Smart/Intelligent Edge – vplyv na energetickú náročnosť IoT zariadení

Vplyv konceptu Smart/Intelligent Edge na životnosť IoT zariadení

Aktuálny pokrok a široká dostupnosť bezdrôtových sietí [4], [5], priaznivá cena hardvéru a schopnosť uchovávať a analyzovať veľké objemy dát [6] nám umožnili aplikovať paradigmu IoT na veľké spektrum prípadov použitia. V minulej časti tejto série [3] sme kategorizovali IoT riešenia do ôsmich aplikačných domén, pričom pri každej doméne sme zosumarizovali typické charakteristiky a definovali požiadavky, ktoré treba dosiahnuť s cieľom vytvorenia efektívnych aplikácií. Ako z analýzy vyplynulo, veľká časť IoT prípadov použitia vyžaduje zariadenia napájané batériou s niekoľkoročnou výdržou. Ich opätovné nabíjanie však často nie je realizovateľné, takže treba klásť veľký dôraz na energetickú efektivitu riešení. Koncové zariadenia musia so svojimi obmedzenými zdrojmi zaobchádzať mimoriadne rozumne, aby sa dosiahla požadovaná životnosť. Z tohto dôvodu treba aktivity koncových zariadení optimalizovať tak, aby sa minimalizovali činnosti najväčších konzumentov dostupných zdrojov.

Koncept Smart/Intelligent Edge je založený na rozložení rozhodovacieho procesu medzi viaceré úrovne IoT architektúry. Inteligencia nie je centralizovaná na jednom mieste, napríklad v cloude, ale je vhodne distribuovaná medzi cloud, brány (gateways) a koncové zariadenia. Jednotlivé elementy architektúry Smart/Intelligent Edge sú schopné realizovať výpočty s cieľom vyhodnotenia aktuálneho stavu a vykonania určitého rozhodnutia. Výhody tohto prístupu sme už opísali v predchádzajúcich častiach, avšak treba si uvedomiť, že rozhodovací proces takisto prináša istú komplexitu, ktorá môže ovplyvniť limitované IoT zariadenia. Aby sme zistili, aký reálny vplyv má rozhodovanie na okraji siete na energetickú efektivitu IoT zariadení, rozhodli sme sa vykonať experiment.

Experiment s NodeMCU ESP-12E

Experiment sa realizoval s cieľom vyhodnotiť vplyv výpočtov Smart/Intelligent Edge na energetickú spotrebu IoT zariadenia. Zariadenie bolo reprezentované vývojovou doskou NodeMCU ESP-12E, ktorá je založená na ESP8266 module, a integruje GPIO, PWM, IIC, 1-Wire a ADC. Keďže zariadenie ponúka viacero pinov a má zabudovaný Wi-Fi chip, môže byť použité v typickom IoT scenári – zapojenie senzorov a odosielanie nameraných dát v pravidelnom intervale, zatiaľ čo mimo aktivity sa prepne do spánkového režimu.

ESP-12E podporuje v základe tri typy spánkového režimu – modem, ľahký a hlboký. Rozdiel medzi nimi je zhrnutý v tab. 1. Ako možno vidieť, najväčší konzument je Wi-Fi chip, ktorého vypnutie zníži spotrebu zo 70 mA na 17,2 mA. V rámci meraní sme takisto odsledovali spotrebu zariadenia pod rôznym výkonom. Ľahké výpočty mali na zariadenie zanedbateľný vplyv, zatiaľ čo pri plnom výkone spotreba vzrástla o niekoľko mA. Vyťažiť koncové zariadenia na maximum však v IoT aplikáciách nie je bežné, navyše rozdiel bol stále výrazne nižší ako pri prepnutí režimu do rôznych módov. Z tohto výsledku môžeme usúdiť, že najdôležitejším prvkom spotreby je čas, počas ktorého je zariadenie v určitom móde.

