Možnosti interakcie prostriedkov UI s počítaním na hrane

Základná myšlienka, ktorá spája veľmi rozdielne prostriedky UI, je založená na snahe matematicky modelovať prejavy ľudských aktivít, v širšom slova zmysle živej prírody ako takej, a následne ich implementovať v technických, hlavne výpočtových, prostriedkoch. Väčšinou sa tieto prostriedky rozdeľujú podľa spôsobu interpretácie vykonávaných operácií na symbolické a numerické, známejšie pod názvom výpočtová inteligencia. Samozrejme isté prieniky a vzájomné prepojenia sa medzi týmito dvomi skupinami prostriedkov nevylučujú, nakoľko sa dokážu vhodne dopĺňať.

Typicky sa UI využíva pri riešení problémov, ktoré sa vďaka svojej zložitosti nedajú priamo matematicky opísať, alebo ich opis by viedol k veľmi zložitému riešeniu. Konkrétne ide o úlohy optimalizácie, práce s neurčitosťou, rozhodovacie procesy či strojové učenie. V tejto súvislosti sa stretávame s pojmami ako evolučné (v užšom slova zmysle genetické) algoritmy, fuzzy logika, znalostné systémy a neurónové siete. Tieto prístupy sa osvedčili v celom rade priemyselných aplikácií – pri návrhu rôznych konštrukcií a riadenia na všetkých úrovniach od regulácie až po zložité rozhodovacie procesy s ľudským činiteľom, predikciu, klasifikáciu či komunikáciu človek – stroj.

Mnohé aplikácie sú založené na prepojení veľkého množstva zariadení rôzneho druhu, ktoré sú rozptýlené v priestore. Vďaka už v súčasnosti veľkému počtu zariadení zapojených do siete (v roku 2020 ich má byť vyše 30 miliárd) vzniká enormný nárast dát, ktoré treba uložiť, spracovať, prípadne preniesť na iné miesto. Avšak už v súčasnosti tieto činnosti spotrebúvajú viac ako 5 % všetkej celosvetovo vyrobenej elektrickej energie [1]. Okrem toho dochádza k obrovskej kombinatorickej zložitosti prepojení a vzťahov medzi jednotlivými prvkami, až takéto systémy začínajú ako celok nadobúdať nové vlastnosti a formy správania, takže konvenčné spôsoby ich opisu sú nedostatočné. Takáto situácia je vhodná na úvahu o možnostiach, ako využiť prostriedky UI na správu takýchto aplikácií.

V súčasnosti sa tieto myšlienky intenzívne skúmajú a badať obrovskú snahu o vývoj a nasadenie riešení s UI. Celkovo možno pozorovať viacero vývojových smerov, kde sa UI zavádza do aplikácií využívajúcich počítanie na hrane, napr.:

1. návrh dynamických sieťových architektúr,

2. inteligentné priestory a všadeprítomná robotika,

3. dátová analytika.

V tejto časti nášho seriálu sa budeme zaoberať náčrtom využitia prostriedkov UI pri návrhu dynamických sieťových architektúr.

UI v procese navrhovania dynamických sieťových architektúr

Aplikácie s veľkým množstvom priestorovo rozložených prvkov sú typické svojou decentralizovanou povahou, čomu zodpovedá maximálna voľnosť ich sieťovej konektivity vo forme tzv. zmiešaných topológií, kde sú jednotlivé uzly, t. j. snímače, akčné členy a pod., priamo spojené s aspoň jedným ďalším uzlom [2]. Avšak veľmi rýchlo sa ukázali problémy s prevádzkou takýchto sietí, najmä v spojení s cloudmi. Navrhlo sa viacero architektúr na zlepšenie konektivity v takýchto sieťach, avšak len pre konkrétne aplikačné oblasti ako smart city či priemyselný IoT [3]. Napr. v [4] je analyzovaná integrácia IoT s ďalšími sieťovými prostriedkami, ako sú priemyselné siete, cloudy, smartfóny a pod. Výsledkom takejto analýzy je fakt, že narastajúce požiadavky na prenos dát spôsobujú závažné úzke miesta v priepustnosti siete a tým degradáciu jej celkovej výkonnosti.

Jedným z možných riešení je návrh tzv. dynamickej sieťovej architektúry (DSA) založenej na stimulovaní časti uzlov siete, aby zdieľali kapacitu konektivity a aby takto pôsobili ako isté prístupové body pre susedné uzly, čiže dochádza k istému zhlukovaniu siete na menší počet podcelkov, kam sa zároveň presúva aj časť výpočtov a spracovania dát. Takto dochádza k výpočtom na hrane [5], keďže mnohé uzly siete disponujú značnou pamäťovou a výpočtovou kapacitou, ktorá s využitím algoritmov na podporu rozhodovania, konfigurácie, plánovania a riadenia zabezpečuje ich „chytrosť“ (smartness). Takáto architektúra sa dynamicky mení v čase a závisí od množstva vygenerovaných dát a od potreby ich prenosu na iné miesto, a preto sa neustále mení počet a rozmiestnenie takýchto prístupových bodov na základe vopred stanovených kritérií, ako sú napr. prenosové požiadavky, prístupnosť či kvalita kanálu, aby bola dodržaná rovnováha medzi latenciou a spoľahlivosťou prenosu [6]. Inými slovami, ide o problém určenia optimálnej topológie siete.

