IoT Ağlarında Kenarda Dağıtılmış Zeka - AETiC 2020

1. Giriş

Nesnelerin İnterneti (IoT), fiziksel nesnelerden veya sensörlerden bilgi toplama ve depolama konusunda yenilikleri kökten değiştirmiştir. IoT cihazlarının üssel büyümesi, verilerin merkezi bulut sunuculara iletilmek yerine kaynağa daha yakın işlendiği kenar bilişimin ortaya çıkmasına yol açmıştır. 2020 yılına gelindiğinde, 50 milyar akıllı cihazın internete bağlanacağı ve yaklaşık 500 zettabayt veri üreteceği tahmin ediliyordu.

2. Arka Plan ve İlgili Çalışmalar

2.1 IoT Mimarilerinin Evrimi

Geleneksel IoT mimarileri, tüm veri işlemenin merkezi veri merkezlerinde gerçekleştiği bulut merkezli modellere ağırlıklı olarak dayanıyordu. Ancak bu yaklaşım, gecikme sorunları, bant genişliği kısıtlamaları ve gizlilik endişeleri de dahil olmak üzere önemli zorluklarla karşılaştı. Kenar bilişime doğru kayış, IoT sistemlerinin nasıl tasarlandığı ve konuşlandırıldığı konusunda temel bir dönüşümü temsil etmektedir.

2.2 Kenar Bilişim Paradigmaları

Kenar bilişim, hesaplama ve veri depolamayı ihtiyaç duyulan yere daha yakın getirerek yanıt sürelerini iyileştirir ve bant genişliğinden tasarruf sağlar. Başlıca paradigmalar arasında sis bilişim, mobil kenar bilişim (MEC) ve cloudlet mimarileri bulunur ve her biri farklı IoT uygulama senaryoları için belirgin avantajlar sunar.

3. Dağıtılmış Zeka Çerçevesi

3.1 Mimari Bileşenler

Dağıtılmış zeka çerçevesi üç ana katmandan oluşur: kenar cihazları, kenar sunucuları ve bulut altyapısı. Kenar cihazları ilk veri işleme ve filtreleme gerçekleştirir, kenar sunucuları daha karmaşık hesaplamaları yönetirken bulut, küresel koordinasyon ve uzun vadeli depolama sağlar.

3.2 Zeka Dağıtım Modelleri

Zekayı dağıtmak için üç birincil model bulunmaktadır: işlemenin birden fazla seviyede gerçekleştiği hiyerarşik dağıtım, doğrudan cihaz iletişimine olanak tanıyan eşler arası dağıtım ve optimal performans için her iki yöntemi birleştiren hibrit yaklaşımlar.

4. Teknik Uygulama

4.1 Matematiksel Temeller

Dağıtılmış zekanın optimizasyonu, kısıtlı bir optimizasyon problemi olarak formüle edilebilir. Toplam gecikmeyi temsil eden $L_{total}$ şu şekilde ifade edilebilir:

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

Burada $L_{proc_i}$ i düğümündeki işleme gecikmesi, $L_{trans_i}$ iletim gecikmesi ve $L_{queue_i}$ kuyruk gecikmesidir. Amaç, kaynak kısıtlamaları $R_{max}$ ve hizmet kalitesi gereksinimleri $Q_{min}$ göz önünde bulundurularak $L_{total}$'ı en aza indirmektir.

4.2 Algoritma Tasarımı

Dağıtılmış zeka algoritması, kenar düğümlerinin ham veri yerine işlenmiş içgörüleri paylaştığı işbirlikçi bir filtreleme yaklaşımı kullanır. Aşağıdaki sözde kod, temel karar verme sürecini göstermektedir:

function distributedIntelligence(node, data, neighbors):
    // Yerel işleme
    local_insight = processLocally(data)
    
    // Yerel işlemin yeterli olup olmadığını kontrol et
    if confidence(local_insight) > threshold:
        return local_insight
    else:
        // Komşularla işbirliği yap
        neighbor_insights = []
        for neighbor in neighbors:
            insight = requestInsight(neighbor, data)
            neighbor_insights.append(insight)
        
        // İçgörüleri topla
        final_decision = aggregateInsights(local_insight, neighbor_insights)
        return final_decision
end function

5. Deneysel Sonuçlar

Deneysel değerlendirme, sistem performansında önemli iyileştirmeler göstermektedir. Dağıtılmış zeka yaklaşımı, yalnızca bulut mimarilerine kıyasla ortalama yanıt süresini %45 oranında azaltmış ve bant genişliği tüketimini %60 oranında düşürmüştür. Otonom araç koordinasyonu gibi gecikmeye duyarlı uygulamalarda, sistem gerçek zamanlı gereksinimleri karşılayan 50ms altında karar sürelerine ulaşmıştır.