Tab. 1 Rozdiely medzi módmi ESP-12E

V rámci experimentu sme s cieľom získania referenčných hodnôt vytvorili klasické intervalové odosielanie dát bez rozhodovacieho procesu (duty-cycling) a následne ho porovnali s implementáciou, ktorá okrem odosielania správ obsahovala aj predikčný model založený na lineárnej regresii. Ide o známy prístup predikcie dát využívaný v bezdrôtových senzorických sieťach, keď koncové zariadenie aj brána spoločne realizujú výpočty nasledujúcich hodnôt a vzájomná komunikácia prebehne iba v prípade, ak je rozdiel medzi predikovanými a nameranými hodnotami väčší ako stanovená odchýlka. Tento prístup reprezentuje jeden z možných rozhodovacích procesov na okraji siete a spadá do konceptu Smart/Intelligent Edge.

Implementovaný predikčný model môže nadobudnúť dva stavy:

• Model predikuje hodnotu správne – koncové zariadenie sa prepne do režimu spánku a neodošle žiadnu správu.
• Model predikuje hodnotu nesprávne – koncové zariadenie vytvorí nový predikčný model a odošle jeho parametre spolu s nameranou hodnotou bráne. Následne sa prepne do režimu spánku.

Ako možno vidieť, prvý stav odráža výhody výpočtov na okraji siete, zatiaľ čo druhý stav predstavuje tzv. overhead (neželané plytvanie zdrojmi). Aby sme zistili, aký vplyv majú tieto dva stavy na spotrebu zariadenia, odmerali sme trvanie jednotlivých aktivít. Výsledky sú zobrazené na obr. 1.

Postupnosť aktivít je nasledujúca:

• Pri prístupe duty-cycling zariadenie zmeria aktuálne hodnoty (<1 ms), zapne Wi-Fi modul (3 ms), pripojí sa na Wi-Fi (3 496 ms), odošle správu (53 ms) a prepne sa do hlbokého spánku. Celkový čas zariadenia v móde ON je v priemere 3 552 ms, počas ktorého má aktuálnu spotrebu 70 mA.
• Pri prístupe s predikčným modelom sa zariadenie najprv prepne do modem spánku, kde vykoná porovnanie predikovaných a nameraných hodnôt. Ak je rozdiel porovnania v rámci stanovenej odchýlky (1. stav), zariadenie sa znova prepne do hlbokého spánku. V tomto prípade je spotreba na úrovni 17,2 mA počas 18 ms. Ak je rozdiel porovnania mimo stanovenej odchýlky, predikčný model sa vytvorí nanovo (20 ms) a následne sa zariadenie správa ako pri prístupe duty-cycling (3 552 ms). Spotreba predstavuje 17,2 mA počas 18 ms a 70 mA počas 3 552 ms.

Okrem opísaných aktivít je zariadenie v hlbokom spánku, kde má konštantnú spotrebu 2,3 mA.

Na základe nameraných hodnôt sme realizovali výpočet spotreby IoT zariadenia pri zohľadnení rôznych meracích intervalov a úspešnosti predikčného modelu. Do úvahy sme zobrali nereálnu 100 % a 0 % úspešnosť predikcie na zobrazenie najlepšieho a najhoršieho možného scenára, ako aj oveľa pravdepodobnejšiu 60 % úspešnosť reprezentujúcu možný reálny stav. Obr. 2 sumarizuje očakávanú životnosť NodeMCU ESP-12E pri napájaní 10 Ah batériou.

Výsledky prinášajú niekoľko zaujímavých zistení. Prvým z nich je korelácia medzi prístupom duty-cycling a 0 % úspešnosťou predikčného modelu. Aj keď je takáto nízka úspešnosť veľmi málo pravdepodobná, výsledná životnosť je veľmi podobná. Môžeme teda vyhlásiť, že overhead, ktorý koncept Smart/Intelligent Edge v našej implementácii priniesol, je minimálny. Na druhej strane už oveľa pravdepodobnejšia 60 % úspešnosť dokáže výrazným spôsobom predĺžiť celkovú životnosť IoT zariadenia, predovšetkým pri častejších meracích intervaloch.

