Kecerdasan Teragih di Pinggir Rangkaian IoT - AETiC 2020

1. Pengenalan

Internet of Things (IoT) telah merevolusikan inovasi untuk mengumpul dan menyimpan maklumat daripada objek fizikal atau sensor. Pertumbuhan eksponen peranti IoT telah membawa kepada kemunculan pengkomputeran pinggir, di mana data diproses lebih dekat dengan sumber berbanding dihantar ke pelayan awan berpusat. Menjelang 2020, diunjurkan 50 bilion peranti pintar akan disambungkan ke internet, menjana kira-kira 500 zettabait data.

2. Latar Belakang dan Kerja Berkaitan

2.1 Evolusi Seni Bina IoT

Seni bina IoT tradisional sangat bergantung pada model berpusatkan awan di mana semua pemprosesan data berlaku di pusat data berpusat. Walau bagaimanapun, pendekatan ini menghadapi cabaran signifikan termasuk isu kependaman, kekangan lebar jalur, dan kebimbangan privasi. Peralihan ke arah pengkomputeran pinggir mewakili transformasi asas dalam cara sistem IoT direka dan digunakan.

2.2 Paradigma Pengkomputeran Pinggir

Pengkomputeran pinggir membawa pengiraan dan penyimpanan data lebih dekat ke lokasi yang diperlukan, meningkatkan masa tindak balas dan menjimatkan lebar jalur. Paradigma utama termasuk pengkomputeran kabus, pengkomputeran pinggir mudah alih (MEC), dan seni bina cloudlet, masing-masing menawarkan kelebihan berbeza untuk senario aplikasi IoT yang berlainan.

3. Kerangka Kecerdasan Teragih

3.1 Komponen Seni Bina

Kerangka kecerdasan teragih merangkumi tiga lapisan utama: peranti pinggir, pelayan pinggir, dan infrastruktur awan. Peranti pinggir melakukan pemprosesan dan penapisan data awal, pelayan pinggir mengendalikan pengiraan lebih kompleks, manakala awan menyediakan penyelarasan global dan penyimpanan jangka panjang.

3.2 Model Pengagihan Kecerdasan

Tiga model utama untuk mengagihkan kecerdasan termasuk: pengagihan berhierarki di mana pemprosesan berlaku pada pelbagai peringkat, pengagihan rakan-ke-rakan membolehkan komunikasi peranti langsung, dan pendekatan hibrid menggabungkan kedua-dua kaedah untuk prestasi optimum.

4. Pelaksanaan Teknikal

4.1 Asas Matematik

Pengoptimuman kecerdasan teragih boleh dirumuskan sebagai masalah pengoptimuman terkekang. Biar $L_{total}$ mewakili jumlah kependaman, yang boleh dinyatakan sebagai:

$L_{total} = \sum_{i=1}^{n} (L_{proc_i} + L_{trans_i} + L_{queue_i})$

di mana $L_{proc_i}$ ialah kependaman pemprosesan pada nod i, $L_{trans_i}$ ialah kependaman penghantaran, dan $L_{queue_i}$ ialah kependaman beratur. Objektifnya adalah untuk meminimumkan $L_{total}$ tertakluk kepada kekangan sumber $R_{max}$ dan keperluan kualiti perkhidmatan $Q_{min}$.

4.2 Reka Bentuk Algoritma

Algoritma kecerdasan teragih menggunakan pendekatan penapisan kolaboratif di mana nod pinggir berkongsi pandangan terproses berbanding data mental. Pseudokod berikut menggambarkan proses membuat keputusan teras:

function distributedIntelligence(node, data, neighbors):
    // Pemprosesan tempatan
    local_insight = processLocally(data)
    
    // Semak jika pemprosesan tempatan mencukupi
    if confidence(local_insight) > threshold:
        return local_insight
    else:
        // Berkolaborasi dengan jiran
        neighbor_insights = []
        for neighbor in neighbors:
            insight = requestInsight(neighbor, data)
            neighbor_insights.append(insight)
        
        // Gabungkan pandangan
        final_decision = aggregateInsights(local_insight, neighbor_insights)
        return final_decision
end function

5. Keputusan Eksperimen

Penilaian eksperimen menunjukkan peningkatan signifikan dalam prestasi sistem. Pendekatan kecerdasan teragih mengurangkan masa tindak balas purata sebanyak 45% berbanding seni bina awan-sahaja dan menurunkan penggunaan lebar jalur sebanyak 60%. Dalam aplikasi sensitif kependaman seperti penyelarasan kenderaan autonomi, sistem mencapai masa keputusan di bawah 50ms, memenuhi keperluan masa nyata.

