Exploiting spatio-temporal correlations for energy management policies

Abstract

Estamos viviendo una nueva era, caracterizada por la omnipresencia de dispositivos inteligentes conectados a la red. En esta era, la emergencia de la llamada Internet of Things (IoT) está transformando profundamente la industria a nivel global, así como la propia vida de los seres humanos. El grado de integración alcanzado, así como su conectividad a través de internet, ha permitido que millones de dispositivos se conecten e interactúen a una escala sin precedentes. Esta diseminación generalizada de dispositivos con potencial de procesado, combinada a su capacidad sensora y comunicativa, está incrementando de forma extraordinaria el volumen de datos capturados. Como consecuencia de la expansión de la IoT, el número de dispositivos conectados esta aumentando exponencialmente y pronto ha de generar un problema de escalabilidad, problema muy ligado a su dependencia energética. Un buen número de dispositivos quedarán integrados en el entorno, en lugares inaccesibles o cuya conexión por cable suponga un coste elevado, convirtiendo la energía en un recurso muy preciado. De hecho, el cambio de baterías de miles de dispositivos es simplemente inconcebible. El coste de mantenimiento y, en general, de cualquier intervención, puede suponer un severo freno al avance de este nuevo paradigma. Por tanto, uno de los retos para hacer sostenible la masiva expansión de dispositivos sensores inalámbricos es reducir su coste en términos energéticos. Claramente, se requieren nuevos métodos para afrontar este cambio. Las correlaciones espacio-temporales son esenciales en muchos campos y, por tanto, es bastante razonable suponer que la información de contexto pueda ser también explotada en este paradigma. Partiendo de esta hipótesis, el presenta trabajo ofrece una aproximación sistemática para definir Políticas de Eficiencia Energética para dispositivos sensores inalámbricos, basada en el análisis de las Correlaciones Espacio-Temporales. Sobre esta idea, esta tesis se estructura en dos partes. En primer lugar se aborda la necesidad de un perfilado energético suficientemente preciso para sensores inalámbricos. Para este fin, se ha formalizado un modelo general de consumo que permite perfilar la gestión de energía en dispositivos integrados. Los resultados obtenidos remarcan la importancia de entender los ciclos de actividad involucrados en las tareas que ejecutan este tipo de dispositivos. La segunda parte, desarrollada en base a éste modelo, demuestra el potencial que ofrece el análisis de correlaciones espacio-temporales como herramienta para definir políticas eficientes de gestión. Esta hipótesis se ha investigado desde tres perspectivas diferentes: a) captación de la energía del entorno, b) compresión de la información y c) análisis de datos de contexto. El análisis realizado y las políticas definidas desde estas tres perspectivas proporcionan importantes reducciones tanto en términos energéticos como de coste. Como conclusión, todos los métodos estudiados han demostrado su validez en la definición y validación de políticas energéticas. Las estrategias propuestas pueden ser de gran ayuda para los ingenieros de aplicación, ya que permiten parametrizar las plataformas y explorar sus diseños en las primeras fases de desarrollo. De esta forma se puede reducir el tiempo de acceso al mercado, a la vez que se asegura un balance óptimo entre coste, funcionalidad y tiempo de vida.

We are living in a new era, which is characterized by the omnipresence of smart, networked devices. The developing Internet of Things is profoundly transforming both global industry and human lives. Hardware integration, along with the ability to seamlessly communicate over the internet, has allowed millions of embedded objects to connect and interact on an unprecedented scale. The ubiquitous presence of embedded computing devices, combined with their sensing and communicating capabilities, is increasing the amounts of data captured on a massive scale. As a result of the expanding IoT, the number of connected devices is increasing exponentially and will soon generate a problem of scalability, related mostly to their energy dependence. Many devices will be embedded in the environment, in places that are inaccessible or expensive to connect with wires, making them resource-constrained. Most importantly, battery replacements for thousands of devices are inconceivable. Maintenance and intervention costs can limit the advance of this new paradigm. Therefore, one of the challenges in ensuring the massive expansion of wireless sensing devices is reducing their cost in terms of energy. Clearly, novel methods are required for addressing this change. Spatio-temporal correlations are essential in many different fields. Thus, it is quite reasonable to assume that contextual information can be exploited within this emerging paradigm. Under this hypothesis, the present study provides a systematic approach to defining Energy Efficiency Policies for Wireless Sensor Devices, based on the analysis of Spatio-Temporal Correlations. To this end, the present work is structured in two parts. First, we address the necessity of an accurate energy profiling model for wireless sensing devices. We have formalized a generic consumption model to profile the energy utilization of low-power embedded devices. The obtained results stress the importance of understanding the cycles of operation involved in embedded tasks. The second part of this dissertation demonstrates the applicability of spatio-temporal correlation analysis as a tool for defining energy efficiency policies. This hypothesis has been investigated from three different perspectives: a) energy harvesting, b) data compression and c) contextual data analysis. The correct analysis and policy definition from these three perspectives provides important energy and cost reduction opportunities. In conclusion, all the studied methods proved to be effective for defining and validating energy policies. The proposed strategies help designers to parameterize and customize platforms for their application during the design phases, and hence the time-to-market of new products is reduced while an optimal tradeoff is ensured among cost, functionality and life expectancy.