ای ترجمه
ای ترجمه
خواندن ۸ دقیقه·۲ سال پیش

مدل های انرژی end-to-end برای پلتفرم های IoT (مقاله ترجمه شده)

چکیده

اینترنت اشیا (IoT) تعداد زیادی از دستگاه‌های متصل را که تاثیر مستقیم بر روی رشد داده‌ها و خدمات energy-hungry دارند به ارمغان می‌آورد. این خدمات بر زیربناهای ابر برای ذخیره‌سازی و قابلیت‌های محاسباتی تکیه دارند، تبدیل معماری به یک معماری توزیع‌شده بیشتر بر اساس امکانات edge توسط ارائه‌دهندگان خدمات اینترنت (ISP) ارائه شده است. با این حال، بین دستگاه IoT، ارتباطات شبکه و زیرساخت‌های ابر، مشخص نیست که کدام بخش مربوط به مصرف انرژی است. در این مقاله، مدل end-to-end برای سیستم‌های IoT مبتنی بر Edge Cloud را ارائه می‌دهیم. این مدل‌ها به یک سناریو اعمال می‌شوند: تجزیه و تحلیل جریان داده‌ها توسط دوربین‌های تعبیه شده در وسایل نقلیه. اعتبارسنجی، معیارها روی تست‌های واقعی را با شبیه‌سازی آن در شبیه‌سازهای شناخته شده برای مطالعه مقیاس بزرگی از دستگاه‌های IoT ارزیابی می‌کند. نتایج این سناریو نشان می‌دهد که، بخش لبه تعبیه شده در محاسبات منابع 3 برابر بیش از دستگاه‌های IoT و نقطه دسترسی بی‌سیم مصرف می‌کند.

مقدمه

در سال 2011، اریکسون و سیسکو اعلام کردند که تا سال 2020 به 50 میلیارد دستگاه متصل به اینترنت دسترسی پیدا خواهیم کرد [1،2]. در واقع، دستگاه‌های متصل با زمینه‌های کاربردی در حال گسترش به طور پیوسته به زندگی روزمره ما حمله می‌کنند: تجهیزات بهداشت شخصی، ساختمان‌های هوشمند، شبکه‌های هوشمند، وسایل نقلیه متصل و غیره. این تعداد در سال 2016 کمتر از 20 میلیارد دستگاه بود، از جمله دستگاه‌های اینترنت اشیا (IoT)، گوشی‌های هوشمند، تبلت و کامپیوترها [3]. پیش‌بینی‌های فعلی حدود 30 میلیارد دستگاه را تا 2020 برآورد می‌کنند [3].

تمام این اشیاء، به شبکه‌های مخابراتی (به طور معمول اینترنت) متصل هستند و می‌توانند با سایر دستگاه‌های متصل یا با زیرساخت‌های محاسباتی توزیع شده، مانند ابرها، برای مثال، برای ذخیره اطلاعات و یا انجام محاسبات ارتباط برقرار کنند. رشد تعداد اشیاء متصل شده و پشتیبانی از زیرساخت تراکم چالش‌های علمی به ویژه در زمینه مدیریت مقیاس‌بندی، ناهمگونی شبکه‌های ارتباطی استفاده شده (اترنت، وای‌فای، 3G و غیره)، مهاجرت محاسبات بین اشیاء و زیرساخت‌های حمایتی و انرژی آنها را به همراه دارد.

کارهای مرتبط

تخلیه داده‌ها به لبه

تجزیه و تحلیل پردازش جریان داده‌ها، منابع محاسباتی عظیمی را مصرف می‌کند و معمولا زمان پاسخ برای بسیاری از برنامه‌های کاربردی بسیار مهم است. انتقال داده‌ها به Cloudبرای تجزیه و تحلیل می‌تواند یک راه‌حل [23] در انواع سناریوهای کاربردی باشد که نیاز به منابع محاسباتی عظیم و همچنین تضمین کیفیت QoS دارند. با این وجود، ممکن است در صورت وجود هزاران اطلاعات، اگر جریان‌ها به صورت همان زمان از دستگاههای IoT تولید شوند و سپس برای تجزیه و تحلیل سریع به Cloud فرستاده شوند خطر تداخل شبکه را افزایش دهد. اگرچه کاهش زمان تجزیه و تحلیل، محاسبات بزرگ منابع را از ابر بی‌نیاز می‌کند، نمی‌تواند از زمان انتقال اطلاعات از طریق شبکه و از کاربر را به محل فیزیکی ابر، که ممکن است هزاران هزار بار دور باشد اجتناب کند [24]. علاوه براین، افزایش تعداد جریان داده‌ها بر روی شبکه، مقدار زیادی انرژی مصرف می‌کند [24-27].

use case رانندگی

چند برنامه کاربردی IoT در صنایع مختلف از جمله نظارت بر محیط زیست، بهداشت و درمان، خدمات مراقبت، مدیریت موجودی و تولید، عرضه مواد غذایی زنجیره‌ای، حمل و نقل، پشتیبانی محل کار و خانگی، امنیت، و نظارت در حال توسعه هستند [12]. در این مقاله، use case خاصی را مورد مطالعه قرار می‌دهیم. ابتدا سناریو را توصیف می‌کنیم و سپس معماری ابر امکان‌پذیر برای پشتیبانی از این برنامه‌ها را بررسی می‌کنیم.

