Reunaälyä pienitehoiseen IoT-yhteyteen ja toimintaan

Esineiden internetin (Internet of Things, IoT) nopea kasvu tuo mukanaan haasteita kestävyydelle, mukaan lukien kasvaneet kunnossapitovaatimukset ja suurempi energiankulutus. Näihin ongelmiin puuttumiseksi on ratkaisevan tärkeää kehittää itsenäisiä esineiden internetin ekosysteemejä, joissa minimoidaan energiankulutus ja optimoidaan resurssien käyttö. Tämän opinnäytetyön tavoitteena on kehittää ja suunnitella reunalle energiatehokkaita optimointi- ja koneoppimismekanismeja, joilla tuetaan tällaisia kestäviä esineiden internetin käyttöönottoja niin, että viestinnän yleisrasite on mahdollisimman pieni. Lähestymistapamme yhdistää teoreettisen suorituskykyanalyysin algoritmien kehittämiseen.

Ensin kuvailemme ja ennakoimme esineiden internetin vaihtelukäyriä käyttämällä koneoppimista reunalla. Keskitymme esineiden internetin verkkoliikenteeseen liittyvien keskeisten käyttäytymismallien tunnistamiseen ja luotettavien verkkoliikennemallien kehittämiseen sekä simulointia että ennakointia varten. Vahvistamme nämä mallit reaalimaailman tietojoukkojen perusteella ja suunnittelemme koneoppimiseen pohjautuvia verkkoliikenteen ennustuskehyksiä vähätehoisten IoT-laitteiden käyttöönottoja varten. Tämän jälkeen ehdotamme kevyen koneoppimisen integrointia reunaan, IoT-laitteiden tunnistus- ja raportointitoimintojen optimointia, epäjatkuvaa vastaanottoa ja wake-up radio -mekanismeja energiatehokkuuden parantamiseksi pienitehoisissa esineiden internet verkoissa. Otamme käyttöön verkkoliikenne-ennusteavusteisia algoritmeja energian säästämiseksi ja näiden mekanismien mukautuvuuden ja tehokkuuden parantamiseksi dynaamisissa esineiden internet-ympäristöissä. Lopuksi keskitymme energianeutraaliin esineiden internetiin liittyviin skenaarioihin, joissa IoT-laitteet luottavat energian keräämiseen toiminnan ylläpitämiseksi, ja ehdotamme koneoppimiseen pohjautuvia mekanismeja energiankulutuksen vähentämiseksi ja lähes optimaalisen suorituskyvyn säilyttämiseksi.

Nämä ratkaisut vastaavat reunalaskentaa ja ennakoivaa mallinnusta hyödyntämällä haasteisiin ja epävarmuustekijöihin, joita esiintyy tyypillisesti pienitehoisissa esineiden internetin ympäristöissä. Lisäksi ne tarjoavat skaalautuvia ja kestäviä energianhallinnan menetelmiä.