論文の概要: Application and Energy-Aware Data Aggregation using Vector
Synchronization in Distributed Battery-less IoT Networks
- arxiv url: http://arxiv.org/abs/2311.01050v1
- Date: Thu, 2 Nov 2023 07:51:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 14:12:54.321987
- Title: Application and Energy-Aware Data Aggregation using Vector
Synchronization in Distributed Battery-less IoT Networks
- Title（参考訳）: 分散バッテリレスiotネットワークにおけるベクトル同期を用いたアプリケーションおよびエネルギアウェアデータアグリゲーション
- Authors: Chetna Singhal, Subhrajit Barick, and Rishabh Sonkar
- Abstract要約: バッテリーレスIoT(Internet of Things)デバイスは、次世代無線ネットワークにおける持続可能なグリーンイニシアチブの重要な要素である。
電池不要のデバイスは環境から採取した環境エネルギーを使用する。
主な目標は、センサデータを集約し、分散バッテリレスIoTネットワークで持続可能なアプリケーションサポートを提供するメカニズムを提供することである。
- 参考スコア（独自算出の注目度）: 2.94944680995069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The battery-less Internet of Things (IoT) devices are a key element in the
sustainable green initiative for the next-generation wireless networks. These
battery-free devices use the ambient energy, harvested from the environment.
The energy harvesting environment is dynamic and causes intermittent task
execution. The harvested energy is stored in small capacitors and it is
challenging to assure the application task execution. The main goal is to
provide a mechanism to aggregate the sensor data and provide a sustainable
application support in the distributed battery-less IoT network. We model the
distributed IoT network system consisting of many battery-free IoT sensor
hardware modules and heterogeneous IoT applications that are being supported in
the device-edge-cloud continuum. The applications require sensor data from a
distributed set of battery-less hardware modules and there is provision of
joint control over the module actuators. We propose an application-aware task
and energy manager (ATEM) for the IoT devices and a vector-synchronization
based data aggregator (VSDA). The ATEM is supported by device-level federated
energy harvesting and system-level energy-aware heterogeneous application
management. In our proposed framework the data aggregator forecasts the
available power from the ambient energy harvester using long-short-term-memory
(LSTM) model and sets the device profile as well as the application task rates
accordingly. Our proposed scheme meets the heterogeneous application
requirements with negligible overhead; reduces the data loss and packet delay;
increases the hardware component availability; and makes the components
available sooner as compared to the state-of-the-art.
- Abstract（参考訳）: バッテリーレスIoT(Internet of Things)デバイスは、次世代無線ネットワークにおける持続可能なグリーンイニシアチブの重要な要素である。
電池不要のデバイスは環境から採取した環境エネルギーを使用する。
エネルギー収穫環境は動的であり、断続的なタスク実行を引き起こす。
回収されたエネルギーは小さなコンデンサに格納され、アプリケーションタスクの実行を保証することは困難である。
主な目標は、センサデータを集約し、分散バッテリレスIoTネットワークで持続可能なアプリケーションサポートを提供するメカニズムを提供することである。
我々は、多くのバッテリフリーIoTセンサハードウェアモジュールと、デバイスエッジクラウド連続体でサポートされている異種IoTアプリケーションからなる分散IoTネットワークシステムをモデル化する。
アプリケーションは、電池レスハードウェアモジュールの分散セットからのセンサデータを必要とし、モジュールアクチュエータのジョイントコントロールが提供される。
本稿では,IoTデバイス用のアプリケーション対応タスクとエネルギマネージャ(ATEM)と,ベクトル同期ベースのデータアグリゲータ(VSDA)を提案する。
atemはデバイスレベルのフェデレーションエネルギー収穫とシステムレベルのエネルギアウェア異種アプリケーション管理によってサポートされている。
提案フレームワークでは,長期記憶(LSTM)モデルを用いて環境エネルギー収穫機から利用可能な電力を予測し,それに応じてデバイスプロファイルとアプリケーションタスク率を設定する。
提案手法は,不均一なアプリケーション要件を無視可能なオーバーヘッドで満たし,データ損失とパケット遅延を低減し,ハードウェアコンポーネントの可用性を向上し,コンポーネントを最先端と比較して早く利用できるようにする。
関連論文リスト
- Empowering IoT Applications with Flexible, Energy-Efficient Remote Management of Low-Power Edge Devices [0.0]
本稿では,低消費電力エッジデバイスにおける個々のマイクロサービスのきめ細かいモニタリングと管理のための新しいアプローチを提案する。
提案手法は,モジュール化技術を活用することにより,IoTエッジデバイスの運用上の柔軟性を実現する。
論文 参考訳（メタデータ） (2024-04-26T10:04:22Z) - Device Scheduling and Assignment in Hierarchical Federated Learning for
Internet of Things [20.09415156099031]
本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。
実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
論文 参考訳（メタデータ） (2024-02-04T14:42:13Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - SamurAI: A Versatile IoT Node With Event-Driven Wake-Up and Embedded ML
Acceleration [37.89976990030855]
本稿では,この処理とエネルギーのギャップを埋める汎用IoTノードであるSamurAIを2つのオンチップサブシステムを活用して提案する。
ARには1.7MOPSイベント駆動の非同期ウェイクアップコントローラ(WuC)があり、スポラディックコンピューティングに最適化された207nsの起動時間がある。
ODはディープスリープRISC-VCPUと1.3TOPS/W機械学習(ML)を組み合わせて36GOPSまでの複雑なタスクを実行する。
論文 参考訳（メタデータ） (2023-04-11T08:52:48Z) - Deep Reinforcement Learning Based Power Allocation for Minimizing AoI
and Energy Consumption in MIMO-NOMA IoT Systems [27.19355345123451]
マルチインプットマルチアウトおよび非直交マルチアクセス(MIMO-NOMA)インターネットオブシング(IoT)システムは、リアルタイムアプリケーションをサポートするために、チャネル容量とスペクトル効率をはっきりと改善することができる。
情報時代(AoI)はリアルタイム応用にとって重要な指標であるが,AoIを最小化する文献は存在しない。
MIMO-NOMA IoTシステムでは,SICプロセスでは伝送速度が一定ではなく,ノイズも一定である。
深部強化学習(DRL)に基づくMIMO-NOMA IoTシステム
論文 参考訳（メタデータ） (2023-03-11T14:09:46Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。