خصوصیات برنامه‌ کاربردی

این سناریو که در این مقاله مورد بررسی قرار می‌گیرد، نیاز به پردازش ترافیک سنگین دارد. چندین دستگا‌ه پیوسته جریان داده‍ها را به نقطه جمع‌آوری آنها در ابر می‌فرستند. به‌عنوان مثال، خدمات نظارت مبتنی بر دوربین مانند یک تحلیلگر جاده ای را نشان می‌دهد [17]. جریان داده‌ها مداوم از دوربین به سرویس Cloud میزبانی IoT ارسال می‌شود. داده‌های تولید شده می‌توانند حجم زیادی را که باید در زمان واقعی پردازش شوند، نشان دهند [43]. برنامه‌های واقعی خصوصیات ترافیکی مشابهی را نشان می‌دهند [44].

مدل سیستم و مفروضات

در این بخش، مدل ‌های پایان به پایان را برای سناریوهای IoT و معماری Cloud شرح داده شده در بالا توصیف می‌کنیم. معماری سرویس IoT شامل چندین عنصر است: خود دستگاه IoT، نقطه جمع‌آوری داده‌ها از دستگاه‌های IoT، زیرساخت ابر مورد استفاده برای پردازش و ذخیره داده‌ها و شبکه‌هایی که نقطه جمع‌آوری را به ابر پیوند می‌دهند. برای وضوح بیشتر سه بخش را که در تصویر 2 نشان داده شده است تقسیم می‌کنیم:

• بخش IoT دستگاه‌های IoT و نقطه جمع‌آوری؛

• قسمت شبکه شامل چند سوئیچ و روتر که تعداد آنها بستگی به معماری ابر دارد (متمرکز یا لبه)؛

• بخش Cloud شامل منابع مرکز داده که توسط سرویس IoT استفاده شده است.

قسمت IoT

بخش IoT، دستگاه‌های IoT و نقطه جمع آوری را مقایسه می‌کند. ما دستگاه‌های IoT را با استفاده از WiFi (802.11) برای ارتباط مشخص می‌کنیم.

بنا به کار قبلی، ما از یک مدل حالتی برای مصرف انرژی از وای‌فای NIC استفاده می‌کنیم [48]. NIC در حالت خاموش است (IDLE)، حالت حامل (CCA BUSY)، دریافت (RX)، انتقال (TX) و یا تعویض بین حالت‌ها (سوئیچینگ) را اجرا می‌کند [14]. مقادیر مربوط به انرژی در جدول 2 نشان داده شده است. این مقادیر برای NIC 802.11n اندازه‌گیری شده‌اند [49]. این مدل می‌تواند برای دیگر ارتباطات بی‌سیم نیز سازگار باشد.

ارزیابی

این بخش، نتایج اعتبارسنجی را در ماژول مورد استفاده مشخص می‌کند. ابتدا مدل انرژی خود را از دستگاه‌های IoT با استفاده از شبیه‌ساز ns3 ترسیم می‌کنیم [59] و نتایج شبیه‌سازی را در مورد انرژی دستگاه‌های IoT ارائه می‌دهیم (بخش 5.1). سپس، مجموعه‌ای از آزمایشات (بخش 5.2) را که برای اندازه‌گیری واقعی در سرورهای ابر برای اجرای تجزیه و تحلیل جریان (تشخیص شی) است انجام می‌دهیم. این آزمایش‌ها انواع مختلف تنظیمات Cloud را به منظور اجرای برنامه داده شده بررسی می‌کند (بخش 5.3). این اندازه‌گیری‌های کوچک در شبیه‌ساز [60] در جهت برداشتن این مقادیر برای سناریوی بزرگ در مقیاس بزرگ و شامل شبکه‌های مخابراتی است (بخش 5.4). همینطور تقارن بین دقت برنامه (یعنی شیء) و دقت تشخیص بسته به تعداد منابع ارائه شده، جریان‌ها و وضوح تصویر هر جریان و انرژی را ارائه می‎کنیم (بخش 5.5). سرانجام، همه نتایج را برای ترسیم کامل مصرف انرژی توسط برنامه در مورد زیرساخت‌های در نظر گرفته شده جمع می‌کنیم و در نتیجه قسمت‌های مختلف بخش را مقایسه می‌کنیم (بخش 5.6).

