Multi-layer IoT resource management

Abstract

Internet of Things is one of the most promising paradigms in the current decade characterized by the use of smart and self-configured objects, like sensors, actuators, wearables etc., that are connected to a network and exchange data by sensing, reacting to events, and interacting with the environment. In addition unmanned mobile devices, e.g. drones, were introduced to users’ daily life the last decade and become a part of the whole of "objects" participating in the IoT as long as they carry sensing equipment and on-board computing elements. These sensing and computational capabilities enhance the network embedded intelligence and allow complex tasks to be realized in a highly distributed fashion, thus, balancing load across the infrastructure and rendering communications much more energy efficient in newly introduced mobile Internet of Things. Their main characteristic of movement to space and time add a new degree of freedom to the needs of monitoring in IoT creating mobile IoT networks. All the IoT objects generate huge amount of data imposing a great demand on processing in order to transform the data into useful information or services. In this new dynamic landscape, it is necessary to have an adequate architecture that can integrate heterogeneous information streams and provide services with an acceptable quality to the users. The realization of an IoT framework needs to take into account many constraints related to the device (power consumption, network processing, battery lifetime etc.), to the stochastic nature of the underlying network (delay, bandwidth utilization, latency ) and to the middleware overlay that is necessary to fuse big volumes of information streams and deliver a service to the user. Therefore it is needed the use of a resource management architecture that can monitor the performance of the units involved in different layers in an IoT system and decides to take actions based on optimal resource use in order to support reliable delivery of information with an acceptable Quality of Service to the users. This thesis proposes the design of a resource management framework which can monitor with no prior knowledge information streams produced by IoT devices, can predict changes with online mechanisms that can disrupt the performance of the IoT framework and can take actions to retain acceptable Quality Of Service while trying to save resources. The online, time optimized and distributed decision making models are based on Optimal Stopping Theory and Change Detection Theory. Starting from the edge we present our research of a dynamic encoder adaptive to changes in video sequences. This encoder proposes a compressing method in order to minimize the error produced to the transmitted multimedia sequence without harming the content. Afterwards, we study the performance of the underlying wireless network and how the changes in network environment can affect and disrupt the mission of unmanned robotic devices and the telemetry received. We study and analyze a time-optimized decision making model adaptive to network quality changes applied in unmanned vehicles as long as the communication between the devices and the fixed control stations can be obstructed, overloaded or can suffer from high packet loss rate due to network variations. Last but not least a stochastic optimization framework of on-line control unit applied on a data distributed platform is proposed because these platforms are necessary to IoT infrastructures to process the enormous volumes of data exchanged between IoT devices. The findings of such decision making models are promising and solidly supportive to a vast spectrum of real-time and latency-sensitive applications with QoS requirements in IoT environments.