6. Aplikasi dan Kes Penggunaan

Kecerdasan teragih di pinggir membolehkan banyak aplikasi merentasi pelbagai domain. Dalam bandar pintar, ia memudahkan pengurusan trafik masa nyata dan penyelarasan tindak balas kecemasan. Aplikasi penjagaan kesihatan termasuk pemantauan pesakit jarak jauh dan analitik ramalan untuk wabak penyakit. Manfaat IoT perindustrian termasuk penyelenggaraan ramalan dan pengurusan rantaian bekalan dioptimumkan.

7. Cabaran dan Hala Tuju Masa Depan

Cabaran utama termasuk kerentanan keselamatan dalam sistem teragih, kebolehoperasian antara peranti heterogen, dan kekangan sumber pada peranti pinggir. Hala tuju penyelidikan masa depan memberi tumpuan kepada pengagihan kecerdasan adaptif, pendekatan pembelajaran teragih, dan integrasi dengan rangkaian 5G/6G untuk sambungan dipertingkatkan.

8. Analisis Asal

Penyelidikan yang dibentangkan dalam kertas ini mewakili kemajuan signifikan dalam seni bina IoT dengan menangani batasan asas model berpusatkan awan. Pendekatan kecerdasan teragih selari dengan trend muncul dalam pengkomputeran pinggir, seperti yang dibuktikan oleh perkembangan serupa dalam kerangka seperti TensorFlow Federated untuk pembelajaran mesin terpencar. Berbanding pendekatan berpusat tradisional, kecerdasan teragih menawarkan faedah substantif dalam pengurangan kependaman dan pengoptimuman lebar jalur, terutamanya penting untuk aplikasi masa nyata seperti sistem autonomi dan automasi perindustrian.

Perumusan matematik pengoptimuman kependaman yang dibentangkan dalam kertas ini membina prinsip teori beratur yang mantap, serupa dengan pendekatan digunakan dalam rangkaian penghantaran kandungan (CDN) dan pangkalan data teragih. Walau bagaimanapun, aplikasi kepada rangkaian pinggir IoT memperkenalkan kekangan unik berkaitan kepelbagaian peranti dan batasan sumber. Algoritma yang dicadangkan menunjukkan persamaan dengan teknik penapisan kolaboratif digunakan dalam sistem cadangan, disesuaikan untuk persekitaran terkekang sumber.

Apabila dibandingkan dengan kerangka pengkomputeran pinggir lain seperti AWS Greengrass atau Azure IoT Edge, pendekatan kecerdasan teragih menekankan kolaborasi rakan-ke-rakan berbanding hubungan awan-pinggir berhierarki. Perbezaan ini amat penting untuk aplikasi memerlukan ketersediaan tinggi dan toleransi kesilapan. Penemuan penyelidikan konsisten dengan trend industri dilaporkan oleh Gartner, meramalkan bahawa menjelang 2025, 75% data dijana perusahaan akan dicipta dan diproses di luar pusat data berpusat tradisional.

Implikasi keselamatan kecerdasan teragih memerlukan siasatan lanjut, kerana permukaan serangan berkembang dengan pengagihan kecerdasan. Kerja masa depan boleh mengintegrasikan teknologi blockchain untuk konsensus teragih selamat, serupa dengan pendekatan diterokai dalam penyelidikan keselamatan IoT. Kebolehskalaan kerangka yang dicadangkan memerlukan pengesahan melalui penggunaan berskala lebih besar, terutamanya dalam senario dengan beribu-ribu peranti saling bersambung.

9. Rujukan

1. Alam, T., Rababah, B., Ali, A., & Qamar, S. (2020). Distributed Intelligence at the Edge on IoT Networks. Annals of Emerging Technologies in Computing, 4(5), 1-18.
2. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646.
3. Mao, Y., You, C., Zhang, J., Huang, K., & Letaief, K. B. (2017). A survey on mobile edge computing: The communication perspective. IEEE Communications Surveys & Tutorials, 19(4), 2322-2358.
4. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39.
5. Zhu, J., et al. (2018). Improving IoT data quality in mobile crowd sensing: A cross-layer approach. IEEE Transactions on Mobile Computing, 17(11), 2564-2577.
6. Chen, M., et al. (2020). Distributed intelligence in IoT systems: A comprehensive survey. IEEE Internet of Things Journal, 7(8), 6903-6919.