Project of ZhangTe's Thesis

1. 本仓库包含了大部分与文章相关的数据,代码,工具和相关开源项目. 仍有部分相关内容,数据,以及琐碎的工作难以迁至本仓库下.

Tools related

1. TinyOS
2. Contiki 3, Docker
3. Clang
4. Cooja
5. pycparse
6. Data science packages underlying python 2&3
7. MSP430-GCC tool chain
8. Linux, Emacs and similar tools on Linux
9. TelosB motes (Hardware)
10. Jupyter Notebook
11. IEEE 802.15.2 Sniffer ()
12. rtl2dot (Call graph)

一. 环境配置

1. Installing TinyOS

TinyOS环境配置: step 1

下载TinyOS源码**git clone https://github.com/yulincoder/tinyos-main.git**, 注意这是我fork的仓库,非官方仓库

step 2

按照 http://tinyprod.net/repos/debian/ 进行TinyOS环境安装

如果上述安装出现仓库验证失效情况,按照如下操作取消apt对GPG验证失效的源强制安装

emacs -nw /etc/apt/apt.conf.d/70debconf

添加 Acquire::AllowInsecureRepositories “true;

完成上述配置,再重新安装

2. Docker Configuration

• Docker 安装: 使用docker 官方脚本安装

curl -fsSL https://get.docker.com -o get-docker.sh

sh get-docker.sh

• 添加当前用户到docker group

step 1: 执行cat /etc/group | grep docker, 确认docker组是否存在, 如果docker group不存在,则 sudo groupadd docker 添加docker 组.

step 2: 执行groups确认自己在不在docker组, 存在则结束本过程,不存在继续下面

step 3: 执行sudo gpasswd -a $USER docker,添加USER到docker组

step 4: 重启服务sudo service docker restart

step 5: 切换用户组 newgrp - docker

step 6: newgrp - `groups $USER | cut -d' ' -f1`;

step 7: pkill x

• Jupyter Notebook 安装与运行 (文章分析相关代码大部分在本环境下运行,环境使用Python3. 但仍有部分遗留代码使用Python2.)

step 1 : docker pull jupyter/datascience-notebook

step 2: 运行docker run --rm -p 10000:8888 -e GRANT_SUDO=yes -v "$PWD":/home/jovyan/work jupyter/datascience-notebook:latest启动Jupyter notebook

更多文档参考: https://hub.docker.com/r/jupyter/datascience-notebook/

3. Cooja Configuration

step 1: git clone https://github.com/contiki-os/contiki

step 2: 进入Cooja目录并构建Cooja cd contiki/tool/cooja && ant run

step 3: 按照打补丁文件 为Cooja打补丁, 补丁的作用在文章中有详细说明

declare: 由于补丁文件会带来jar交叉依赖, 因此必须在打补丁之前先构建一遍cooja先生成鸡生蛋,蛋生鸡中的蛋以避免该问题

4. no_gui 运行Cooja

执行ant run_nogui -Dargs='path of csc file', 需要注意的是cooja的路径是以cooja/build/作为当前目录.因此无论是生成log文件还是csc文件的路径都是以cooja/build/作为起始路径

5. 安装LLVM, Clang及Python clang模块

该工具用来使用AST(抽象语法树)分析TinyOS nesC编译后生成的app.c源文件. 分析内容涉及任务提取,任务规模分析 ...

二. 预处理数据

step 1: 进入TinyOS-Benchmark目录

step 2: 按照上述目录README下载任务日志数据集,(但是由于七牛云于2018年夏天收回测试域名,因此任务数据集链接已经无法访问数据集,有时间了给数据集挪个窝)

step 3: 执行python2 ./preprocess.py 程序会预处理raw data, 并将预处理后的数据存储于preprocessed-dataset目录

step 4: 进入pycparse, 执行python3 get_task_id.py使用AST提取所有任务,并代码行数分析任务规模. 分析结果以*.csv格式放置于每个应用app.c所在目录下

说明: 由于研究涉及多个时间阶段,因此代码既有py2也有py3

三. 说明

chapter2 包含第二章数据分析部分，chapter3为第三章T2PAD代码，chapter5为第五章GRU神经网络部分，inject-to-branch为第五章分支点插装子模块，该仓库也在本组织下．第4章节T2PAD.U的代码在T2PAD基础上进行，其中最终的插装用的异常检测C代码是我手工写的，没有自动生成．

四．注意，数据集链接失效了，文件还在，但是由于七牛云修改服务，不再提供免费的二级域名，因此那个url失效了．由于暂时还没找到合适的存储地方，因此先就这样吧，如有需要，可以找我下载（如果是想接着继续进行研究，不建议这样做，这样无助于理解本文涉及程序和进一步研究）