6. Uygulamalar ve Kullanım Senaryoları

Kenardaki dağıtılmış zeka, çeşitli alanlarda sayısız uygulamayı mümkün kılar. Akıllı şehirlerde, gerçek zamanlı trafik yönetimi ve acil durum müdahale koordinasyonunu kolaylaştırır. Sağlık hizmeti uygulamaları arasında uzaktan hasta izleme ve hastalık salgınları için tahmine dayalı analitik bulunur. Endüstriyel IoT faydaları arasında tahmine dayalı bakım ve optimize edilmiş tedarik zinciri yönetimi yer alır.

7. Zorluklar ve Gelecek Yönelimler

Başlıca zorluklar arasında dağıtılmış sistemlerdeki güvenlik açıkları, heterojen cihazlar arasında birlikte çalışabilirlik ve kenar cihazlarındaki kaynak kısıtlamaları bulunmaktadır. Gelecekteki araştırma yönelimleri, uyarlanabilir zeka dağıtımı, federatif öğrenme yaklaşımları ve gelişmiş bağlantı için 5G/6G ağlarıyla entegrasyon üzerinde odaklanmaktadır.

8. Özgün Analiz

Bu makalede sunulan araştırma, bulut merkezli modellerin temel sınırlamalarını ele alarak IoT mimarisinde önemli bir ilerlemeyi temsil etmektedir. Dağıtılmış zeka yaklaşımı, merkezi olmayan makine öğrenimi için TensorFlow Federated gibi çerçevelerdeki benzer gelişmelerle kanıtlandığı üzere, kenar bilişimdeki gelişmekte olan eğilimlerle uyumludur. Geleneksel merkezi yaklaşımlarla karşılaştırıldığında, dağıtılmış zeka, özellikle otonom sistemler ve endüstriyel otomasyon gibi gerçek zamanlı uygulamalar için hayati önem taşıyan gecikme azaltma ve bant genişliği optimizasyonu konularında önemli faydalar sunmaktadır.

Makalede sunulan gecikme optimizasyonunun matematiksel formülasyonu, içerik dağıtım ağları (CDN'ler) ve dağıtılmış veritabanlarında kullanılan yaklaşımlara benzer şekilde, yerleşik kuyruk teorisi ilkelleri üzerine inşa edilmiştir. Ancak, IoT kenar ağlarına uygulama, cihaz heterojenliği ve kaynak sınırlamalarıyla ilgili benzersiz kısıtlamalar getirmektedir. Önerilen algoritma, kaynak kısıtlı ortamlar için uyarlanmış, öneri sistemlerinde kullanılan işbirlikçi filtreleme tekniklerine benzerlikler göstermektedir.

AWS Greengrass veya Azure IoT Edge gibi diğer kenar bilişim çerçeveleriyle karşılaştırıldığında, dağıtılmış zeka yaklaşımı hiyerarşik bulut-kenar ilişkilerinden ziyade eşler arası işbirliğini vurgulamaktadır. Bu ayrım, yüksek kullanılabilirlik ve hata toleransı gerektiren uygulamalar için özellikle önemlidir. Araştırma bulguları, Gartner tarafından raporlanan ve 2025 yılına kadar kurumsal olarak üretilen verilerin %75'inin geleneksel merkezi veri merkezleri dışında oluşturulacağı ve işleneceğini öngören endüstri eğilimleriyle tutarlıdır.

Dağıtılmış zekanın güvenlik etkileri, saldırı yüzeyinin zeka dağıtımıyla genişlemesi nedeniyle daha fazla araştırma gerektirmektedir. Gelecekteki çalışmalar, IoT güvenlik araştırmalarında keşfedilen yaklaşımlara benzer şekilde, güvenli dağıtılmış mutabakat için blok zinciri teknolojilerini entegre edebilir. Önerilen çerçevenin ölçeklenebilirliği, özellikle binlerce birbirine bağlı cihazın bulunduğu senaryolarda, daha büyük ölçekli konuşlandırmalar yoluyla doğrulanmasını gerektirmektedir.

9. Referanslar

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.