مصرف دستگاه‌ های IoT

برای ارزیابی انرژی دستگاه‌های IoT، از شبیه ساز ns3 [59] و اجرای آن از مدل انرژی شرح داده شده در بخش 4.1 برای دستگاه‌های IoT استفاده می‌کنیم [48]. شبیه‌ساز رفتار 802.11n (5 گیگاهرتز) را تقلید می‌کند. دستگاه IoT با سرعت ثابت در محدوده نقطه دسترسی حرکت می‌کند (با استفاده از مدل تحرک سرعت ثابت ns3). شبیه‌‎سازی‌ها نرخ بیت برنامه را با توجه به مقادیر ارائه شده در جدول 1 دنبال می‌کنند. همانطور که هیچ متغیر تصادفی در این شبیه‌سازی وجود ندارد، تنها یک اجرا انجام می‌شود.

بحث

همانطور که در بخش 5.4 ذکر شد، لبه قادر به تولید انرژی خود و ذخیره انرژی اضافی در باتری [17] با توجه به منابع محدود محاسباتی، لبه Cloud نمی‌تواند از مقادیر زیادی پردازش که نیاز به رخ دادن در زمان یکسان دارند پشتیبانی کند. به این ترتیب، جریان‌های داده ورودی جدید باید به هسته ابر برای تجزیه و تحلیل سریع حرکت کنند. همانطور که قبلا ذکر کردیم، برای کاهش انرژی، بهتر است که قالب رزولوشن برای همه فیلم‌ها را با تشخیص دقت کاهش دهیم، اگر کاربر انتظار دارد دقت تشخیص بالا و مصرف انرژی کمی میخواهد، ابتدا باید اطمینان حاصل شود که داده‌ها در لبه پردازش شده‌اند. با افزایش تعداد کاربران، نه تنها تعداد سرورهای لبه، بلکه همچنین پانل‌های فتوولتائیک خورشیدی که قادر به تامین انرژی برای سرور هستند یا برای تبدیل به ابر هسته با عملکرد پایین از نظر تأخیر، باید افزایش یابند.

نتیجه‌ گیری

داده‌ها ارزش خود را زمانی از دست می‌دهند که نمی‌توانند به اندازه کافی سریع تجزیه و تحلیل شوند. بارگیری اطلاعات برای پردازش جریان ویدئو در لبه به طور موثر زمان پاسخ را کاهش می‌دهد و از انتقال داده‌های غیرضروری بین لبه و هسته اجتناب می‌کند و در نتیجه باعث کاهش سربار انرژی شبکه می‌شود. علاوه براین، می‌تواند به عنوان مثال طول عمر باتری را از تجهیزات نهایی کاربر (به عنوان مثال، تجهیزات پوشیدنی) افزایش دهد. در همین حال، مصرف سنتی انرژی و ردپای کربن می‌تواند با ساختن لبه برق خودتولید کاهش یابد.

ما یک مدل تحلیلی برای تخمین انرژی با استفاده از Platforms IoT مبتنی بر Edge Cloud برای IoT پیشنهاد می‌کنیم. این مدل می‌تواند مورد استفاده قرار گیرد تا تصمیم بگیرد که آیا محاسبات را از محاسبات اشیاء به لبه یا به هسته ابر، بسته به تعداد دستگاه‌ها و QoS برنامه مورد نظر خارج کند. این مدل را ارزیابی کردیم. نتایج ما رابطه‌ی بین تعداد دوربین‌ها، دقت برنامه و هزینه پردازش انرژی، باز کردن مسیرهای تحقیق جدید در پیدا کردن معامله مربوطه بین تخریب عملکرد و مصرف انرژی تحت سیستم‌های ابر را بیان می‌کند.

سناریو این مقاله می‌تواند به عنوان یک مثال خاص برای نشان دادن مزایای تخلیه داده‌ها برای پردازش در لبه یا هسته در زمینه صرفه‌جویی در انرژی دیده شود. علاوه براین، هرچند این کار مبتنی بر دوربین است، می‌توان آن را به هر سناریوی دیگری اعمال کرد جایی که جریان داده‌ها نیاز به پردازش در زمان واقعی دارند.

نتایج ما همچنین غلبه‌ی مصرف ابر در هزینه انرژی کلی پلتفرم IoT را نشان می‌دهد. این غلبه در مورد لبه‌ای که در آن هزینه انرژی زیاد است، برای زیرساخت‌های Cloud نسبت به IoT و شبکه سه برابر بزرگتر است. در نتیجه، با ایجاد انفصال در دستگاه‌های متصل، بهره‌وری انرژی به ویژه برای مراکز داده کوچک، برای محدود کردن تاثیر IoT در مصرف انرژی جهانی بهبود می‌یابد.

این مقاله ISI در سال 2018 در نشریه الزویر و در مجله سیستم های کامپیوتری نسل آینده، توسط موسسه انفورماتیک کشف راتگرز منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله مدل های انرژی end-to-end برای پلتفرم های IoT در سایت ای ترجمه مراجعه نمایید.

مقاله محاسبات Edge Cloudمقاله IoTمقاله تجزیه‌ و تحلیل جریان داده‌ هامقاله بهره‌ وری انرژیمقاله رایانش مرزی
خدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
شاید از این پست‌ها خوشتان بیاید