Towards Sustainable IoT in Energy-Constrained Edge Networks: Context-aware Anomaly Detection Frameworks Using an Efficient Data Collection Approach

L’utilisation généralisée de systèmes embarqués multi-capteurs dans les réseaux IoT alourdit considérablement la consommation énergétique à la périphérie du réseau. Les approches actuelles de détection de la surconsommation d’énergie reposent sur des dispositifs externes tels que des prises intelligentes. Elles sont principalement conçues pour une surveillance énergétique globale au niveau des bâtiments plutôt que pour les dispositifs informatiques. Ces approches ne parviennent généralement pas à répondre aux besoins énergétiques précis des nœuds IoT individuels, où la collecte de données précises est cruciale. Cette thèse comble une lacune essentielle dans la surveillance de l’efficacité énergétique en introduisant un cadre d’analyse des performances adapté aux nœuds IoT à ressources limitées à la périphérie. Plus précisément, il permet la surveillance interne et externe des opérations énergivores dans les capteurs et services à des fins de dépannage. Premièrement, le traçage est l’une des techniques efficaces pour collecter des données granu-laires issues de systèmes complexes multi-threads. Un traçage de programme consiste en une série d’événements écrits par des sondes. Les techniques de sondage traditionnelles dans les systèmes multi-threads reposent fortement sur l’instrumentation en espace noyau plutôt que sur des techniques efficaces en espace utilisateur dans les processus en cours d’exécution. Par conséquent, le succès et les performances de l’insertion et de l’exécution des sondes dépen-dent fortement de l’efficacité de celles-ci. Les techniques de sondage existantes sont limitées en portée car elles sont coûteuses en termes de surcharge et intrusives lors de l’exécution. Pour résoudre ce problème, nous introduisons un cadre appelé NOProbe (sonde basée sur NOP), implémentant deux nouvelles techniques d’instrumentation en espace utilisateur pour l’architecture x86. Au cours de nos expériences, NOProbe a atteint des taux d’efficacité de sondes allant de 97% à 99%, surpassant de loin les approches conventionnelles des outils existants comme GDB, qui ont obtenu des taux allant de 0% à 11%. Deuxièmement, la plupart des solutions de surveillance énergétique actuelles dépendent des compteurs intelligents, qui ne mesurent que la consommation d’énergie globale d’un appareil. Il est généralement difficile d’obtenir des informations spécifiques sur les opérations internes des nœuds IoT. En utilisant l’approche de collecte de données introduite par NOProbe, une nouvelle architecture pilotée par l’IA est proposée pour collecter des données de traçage fines à partir de l’état interne des nœuds suspects sur le plan énergétique à la périphérie. Le résultat de cette étape est alimenté dans un cadre d’analyse des données pour détecter toute anomalie comportementale, telle qu’une consommation d’énergie excessive par rapport aux seuils. Enfin, en fonction de l’identification des nœuds énergivores par l’étape de détection d’anomalies, certains capteurs et services peuvent être arrêtés pour répondre aux attentes essentielles d’autres éléments. Avec des taux de précision allant jusqu’à 95%, et des scores de précision et de rappel aussi élevés que 96% et 95%, le modèle détecte systématiquement les appels système clés dans les cas de surconsommation d’énergie. Des appels système tels que poll, futex, recvmsg, et listen ont montré de fortes corrélations avec une consommation énergétique élevée, car ils sont fortement impliqués dans des opérations intensives en temps ou en I/O qui nécessitent une puissance de traitement importante. Troisièmement, les approches actuelles d’optimisation énergétique se concentrent principale-ment sur la réduction de la consommation énergétique des unités de traitement, via le cyclage d’activité, l’échelle dynamique de tension ou des conceptions matérielles à faible consomma-tion. Cependant, ces stratégies ne prennent souvent pas pleinement en compte la communi-cation réseau comme une source majeure de déperdition d’énergie dans les nœuds IoT. La collecte de données grossières provenant des opérations de communication de données ex-ternes peut également être une approche complémentaire pour révéler les comportements de surconsommation parmi les éléments de la périphérie. À cette fin, nous avons développé un nouveau cadre de détection d’anomalies énergétiques des nœuds IoT à l’aide de l’analyse de transmission des données. Un tel cadre d’analyse des performances permet aux dispositifs d’adapter leur configuration en fonction de la qualité dynamique du signal et des paramètres de transmission. Enfin, un retour d’information sur la stabilisation énergétique donne aux nœuds un aperçu pour modifier leur configuration de transmission pour les communications futures. Sur la base des résultats de la détection d’anomalies énergétiques, ce cadre a atteint des performances élevées avec une précision de 94,8%, un score de précision de 95,2%, un score F1 de 95,0%, surpassant d’autres solutions au prix d’une augmentation de 14% et 17%du temps d’entraînement et de test, respectivement. Ces contributions proposent collectivement des cadres de détection d’anomalies énergétiques contextuellement intelligents, orientés vers un réseau périphérique contraint en énergie et durable grâce à une solution de collecte de données efficace.

