Power Estimation Framework to Ensure the Reliability of Edge Devices in Internet-of-Things Applications

En 2022, le marché mondial de l’informatique de pointe était estimé à 11,24 milliards USD, avec un taux de croissance projeté de 37,9% de 2023 à 2030. Le principe de l’edge computing est que les données doivent être analysées aussi près que possible de leur production. Cela se traduit par un traitement plus rapide et un temps de réponse de l’application plus rapide. Cependant, les périphériques périphériques et les noeuds périphériques ont généralement des capacités réduites par rapport aux centres de données. La répartition des charges de travail de données et de calcul sur différents niveaux (par exemple, cloud ou périphérique périphérique) peut avoir un impact important sur les performances et l’utilisation des ressources de l’ensemble du système et de son infrastructure. De plus, un manque de fiabilité dû à l’épuisement des batteries ou à l’inaccessibilité de l’alimentation est un autre problème potentiel. En particulier lorsqu’un périphérique périphérique effectue des analyses de données complexes en périphérie, la consommation d’énergie est une ressource particulièrement critique pour les périphériques périphériques. La consommation d’énergie peut être influencée par divers facteurs, tels que le volume de données d’entrée, l’utilisation des ressources et la topologie du réseau informatique de périphérie. L’incertitude de la consommation d’énergie peut entraîner des problèmes de planification, d’allocation des ressources et de fiabilité du système. Afin de maintenir la fiabilité et la fonctionnalité des plates-formes informatiques de pointe, une estimation et une gestion efficaces de la consommation d’énergie, en particulier dans les noeuds à énergie limitée, sont nécessaires. Compte tenu de cela et pour surmonter ces défis, dans ce travail, (1) nous présentons d’abord un outil d’analyse comparative des performances et de l’énergie pour les plates-formes informatiques de périphérie (PEBEdge) dans les applications de l’Internet des objets (IoT) afin d’évaluer les performances globales et la consommation d’énergie. Le système de référence de PEBEdge est composé de plusieurs niveaux, y compris un niveau de capteur (c’est-àdire un générateur de charge de travail), un niveau de périphérie (y compris les couches d’application et d’analyse comparative) et un niveau cloud (pour le stockage de données et l’analyse avancée). Cet outil se concentre particulièrement sur les dispositifs périphériques, qui portent les contraintes les plus importantes. PEBEdge nous permet de définir facilement différentes charges de travail qui correspondent à différentes topologies de capteurs et autres déploiements impliquant des appareils périphériques, des noeuds périphériques et le cloud. PEBEdge surveille et collecte l’utilisation des ressources sous forme de métriques de performances système telles que le processeur, la mémoire, les E/S de disque et le réseau, ainsi que vi la consommation d’énergie au niveau des périphériques périphériques. PEBEdge permet de configurer et de déployer différentes applications de traitement de données et d’exécuter des expériences pour évaluer les performances et la consommation d’énergie de l’infrastructure pour des charges de travail et des applications données. Il est conçu pour que chaque composant soit implémenté et virtualisé en tant que conteneur, permettant une instanciation, une personnalisation et un remplacement d’exécution faciles avec une implémentation différente utilisant une image différente au moment de l’exécution. Avec les conteneurs Docker, le framework fournit également des capacités d’orchestration robustes pour les expériences à grande échelle et collecte des mesures cohérentes de performance et d’utilisation de l’énergie à travers les déploiements. Le framework PEBEdge nécessite à la fois des composants physiques et logiciels. Étant donné que PEBEdge vise à mesurer la consommation d’énergie sur l’appareil de périphérie, des composants physiques spécifiques sont nécessaires. Pour permettre une plus grande représentativité, flexibilité et extensibilité, tous les autres composants (par exemple, les capteurs) sont virtualisés. Dans cette thèse, (2) après avoir identifié les paramètres associés au logiciel ayant un impact sur la consommation d’énergie de l’appareil de périphérie, un modèle d’estimation de puissance est construit pour étudier comment différents paramètres (comme les capteurs d’entrée, les numéros de conteneur, les unités de traitement, le CPU, la mémoire, le réseau et le disque ) sont corrélées à la consommation d’énergie des appareils périphériques. Dans cette thèse, nous proposons l’utilisation de modèles d’apprentissage automatique pour l’estimation de la consommation d’énergie. Par rapport aux méthodes qui utilisent des modèles analytiques (c’està- dire mathématiques ou statistiques) pour estimer la consommation d’énergie (par exemple, WattEdge), les modèles d’apprentissage automatique ont l’avantage d’être indépendants du matériel et généralement applicables. Dans les cas liés aux logiciels, lorsqu’il est nécessaire de se concentrer sur le recyclage des données, les algorithmes d’apprentissage automatique sont une solution supérieure. Parce que les approches d’apprentissage automatique rendent la formation aux données beaucoup plus facile et plus rapide. Inversement, les méthodes analytiques produisent souvent des résultats plus précis, nécessitent moins de ressources informatiques et sont plus interprétables. Différents modèles d’apprentissage automatique ont été utilisés dans les expériences, notamment eXtreme Gradient Boosting, Random Forest, Decision Tree, Linear Regression, AdaBoost Regressor, K-plus proche voisin et des modèles de réseau neuronal, notamment Long Short-Term Memory, Multilayer Perceptron et Dummy Régresseur comme ligne de base de régression. Le processus de formation d’un tel modèle est décrit en détail, y compris comment collecter des données et sélectionner le meilleur modèle parmi une variété d’algorithmes. Les expériences sont menées à l’aide d’un ensemble de données qui comprend 381 232 échantillons collectés à partir de 35 types d’expériences. Sur vii la base des mesures de performance, les modèles d’apprentissage automatique semblent être plus performants que les modèles de réseau neuronal dans les résultats présentés. L’arbre de décision et la forêt aléatoire présentent d’excellentes performances parmi les algorithmes d’apprentissage automatique. De plus, la quantité estimée de consommation d’énergie de l’appareil de périphérie nous aide à estimer le temps d’épuisement de la batterie. À l’aide des modèles d’estimation de puissance, nous trouvons le facteur logiciel le plus important qui nous permet de prendre des décisions concernant la modification de la configuration du système lorsque l’appareil de périphérie est au niveau critique de la batterie ; nous déterminons le temps d’épuisement approximatif de la batterie de l’appareil périphérique en fonction des modèles de consommation d’énergie estimés. Finalement, dans cette recherche, (3) nous offrons aux chercheurs la possibilité d’effectuer des expériences concernant la consommation d’énergie des périphériques de périphérie avec beaucoup moins de temps et sans aucun matériel requis comme un périphérique de périphérie et un wattmètre.