In the past years, several middleware systems to adapt algorithms in wireless sensor networks have been developed. One representative of such systems, named TinyCubus, focuses on tuning the used algorithms at the runtime of a network. The adaptation analyzes the state of the network and selects best performing parameters for each node. Due to the size of sensor networks, an approach using individual parameters per node does not scale.

A possible solution groups nodes with equal properties to limit the effort to find an optimal network configuration. Based on these groups, it is possible to configure each group with an optimal setting to improve the network performance. During this thesis node properties are identified which can be used for group formation and, based on these, group formation models are developed. The developed models, grouping nodes based on properties like location or density, are using distributed and central coordinated algorithms. During the evaluation, typical sensor network topologies, with regular and randomly placed nodes, are used. The simulation of these scenarios showed that the performance of networks with group based or individually configured nodes is almost the same.

---

In den letzen Jahren wurden einige Middleware Systeme zur Adaptation von Algorithmen in drahtlosen Sensornetzen entwickelt. Ein Vertreter solcher Systeme, TinyCubus genannt, hat den Schwerpunkt auf der Anpassung von Algorithmen während der Laufzeit des Netzwerkes. Zu dieser Anpassung wird der Zustand des Netzwerkes analysiert und für jeden Knoten Parameter für optimales Verhalten ausgewählt. Auf Grund der Größe von Sensornetzen skaliert ein Ansatz, der auf individuellen Knotenparametern basiert, nicht.

Eine mögliche Lösung fasst Knoten mit ähnlichen Eigenschaften in Gruppen zusammen um die Komplexität der Suche nach optimalen Netwerkkonfigurationen zu senken. Diese Gruppen nutzend, ist es durch eine optimale Konfiguration dieser Gruppen möglich, die Leistungsfähigkeit des Netzes zu steigern. In dieser Arbeit werden Knoteneigenschaften zur Gruppenbildung identifiziert, und darauf aufbauend werden Modelle zur Gruppenbildung entwickelt. Die entwickelten Modelle gruppieren Knoten auf der Basis von Knoteneigenschaften, wie dem Ort oder der Dichte und nutzen verteilte sowie zentralisierte Algorithmen. Während der Bewertung werden typische Netzwerktopologien, basierend auf regelmäßig und zufällig platzierten Knoten, benutzt. Simulationen dieser Szenarien zeigen, dass die Leistung von Netzwerken mit gruppenbasiert oder individuell konfigurierten Knoten nahezu identisch ist.