El monitoreo de un proceso / fenómeno de interés específico en el borde de la red prevalece en los sistemas ciberfísicos (CPS), la atención médica remota, los edificios inteligentes, el transporte inteligente, etc., que son componentes esenciales de las ciudades inteligentes. Los sistemas de monitoreo actuales utilizan ampliamente sensores de Internet de las cosas (IoT). En la era de Edge Intelligence, existe un gran impulso de investigación para implementar pequeños modelos de aprendizaje automático (ML) en los sensores de IoT, lo que los hace capaces de hacer inferencias locales sobre los datos recopilados. Los modelos de ML pequeños consumen menos energía a costa de una menor precisión de inferencia en comparación con los modelos de ML grandes, es decir, redes neuronales profundas (DNN) que se ejecutan en servidores de borde. En este contexto, quedan varias preguntas sin respuesta sobre el consumo total de energía del sistema (TSE) en los sistemas de monitorización. Una pregunta natural es: ¿dónde se debe realizar la inferencia para una muestra de datos para que se reduzca la TSE? Otra pregunta inminente es: ¿cuándo deberían reducirse los sensores para reducir aún más el TSE? La última pregunta se inspira en el hecho de que en el sistema actual, los sensores de datos recopilados tienen una alta redundancia.

El proyecto GreenEdge responde a las preguntas anteriores explorando los ahorros de TSE que se pueden lograr en una aplicación de monitoreo utilizando un muestreo inteligente y programando la inferencia entre el servidor de borde y los sensores de IoT. GreenEdge logrará esto respetando los requisitos de calidad de servicio (QoS) de las aplicaciones. Esto se llevará a cabo en tres etapas: (1) realizar mediciones de consumo de energía, tiempos de procesamiento y tiempos de comunicación en el sensor de IoT y el servidor de borde, (2) establecer modelos y soluciones algorítmicas que programen el muestreo y la inferencia mediante la explotación de la compensaciones entre el consumo de TSE, la precisión de la inferencia, la limitación de la batería de IoT, el retraso en la detección de eventos esenciales, etc., y (3) la aplicación de los nuevos hallazgos y la validación de la eficacia de los algoritmos propuestos en dos aplicaciones ejemplares con características variadas, a saber, un aplicación de asistencia cognitiva y un banco de pruebas de monitoreo de incendios forestales.

Projecto PID2021-128223OA-I00 financiado por: