio deve marcar no mapa a posio que est fazendo a calibrao 3- O usurio inicia a calibrao da posio 4- O sistema armazena um determinado numero de medidas de RSSI na base de dados
Caso de Uso Cadastrar AP

Precondies Requisitos Atendidos Fluxo Principal

O AP a ser cadastrado no existe F5 1- O Usurio entra com os dados da AP (SSID, MAC address) 2- O Usurio digita a posio em pixels
8

4 Materiais
No desenvolvimento desta aplicao utilizamos o QTCreator, uma IDE (Integrated Delevopment Enviroment) para desenvolvimento de software em C/C++ que permite a construo de interfaces grficas portveis entre sistemas operacionais. Para o desenvolvimento desta aplicao utilizamos o sistema operacional Linux, mais especificamente o Ubuntu 13.04. Quanto linguagem de programao utilizamos o C++. Para a realizao dos testes utilizamos um Sony VAIO Series T com uma placa WiFi externa, D-Link DWA-125. Para medir o RSSI usamos o iwlist que capaz de capturar informaes detalhadas de um AP a partir de um adaptador Wireless, ele capaz de informar o MAC Address, o ESSID (Extended Service Set Identification), a potncia do sinal recebida, canal, taxa de transmisso, tipo de criptografia (WEP/WPA/WPA2), etc.

5 Resultados e Discusso
Essa seo divida em duas partes: na primeira apresentamos o software que foi desenvolvido e na segunda apresentamos o ambiente de testes e os resultados dos nossos testes.

5.1 Software

Figura 5.1 - Tela Inicial do Sistema

Toda a interface Grfica do nosso sistema foi desenvolvida com ajuda do QTCreator 5.0.2. A figura 5.1 mostra a tela inicial do aplicativo, essa tela contm dois botes; o primeiro Offline Mode para entrar fazer a etapa de calibrao e o segundo Online Mode que ir iniciar o sistema de localizao. Caso o usurio clique no primeiro boto a tela da figura 2 ir aparecer.

10

Figura 5.2 - Tela inicial do sistema de calibrao

Na Figura 5.2 vemos a primeira tela do sistema de calibrao, assim como a tela inicial temos dois botes, entretanto, um para iniciar uma nova calibrao (boto New) que abre a tela de coleta de dados (Figura 5.3). O outro para continuar uma calibrao j iniciada (boto Load) que abre uma janela para selecionar o arquivo que contm a calibrao, aps carregar o arquivo para a memria a aplicao abre a tela de coleta de dados (Figura 5.3).

11

Figura 5.3 - Tela de calibrao do sistema

A figura 5.3 mostra a tela de coleta de dados nesta tela temos o mapa que mostra os pontos que o usurio vai usar como calibrao do sistema que so os pontos cinza. O ponto amarelo o ponto selecionado naquele momento, todas as medidas feitas para o ponto selecionado so mostradas na tabela abaixo do mapa. Ao lado esquerdo da tabela temos a rea para selecionar a direo da medida que o usurio est fazendo. Abaixo temos a posio do ponto selecionado em pixels e o boto Start que inicia faz a coleta o nmero de vezes definido pelo Number of Measurements do lado direito da tabela no adaptador definido em Devices, tambm do lado direito. Desse lado ainda tenho os seguintes botes: Remove Last Point que apaga o ltimo ponto que o usurio inseriu, o AP Configuration que leva o usurio para tela de configurao dos APs (Figura 5.4) e o Save, que salva os dados em um arquivo.

12

Figura 5.4 - Tela de Configurao dos APs

Na Figura 5.4, temos a tela de configurao dos APs, nela todos os APs encontrados na fase de calibrao so exibidos na tabela. Nesta tabela podemos colocar a posio em pixels de cada AP. Na tela tambm temos o boto Finish que salva todos os dados em arquivo e processa os dados da fase de calibrao para a fase de localizao.

13

Figura 5.5 - Tela da fase de localizao

A tela de localizao (Figura 5.5) mostra o mapa do ambiente, uma tabela com os resultados, a configurao do valor do M para o algoritmo M-Closest, o nmero de medidas que sero feitas para calcular a posio atual, o dispositivo que ser usado na medio, um boto para calcular a posio atual e outro para ativar um sistema que calcula a posio atual a cada segundo. O mapa exibe 5 tipos de pontos: os pontos laranja so os APs cadastrados, ponto azul a posio atual segundo o NNS usando o mtodo Manhattan, ponto vermelho a posio atual segundo o NNS usando o mtodo Euclidiano, ponto verde a posio de acordo com o mtodo M-Closest usando a distncia de Manhattan e o ponto ciano a posio de acordo com o mtodo M-Closest usando a distncia Euclidiana. Este sistema est disponvel para download sob a licena MIT License e o seu cdigo fonte est disponvel em https://github.com/faelwar/Localizador.