Druhým zaujímavým zistením je vplyv frekvencie meracieho intervalu na jednotlivé prístupy. Zatiaľ čo pri hodinovom intervale je celková životnosť zariadenia podobná pri všetkých prístupoch, od päťminútového intervalu začína byť rozdiel značne výrazný. Čím častejšie sa meranie vykonáva, tým väčší rozdiel v spotrebe vzniká. Je to spôsobené pomerom medzi módom ON a spánkovým režimom, keď sa prejavuje výhoda predikčného modelu schopného obmedziť počet odoslaných správ.

V neposlednom rade je zaujímavá aj samotná krivka životnosti zariadenia pri 100 % úspešnosti predikcie modelu. Aj keď je takáto úspešnosť v praxi nereálna, ukazuje nám potenciál úspory, ak netreba zapnúť komunikačný modul. Toto zistenie sa zhoduje s výsledkami autorov Harrisona a spol. [7], na základe čoho je zrejmé, že najväčším konzumentom je prijímač/vysielač a každá snaha o jeho vypnutie dokáže výrazným spôsobom predĺžiť životnosť zariadení napájaných batériou. Konkrétne implementačné detaily opísaného experimentu boli zhrnuté a odprezentované v príspevku na konferencii PDES [8].

Záver

Realizovaný experiment potvrdil, že koncept Smart/Intelligent Edge je vhodný aj pre IoT zariadenia s limitovanými dostupnými zdrojmi. Výpočty na okraji siete prinášajú zanedbateľný overhead pre zariadenia, oveľa dôležitejším prvkom je čas, ktorý zariadenia strávia mimo spánkového režimu. Ak navyše rozhodovací proces umožní obmedziť potrebu zapnutia komunikačného modulu, ako to bolo pri našom predikčnom modeli, životnosť IoT zariadení napájaných batériou sa môže dokonca výrazným spôsobom predĺžiť. Samozrejme výsledný overhead/úspora bude závisieť od konkrétneho implementačného riešenia, avšak ako sme experimentom ukázali, koncept Smart/Intelligent Edge má veľký potenciál aj v tých najkritickejších aplikačných oblastiach.

Poďakovanie

Publikácia bola podporená projektom VEGA 1/0663/17 Inteligentné kyber-fyzikálne systémy v heterogénnom prostredí s podporou IoE a cloudových služieb [70 %] a UVP Technicom, fáza II. ITMS: 313011D232 [30 %].

Referencie

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

[2] Kajáti, E. – Miškuf, M. – Mocnej, J. – Zolotová, I. (2018). Smart/Intelligent Edge – informačný model a analýza dát. In: ATP Journal, roč. 25, č. 8, s. 36 – 37.

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

[4] Hayes, M. – Ng, B. – Pekar, A. – Seah, W. K. (2017). Scalable Architecture for SDN Traffic Classification. In: IEEE Systems Journal.

[5] Drahoš, P. – Kučera, E. – Haffner, O. – Klimo, I. (2018). Trends in industrial communication and OPC UA. In: 2018 Cybernetics & Informatics, pp. 1 – 5.

[6] Chen, M. – Mao, S. – Liu, Y. (2014). Big data: A survey. In: Mobile networks and applications, vol. 19, iss. 2, pp. 171 – 209.

[7] Harrison, D.C. – Burmester, D. – Seah, W. K. – Rayudu, R. (2016). Busting myths of energy models for wireless sensor networks. In: Electronics Letters, vol. 52, iss. 16, pp. 1 412 – 1 414.

[8] Mocnej, J. – Miškuf, M. – Papcun, P. – Zolotová, I. (2018). Impact of Edge Computing Paradigm on Energy Consumption in IoT. In: IFAC-PapersOnLine, vol. 51, iss. 6, pp. 162 – 167.

Ing. Jozef Mocnej

Ing. Erik Kajáti

Ing. Dominika Čupková

Ing. Peter Papcun, PhD.

prof. Ing. Iveta Zolotová, CSc.

Technická univerzita v Košiciach FEI
Katedra kybernetiky a umelej inteligencie
Centrum inteligentných kybernetických systémov
http://ics.fei.tuke.sk