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.