論文の概要: Managing Task Execution for Unknown Workloads in Batteryless IoT: A Hardware-Agnostic Evaluation

• arxiv url: http://arxiv.org/abs/2606.24340v1
• Date: Tue, 23 Jun 2026 09:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.859867
• Title: Managing Task Execution for Unknown Workloads in Batteryless IoT: A Hardware-Agnostic Evaluation
• Title（参考訳）: バッテリーレスIoTにおける未知のワークロードに対するタスク実行の管理:ハードウェアに依存しない評価
• Authors: Samer Nasser, Henrique Duarte Moura, Ritesh Kumar Singh, Maarten Weyn, Jeroen Famaey,
• Abstract要約: IoT(Internet of Things)パラダイムは、バッテリレスでエネルギーを節約するアーキテクチャへとシフトしている。 従来のエネルギ対応スケジューラは、静的実行しきい値に依存するため、予測不可能なワークロードに苦労する。 アプリケーションをブラックボックスとして扱う2つの新しいハードウェアに依存しない動的スケジューリング手法を提案する。
• 参考スコア（独自算出の注目度）: 2.435798495038311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the Internet of Things (IoT) paradigm has been shifting toward batteryless, energy-harvesting architectures. Sustaining reliable operation in these systems requires intelligent management of highly volatile stored energy. As edge applications grow in complexity, traditional energy-aware schedulers struggle with unpredictable workloads due to their reliance on static execution thresholds or pre-measured, hardware-specific task profiles. To overcome this, we propose two novel, hardware-agnostic dynamic scheduling strategies treating applications as a "black box," requiring no prior energy information: a model-free Reinforcement Learning (RL) agent and an on-the-fly Approximated Prediction (AP) method. We evaluate these methods against an adaptive task rate approach (AsTAR) and optimized static thresholds using a custom-built, physically accurate simulation framework driven by real-world solar data and dynamic LoRa transmission profiles. Rather than claiming universal superiority, our analysis exposes the distinct operational trade-offs of each method: the AP approach delivers lightweight, near-oracle task throughput; the RL agent provides tunable survival-execution balancing; and AsTAR excels at execution pacing across long energy gaps. Finally, we demonstrate that while these advanced strategies provide critical resilience for severely constrained systems with small capacitors, devices with larger energy buffers can efficiently rely on simpler, less computationally expensive static policies.
• Abstract（参考訳）: 近年、IoT(Internet of Things)パラダイムは、バッテリレスでエネルギーを節約するアーキテクチャへとシフトしている。 これらのシステムにおける信頼性の高い操作を維持するには、高度に揮発性のある貯蔵エネルギーのインテリジェントな管理が必要である。 エッジアプリケーションが複雑化するにつれて、従来のエネルギ対応スケジューラは、静的実行しきい値や事前に測定されたハードウェア固有のタスクプロファイルに依存するため、予測不可能なワークロードに苦労する。 そこで本研究では,モデルレス強化学習(RL)エージェントとオンザフライ近似予測(AP)手法という,事前のエネルギー情報を必要としないブラックボックスとしてアプリケーションを扱う,ハードウェアに依存しない2つの新しい動的スケジューリング手法を提案する。 実世界の太陽データと動的LoRa伝送プロファイルによって駆動される、カスタマイズされた物理的に正確なシミュレーションフレームワークを用いて、アダプティブ・タスクレート・アプローチ(AsTAR)と最適化された静的しきい値に対して、これらの手法を評価する。 我々の分析は、普遍的な優位性を主張するのではなく、各手法の異なる運用上のトレードオフを露呈している: APアプローチは軽量で、ほぼオーラルなタスクスループットを提供する; RLエージェントは、調整可能な生存と実行のバランスを提供する; AsTARは、長いエネルギーギャップをまたいで実行時に優れている。 最後に、これらの高度な戦略は、小さなコンデンサを持つ厳しい制約のあるシステムに対して重要なレジリエンスを提供するが、より大きなエネルギーバッファを持つデバイスは、よりシンプルで計算コストの低い静的ポリシーに効率的に依存できることを示した。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• PeersimGym: An Environment for Solving the Task Offloading Problem with Reinforcement Learning [2.0249250133493195]
  計算ネットワークにおけるタスクオフロード戦略の開発と最適化に適した,オープンソースのカスタマイズ可能なシミュレーション環境であるPeersimGymを紹介する。 PeersimGymは、幅広いネットワークトポロジと計算制約をサポートし、TextitPettingZooベースのインターフェイスを統合して、RLエージェントのデプロイを、単体とマルチエージェントの両方で行えるようにしている。 本稿では,分散コンピューティング環境におけるオフロード戦略を大幅に強化するRLベースのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-03-26T12:12:44Z)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。