Takto postavená úloha je priam vhodná na aplikovanie celého radu prístupov z oblasti evolučných algoritmov, keďže ide o tzv. NP ťažký problém, t. j. neriešiteľný v polynomiálnom čase vzhľadom na to, že jeho zložitosť neúmerne narastá s počtom prvkov, nad ktorými sa vykonáva daná úloha, a úplné vyhodnocovanie všetkých možných riešení nie je pre časovú a výpočtovú náročnosť prijateľné. Boli navrhnuté postupy na základe tzv. optimalizácie rojom častíc [7] či pomocou kolónie mravcov. Avšak ako najúspešnejšie sa zatiaľ javí použitie rôznych úprav genetických algoritmov. Napr. v [8] sa využíva genetický algoritmus na nastavenie vhodnej DSA topológie. Najprv sa vyberie vhodná množina uzlov, ktoré by mohli spĺňať požiadavky kladené na prístupové body PB z hľadiska priepustnosti, oneskorenia, spotreby energie a zamedzenia vzájomného rušenia (napr. pri bezdrôtovom spojení). Ostatné uzly siete sú tzv. používatelia U. Jednotlivé spojenia medzi používateľmi a prístupovými bodmi predstavujú konkrétne gény a množina takýchto spojení používateľov k danému prístupovému bodu vytvára chromozóm. Súbor všetkých chromozómov vytvára celkovú topológiu siete, čiže jedno riešenie. Napokon viacero takýchto riešení (topológií) predstavuje populáciu v danom čase. Jednotlivé riešenia možno ohodnotiť pomocou vopred zadefinovanej účelovej funkcie, ktorá zohľadňuje také charakteristiky ako kapacitu daného spojenia, jeho dĺžku a energetické nároky na prenos dát. Časť najlepších riešení prejde aj do novej populácie v nasledujúcej generácii, čo zohľadňuje tzv. princíp elitizmu, a zvyšná časť nových riešení je vytvorená pomocou operátorov kríženia a mutácie z tých najlepších riešení s cieľom preskúmania nových oblastí (obr. 1). Pri krížení ide o vzájomnú zámenu dvoch spojení medzi dvomi prístupovými bodmi a pri mutácii o zmenu prístupového bodu pre vybraného používateľa.

Záver

Cieľom tohto článku bolo poukázať na potenciál využitia prostriedkov UI v úlohách výpočtov na hrane. Táto oblasť je pre UI pomerne nová a nemožno plne predvídať všetky smery vývoja. V súčasnosti sa ako najsľubnejšie javia tri uvedené vývojové smery, kde sa už vykonáva istý výskum, dokonca sú známe aj prvé aplikačné výstupy. V tomto článku sme sa zaoberali prvým smerom, t. j. využitím prostriedkov UI pri návrhu DSA, kde nás množstvo generovaných dát a zložitosť vzťahov medzi prvkami sieťových aplikácií núti siahať po síce matematicky nie vždy dobre podložených metódach, ktoré často vychádzajú z rôznych heuristík, avšak sú pre väčšinu prípadov akceptovateľné. Veľká skupina takýchto metód je práve z oblasti UI.

Poďakovanie

Publikácia vznikla vďaka projektu VEGA 1/0663/17 Inteligentné kyberfyzikálne systémy v heterogénnom prostredí s podporou IoE a cloudových služieb.

Referencie

[1] Gubbi, J. – Buyya, R. – Marusic, S. – Palaniswami, M.: Internet of Things (IoT): A Vision, Architectural Elements and Future Directions. In: Future Generation Computer Systems, 2013, Vol. 29, No. 7, pp. 1645 – 1660.

[2] Lu, F. – Tian, G.-H.: The ZigBee Based Wireless Sensor and Actor Network in Intelligent Space Oriented to Home Service Robot. In: International Journal of Communications, Network and System Sciences, 2012, Vol. 5, No. 5, pp. 280 – 285.

[3] Mocnej, J. – Kajáti, E. – Papcun, P. – Zolotová, I.: Smart/Intelligent Edge – sieťové charakteristiky a aplikačné domény v IoT. In: ATP Journal, 2018, roč. 25, č. 9, s. 42 – 44.

[4] Xu, K. – Qu, Y. – Yang, K.: A Tutorial on the Internet of Things: From a Heterogeneous Network Integration Perspective. In: IEEE Network, 2016, Vol. 30, No. 2, pp. 102 – 108.

[5] Miškuf, M. – Kajáti, E. – Mocnej, J. – Papcun, P.: Smart/Intelligent Edge – princípy spracovania dát na hrane siete. In: ATP Journal, 2018, roč. 25, č. 7, s. 50 – 51.

[6] Lorenzo, B. – Garcia-Rois, J. – Li, X. – Gonzalez-Castano, J. – Fang, Y.: A Robust Dynamic Edge Network Architecture for the Internet of Things. In: IEEE Network, 2018, Vol. 32, No. 1, pp. 8 – 15.

[7] Guo, W. – Gao, H.-L. – Chen, G. – Yu, L.: Particle Swarm Optimization for the Degree-constrained MST Problem in WSN Topology Control. In: The 2009 International Conference on Machine Learning and Cybernetics, 2009, Vol. 3, pp. 1793 – 1798.

[8] Shafigh, A. S. – Lorenzo, B. – Glisic, S. – Pérez-Romero, J. – DaSilva, L. A. – MacKenzie, A. B. – Röning, J.: A Framework for Dynamic Network Architecture and Topology Optimization. In: IEEE/ACM Transactions on Networking, 2016, Vol. 24, No. 2, 717 – 730.

doc. Dr. Ing. Ján Vaščák
Ing. Dominika Čupková
prof. Ing. Iveta Zolotová, CSc.
Technická univerzita v Košiciach FEI
Katedra kybernetiky a umelej inteligencie
Laboratórium inteligentných kybernetických systémov/Laboratórium IoT
http://ics.fei.tuke.sk