14

5.2 Testes
5.2.1 Ambiente de Testes

O ambiente de testes escolhido foi o quarto andar do prdio do Centro de Cincias Exatas e Tecnolgicas (CCE) localizado dentro do campus Viosa da Universidade Federal de Viosa em Viosa, Minas Gerais. Para fase de calibrao foram realizadas medidas 80 pontos do prdio (Figura 5.6), em cada posio foram feitas 100 medidas para cada uma das quatro direes (Norte, Sul, Leste e Oeste). Cada uma das medidas pega o valor da potncia de sinal de todos os roteadores disponveis segundo o iwlist.

Figura 5.6 - Pontos de calibrao

Aps a realizao das medidas, os dados dos 80 pontos foram processados da seguinte maneira: para cada direo de um ponto foi calculada a mdia da potncia do sinal recebido de cada AP. Assim, usamos essa mdia para fazer as comparaes entre nossa base de dados e a medida atual. No nosso ambiente de teste foram encontrados 83 APs disponveis, desses retiramos 20 APs do banco de dados, pois eles estavam muito distantes, como os APs da DTI (Diretoria de Tecnologia da Informao) e do DAU (Departamento de Arquitetura e Urbanismo) ou eram APs criados por celulares, laptops e impressoras que no so fixos, portanto, podem causar diferenas nos resultados.
5.2.2 Casos de Teste

Para cada caso de teste nos utilizamos 4 mtodos diferentes, so eles: o M-Closest usando a distncia de Manhattan com M igual a 2,5 e 10, M-Closest usando a distncia Euclidiana com M igual 2,5 e 10 e o algoritmo NNS usando distncia de Manhattan e Euclidiana.

15

Preciso mdia

Neste teste, ns avaliamos a preciso dos mtodos utilizados para 10 pontos escolhidos no nosso ambiente de testes. Os pontos escolhidos podem ser visualizados na Figura 5.7 e os resultados no Grfico 1, o erro mdio apresentado em metros.

Figura 5.7 - Pontos de Testes

80 70

60
50 40 30 20 10 0 1 2 2-Closest M 5-Closest E 3 4 5-Closest M 10-Closest E 5 6 7 8 2-Closest E NNS Euclidean 9 10 10-Closest M NNS Manhattan

Figura 5.8 - Preciso Mdia por Ponto

De acordo com o Grfico apresentado na figura 5.8, podemos notar que os algoritmos que usam a distncia de Manhattan possuem um erro mdio menor que os que usam a distncia Euclidiana. Podemos ainda notar que os pontos que esto em rea que a quantidade de pontos da fase de calibrao reduzida, como os pontos 1, 7, 8, 9 e 10, os algoritmos que usam a distncia Euclidiana tm um erro mdio maior que o Manhattan.

16

Preciso Mdia por Grupo

Outro dado interessante avaliado neste trabalho foi o erro mdio em regio que temos uma maior quantidade de pontos da fase de calibrao e em regies onde temos poucos pontos. Na figura 5.9 mostra como o mapa os pontos de teste em cada regio, onde o Grupo I tem uma quantidade maior de medidas e o Grupo II tem uma quantidade menor. E o grfico apresentado na figura 5.10 mostra o erro mdio entre os mtodos, o erro mdio apresentado em metros.

Figura 5.9 - Grupos de Teste

45
40 35 30 25 20 15 10 5 0 Grupo I 2-Closest M 5-Closest E 5-Closest M 10-Closest E 10-Closest M NNS Manhattan Grupo II 2-Closest E NNS Euclidean

Figura 5.10 - Preciso Mdia por Grupo

Podemos notar pelo grfico da figura 5.10 que os mtodos que usam a distncia de Manhattan so mais estveis que os Euclidianos, entretanto, o erro mdio ainda aumenta consideravelmente em regies que temos poucas medidas chegando a 11 metros para o 10-Closest. Por outro lado, os mtodos que usam a distncia euclidiana possuem erro mdio de 5,7 metros no Grupo I, mas podem chegar a mais de 40 metros de erro no
17