Το Διαδίκτυο των πραγμάτων (Internet of Things - IoT) είναι ένα από τα πιο ελπιδοφόρα παραδείγματα της τρέχουσας δεκαετίας που χαρακτηρίζεται από τη χρήση έξυπνων και αυτόνομα διαμορφωμένων αντικειμένων, όπως αισθητήρες, actuators, wearables, κλπ., που συνδέονται με το Διαδίκτυο και ανταλλάσσουν δεδομένα με στόχο την έγκαιρη ανίχνευση συμβάντων, αντίδραση σε αυτά, και την αλληλεπίδραση τους με το περιβάλλον. Επιπλέον, μη επανδρωμένες κινητές συσκευές, π.χ. drones, εισήχθησαν στην καθημερινή ζωή των χρηστών την τελευταία δεκαετία και έγιναν μέρος του συνόλου των "αντικειμένων" που συμμετέχουν στο IoT εφόσον φέρουν εξοπλισμό ανίχνευσης και ενσωματωμένα στοιχεία υπολογιστών. Αυτές οι δυνατότητες ανίχνευσης και υπολογιστικής ικανότητας ενισχύουν την ενσωματωμένη στο δίκτυο ευφυΐα και επιτρέπουν την πραγματοποίηση σύνθετων εργασιών με πολύ κατανεμημένο τρόπο, εξισορροπώντας το φορτίο σε όλη την υποδομή και καθιστώντας τις επικοινωνίες πολύ πιο ενεργειακά αποδοτικές στο νεοεισαχθέν κινητό Διαδίκτυο των πραγμάτων. Το χαρακτηριστικό της κίνησης τους στο χώρο και στο χρόνο προσθέτει έναν νέο βαθμό ελευθερίας στις ανάγκες της παρακολούθησης στο IoT δημιουργώντας τα κινητά δίκτυα IoT. Όλα τα αντικείμενα IoT συμβάλουν στη δημιουργία ενός τεράστιου όγκου δεδομένων που απαιτούν σύνθετη επεξεργασία προκειμένου να μετατραπούν από δεδομένα σε χρήσιμες πληροφορίες ή υπηρεσίες. Σε αυτό το νέο δυναμικό τοπίο, είναι απαραίτητο να υπάρχει μια επαρκής αρχιτεκτονική που να μπορεί να ενσωματώνει ετερογενείς ροές πληροφοριών και να παρέχει υπηρεσίες με αποδεκτή ποιότητα στους χρήστες. Η υλοποίηση ενός συστήματος IoT πρέπει να λαμβάνει υπόψη πολλούς περιορισμούς που σχετίζονται με τη συσκευή (κατανάλωση ρεύματος, επεξεργασία δικτύου, διάρκεια ζωής της μπαταρίας κ.λπ.), με το στοχαστικό χαρακτήρα του υποκείμενου δικτύου (καθυστέρηση, χρήση εύρους ζώνης, λανθάνουσα κατάσταση κ.λπ.) και το επικαλυπτόμενο midddleware που είναι απαραίτητο για τη συνένωση μεγάλων όγκων ροών πληροφοριών και την παροχή υπηρεσιών στους χρήστες. Ως εκ τούτου απαιτείται η χρήση αρχιτεκτονικής για τη διαχείριση των ΙοΤ πόρων η οποία να μπορεί να παρακολουθεί την απόδοση των μονάδων που συμμετέχουν σε διαφορετικά επίπεδα στο σύστημα και να αποφασίζει να αναλάβει δράσεις με βάση τη βέλτιστη χρήση των πόρων προκειμένου να υποστηριχθεί η αξιόπιστη παροχή πληροφοριών με αποδεκτή ποιότητα υπηρεσίας προς τους χρήστες. Η διατριβή αυτή προτείνει το σχεδιασμό ενός πλαισίου διαχείρισης πόρων το οποίο μπορεί να παρακολουθεί χωρίς προηγούμενη γνώση πηγές πληροφοριών που παράγονται από συσκευές IoT, μπορεί να προβλέψει αλλαγές που διαταράσσουν την απόδοση του συστήματος και μπορεί να τις αντιμετωπίσει μέσω μηχανισμών απόφασης ώστε να διατηρήσει ένα επίπεδο αποδεκτής ποιότητας εξυπηρέτησης ενώ ταυτόχρονα εξοικονομεί πόρους. Τα προτεινόμενα κατανεμημένα μοντέλα λήψης αποφάσεων βασίζονται στη θεωρία βέλτιστης παύσης και στη θεωρία ανίχνευσης αλλαγών. Ξεκινώντας από την οπτική της συσκευής, παρουσιάζουμε την έρευνά μας για έναν δυναμικό κωδικοποιητή που προσαρμόζεται στις αλλαγές σε ακολουθίες πολυμεσικών ροών. Αυτός ο κωδικοποιητής προτείνει μια μέθοδο συμπίεσης προκειμένου να ελαχιστοποιηθεί το σφάλμα που παράγεται στη μεταδιδόμενη αλληλουχία πολυμέσων χωρίς να βλάπτεται το περιεχόμενο. Στη συνέχεια, μελετάμε τις επιδόσεις του υποκείμενου ασύρματου δικτύου και πώς οι αλλαγές στο περιβάλλον δικτύου μπορούν να επηρεάσουν και να διαταράξουν την αποστολή μη επανδρωμένων συσκευών και την τηλεμετρία που μεταδίδουν. Μελετάμε και αναλύουμε ένα μοντέλο λήψης απόφασης βελτιστοποιημένο κατά το χρόνο που προσαρμόζεται στις αλλαγές ποιότητας του δικτύου και εφαρμόζεται στα μη επανδρωμένα οχήματα, εφόσον η επικοινωνία μεταξύ των συσκευών και των σταθερών σταθμών ελέγχου μπορεί συχνά να παρεμποδιστεί, να υπερφορτωθεί ή να υποστεί υψηλό ποσοστό απώλειας πακέτων λόγω παραλλαγών του δικτύου. Τέλος, προτείνεται ένα στοχαστικό πλαίσιο βελτιστοποίησης της μονάδας ελέγχου σε πραγματικό χρόνο το οποίο εφαρμόζεται σε μια κατανεμημένη πλατφόρμα δεδομένων, καθώς οι κατανεμημένες πλατφόρμες διάδοσης δεδομένων είναι απαραίτητες στις υποδομές IoT για τη διαχείριση και την επεξεργασία των τεράστιων όγκων δεδομένων που ανταλλάσσονται μεταξύ συσκευών IoT. Τα ευρήματα των προτεινόμενων μοντέλων λήψης αποφάσεων σε αυτή τη διδακτορική διατριβή είναι πολλά υποσχόμενα και υποστηρίζουν σταθερά ένα ευρύ φάσμα εφαρμογών ευαίσθητων σε καθυστερήσεις με απαιτήσεις ποιότητας υπηρεσίας σε περιβάλλοντα IoT.