Abstract

The widespread use of multi-sensor embedded systems in IoT networks burdens energy con-sumption at the network’s edge. Existing energy over-consumption detection approaches rely on external devices like smart plugs. They are primarily designed for broad, building-level energy tracking rather than computing devices. These approaches typically fail to address the fine-grained energy demands of individual IoT nodes, where precise data collection is essential. This thesis addresses the gap in energy monitoring by introducing a performance analysis framework tailored for resource-constrained IoT nodes at the edge. Specifically, it en-ables internal and external monitoring of energy-intensive operations in sensors and services for troubleshooting purposes. First, tracing is a technique for collecting granular data out of complex multi-threaded sys-tems. A program trace consists of a series of events written by probes. Traditional probing techniques in multi-threaded systems rely on kernel-space instrumentation rather than ef-ficient user-space ones in running processes. Hence, the success and performance of probe insertion and execution are affected by the efficiency of the probe. Existing probing tech-niques are limited in scope as they are costly in overhead and intrusive in execution. To solve this challenge, we introduce a framework called NOProbe (NOP-based Probe), imple-menting two new user space instrumentation techniques for the x86 architecture. Through our experiments, NOProbe achieved success rates for inserting fast probes using 5-byte call instructions at 97% to 99% of target probe locations, far surpassing conventional approaches in existing tools like GDB, which achieved rates between 0% to 11%. Second, most existing energy monitoring solutions depend on smart meters, which only mea-sure the overall energy consumption of a device. Providing insights into specific operations within IoT nodes is usually hard to achieve. Using the data collection approach introduced by NOProbe, a new AI-driven architecture is proposed to collect fine-grained tracing data from the internal state of energy-suspicious nodes on the edge. The output of this step is fed to a data analytic framework to detect any behavioral anomalies such as over-threshold energy consumption. Finally, depending on identifying the energy-hungry nodes by the anomaly detection step, some sensors and services might be halted, to meet the essential expectations for others. With accuracy rates of up to 95%, and precision and recall scores as high as 96% and 95%, the model consistently detects key system calls in energy over-consumption. System calls such as poll, futex, recvmsg, and listen showed strong correlations with high energy consumption, as they are heavily involved in time-intensive or I/O operations that demand significant processing power. Third, current energy optimization approaches primarily focus on reducing the energy con-sumption of processing units, through duty cycling, dynamic voltage scaling, or low-power hardware designs. However, these strategies often fail to fully consider network communi-cation as a dominant source of energy drain in IoT nodes. Collecting coarse-grained data from the external data communication operation can also be a complementary approach to reveal the over-consumption behavior among edge elements. To this end, we developed a novel framework for energy anomaly detection of IoT nodes using data transmission anal-ysis. Such a performance analysis framework enables devices to adapt their configuration according to the dynamic signal quality and transmission settings. Finally, energy stabiliza-tion feedback gives nodes insight into changing their transmission configuration for future communication. Based on the result of anomalous energy detection, this framework achieved high performance with 94.8% accuracy, 95.2% precision score, and 95.0% F1 score, overper-forming other solutions at the cost of 14% and 17% increase in training and testing time, respectively. These contributions collectively propose context-aware energy anomaly detection frameworks toward a sustainable energy-constrained edge network using an efficient data collection solu-tion.