Grupo II, ou seja, um aumento de 8 vezes no erro, enquanto, os mtodos que usam a distncia de Manhattan tem um aumento de duas vezes.
Porcentagem de Resultados por faixa de erro

O ltimo dado que vamos analisar aqui a porcentagem de acerto de cada mtodo. Para cada ponto de teste foram realizados 16 testes, sendo 4 em cada direo, no total tivemos 160 medidas para cada mtodo. Aqui definimos 5 faixas de erro, sendo elas: 0 metros (posio calculada igual a posio real), maior que zero e menor que cinco metros, maior ou igual a cinco e menor que 10 metros, maior ou igual a 10 e menor que 20 metros e, por ltimo, maior ou igual a 20 metros. Os resultados esto apresentados no Grfico da figura 5.11.
120,000%

100,000%

80,000%

60,000%

> 20M < 20M < 10M

40,000%

< 5M 0m

20,000%

0,000%

Figura 5.11 - Porcentagem de Resultados por Faixa de Erro

De acordo com o grfico da figura 5.11, possvel ver que os mtodos que usam a distncia Euclidiana conseguem acertar a posio exata do dispositivo, sendo que o mtodo NNS usando a distncia Euclidiana tem uma taxa de acerto de 30,625%,

18

enquanto os mtodos que usam a distncia de Manhattan apenas um mtodo conseguiu acertar uma vez a posio. Entretanto, para todos os mtodos que usam a distncia Euclidiana, mais de 40% dos resultados tiveram um erro acima de 20 metros e mais 40% dos casos com um erro menor que 40%. Portanto, os mtodos que usam a distncia Euclidiana ou acertam a sua posio ou erram com um erro significativo. Por outro lado, os mtodos que usam a distncia de Manhattan acertam a distncia com erro de at 10 metros em pelo menos 65 % dos casos e do erros acima de 20 metros apenas para at 8% dos casos.

6 Concluses
Como vimos nos resultados, a maior diferena est entre o mtodo usado para calcular a distncia entre dois pontos, sendo que a distncia de Manhattan mais estvel e possui um erro menor na mdia, por outro lado, os mtodos que usam a distncia Euclidiana tem um erro menor para reas com altas quantidades de pontos de calibrao, mas tem erros 8 vezes maiores par reas com poucos pontos. Considerando isso, propomos aqui a implementao de novo mtodo que primeiramente calcula o ponto mais prximo usando a distncia de Manhattan e em seguida calcula a distncia Euclidiana entre a medida atual e os pontos prximos ao primeiro. Como os mtodos se demonstraram eficientes em acertar a regio onde o dispositivo se encontra com um erro de 10 metros e esse mtodo tambm evitaria os erros acima de 20 metros dos mtodos euclidianos.

7- Referncias Bibliogrficas
BAHL, P.; PADMANABHAN, V. N. (2000). RADAR:An In-Building RF-based User Location and Tracking System. Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies, v. 00, n. c. DEMPSTER, A. G.; QUADER, I. (2008). Errors in determinstic wireless fingerprinting systems for localisation. 2008 3rd International Symposium on Wireless Pervasive Computing, p. 111115, Ieee. Disponvel em: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4556177> GANSEMER, S.; GROSSMAN, U.; HAKOBYAN, S. (2010). RSSI-based Euclidean Distance Algorithm for Indoor Positioning adapted for the use in dynamically changing
19

WLAN environments and multi-level buildings. , International Conference on Indoor Positioning and Indoor Navigation (IPIN), n. September, p. 16. PRASITHSANGAREE, P.; KRISHNAMURTHY, P.; CHRYSANTHIS, P. K.(2002). On Indoor Position Location With Wireless Lans. The 13th IEEE International Symposium on personal, indoor and Mobile Radio Communications , p. 720724. SETIYA, R.; GAUR, P. A. (2012). Location Fingerprinting of Mobile Terminals by Using Wi-Fi Device. International Journal of Advanced Research in Computer Engineering & Technology, v. 1, n. 4, p. 311314. STALLINGS, W. (2005). Wireless Comunications & Networks. 2 ed. Upper Saddle River: Pearson Education. TANENBAUM, A. S. (2011). Redes de computadores. 5 edio, Editora Pearson. WAZLAWICK, R. S. (2010). Anlise e Projeto de Sistemas de Informao Orientados a Objetos. 1a ed. Editora Campus.

20