Resumen Técnico: Ahora o Nunca: Sistema de IAoT de Vigilancia Continua para Eventos Efímeros en Redes de Sensores Intermitentes

Planteamiento del Problema

Las tareas de monitoreo en la naturaleza, como la vigilancia contra la caza furtiva y la detección de incendios forestales, requieren una detección ubicua y de alta precisión para distinguir amenazas críticas del ruido de fondo. Si bien el despliegue de Redes Neuronales Profundas (DNN) en el borde (edge) es esencial para la precisión requerida en estos escenarios, mantener una alimentación estable para despliegues a gran escala es logísticamente inviable. Por consiguiente, el AIoT con recolección de energía es la única solución viable para un despliegue ubicuo.

Sin embargo, los sistemas de recolección de energía introducen un conflicto fundamental: las interrupciones frecuentes de energía chocan con la naturaleza intensiva en cómputo de las DNN. Las estrategias actuales de computación intermitente suelen adoptar un paradigma de "almacenar y computar", donde los nodos acumulan energía y ejecutan tareas solo cuando hay suficiente potencia disponible. Este enfoque prioriza la finalización eventual sobre la disponibilidad continua. Los autores argumentan que este paradigma crea una "Brecha de Disponibilidad" crítica. En escenarios que involucran eventos efímeros, de tipo "ahora o nunca" (por ejemplo, un disparo transitorio o la chispa inicial de un incendio), la latencia introducida por el almacenamiento de energía puede resultar en el fracaso de la misión, ya que el evento puede cesar antes de que el nodo se recargue y procese los datos.

Metodología

Para abordar la tensión entre la intermitencia de los dispositivos individuales y la necesidad de cobertura espaciotemporal continua, los autores proponen un algoritmo descentralizado y consciente de la energía que aprovecha la diversidad energética entre los nodos. El sistema opera bajo condiciones de recolección heterogéneas (por ejemplo, zonas soleadas vs. sombreadas) y utiliza los siguientes mecanismos centrales:

1. Perfilado Previo al Despliegue y Mapeo Estático

Antes del despliegue, el sistema se somete a una fase de perfilado offline utilizando hardware con especificaciones idénticas (MCUs ESP32-C3-SuperMini).

• Mapa de Uso de Energía de la MCU: El sistema perfila el consumo de energía en todos los estados operativos (detección, computación, transmisión, reposo) para crear una base para la estimación de energía.
• Mapa de División de Capas de la DNN: El modelo DNN objetivo se particiona previamente en grupos lógicos de capas basados en los costos de energía perfilados. Esto permite que el sistema determine de forma adaptativa el punto de partición óptimo durante el tiempo de ejecución.

2. Ciclo de Vida Adaptativo a la Energía con Histéresis

Para evitar los "nodos zombis" (nodos que se reinician repetidamente y fallan debido a la insuficiencia de energía), el sistema implementa un mecanismo de recuperación basado en histéresis.

• Los nodos entran en modo de sueño profundo cuando la energía cae por debajo de un umbral inferior crítico (por ejemplo, 1%) y permanecen inactivos hasta recargar hasta un umbral de recuperación (por ejemplo, 20%).
• Una vez activos, los nodos calculan una duración máxima de detección ($T_{sense}$) basada en la energía residual, reservando un margen de seguridad para la computación y transmisión esenciales.

3. Predicción de Voltaje del Vecino (NVP)

Para facilitar la cooperación sin procesos de negociación (handshakes) que consuman mucha energía, el sistema utiliza un mecanismo de transporte de datos (piggybacking) donde los paquetes de comunicación incluyen el voltaje actual del emisor.

• Predicción Auto-referenciada: Aprovechando la consistencia espacial de la energía ambiental, un nodo $i$ predice el voltaje de un vecino $j$ ($\hat{V}_j(t)$) basándose en su propio cambio de voltaje ($\Delta V_i$) y un desfase aprendido. Esto permite que los nodos construyan un "Mapa de Creencia de Energía" local y seleccionen socios de descarga (offloading) óptimos sin necesidad de paquetes de sincronización dedicados.

4. Coordinación Espaciotemporal Descentralizada

El algoritmo emplea dos mecanismos descentralizados para optimizar la cobertura y el cómputo:

• Desincronización Consciente de Colisiones: Si un nodo detecta la señal de un vecino durante su fase de detección, identifica una superposición espaciotemporal. Acto seguido, desplaza su próximo esquema de activación mediante un tiempo de retroceso aleatorio para desincronizar las ventanas de detección y eliminar la redundancia.
• Descarga Colaborativa (Collaborative Offloading): Durante la ventana de transferencia, si un nodo carece de energía suficiente para completar la inferencia de la DNN, procesa únicamente las capas iniciales factibles. Los tensores de características intermedios se transfieren al vecino con el mayor excedente de energía predicho ($\hat{V}_{neighbor} > V_{self}$), asegurando que las tareas fluyan hacia los nodos con mayor energía.

Principales Contribuciones

El artículo describe tres contribuciones principales:

1. Programación Prioritaria de la Cobertura: Un nuevo algoritmo de programación de computación intermitente que minimiza los puntos ciegos de detección mediante la propagación ligera de estados. Coordina los ciclos de activación para asegurar que al menos un nodo permanezca activo en cada región objetivo, permitiendo la captura instantánea de eventos efímeros.
2. Inferencia Colaborativa Consciente de la Energía: Un algoritmo de computación colaborativa para la inferencia de DNN impulsado por la predicción ligera de la energía del vecino. Esto permite la partición dinámica de tareas y la descarga de estas, permitiendo que la red supere las limitaciones de un solo nodo.
3. Simulación de Alta Fidelidad Basada en el Perfilado de Hardware: Una simulación rigurosa fundamentada en el perfilado de hardware real del ESP32-C3-SuperMini. La simulación modela una red de 100 nodos con dinámicas precisas de recolección y descarga de energía para validar la viabilidad del algoritmo.

Resultados

El sistema fue evaluado utilizando un simulador basado en Python que modela una cuadrícula hexagonal de 100 nodos con condiciones de recolección solar heterogéneas (50% soleado, 50% sombreado). La simulación se ejecutó durante aproximadamente 2.78 horas, rastreando 138 eventos acústicos.

• Cobertura y Estabilidad: Comparado con un modelo base "Modo Vanilla" (reactivo, procesamiento de un solo nodo), el "Modo Algoritmo" propuesto logró un aumento del 9.84% en la cobertura promedio (del 59.51% al 68.75%). La desviación estándar de la cobertura cayó de 15.89 a 12.39, lo que indica una vigilancia significativamente más estable y confiable.
• Impacto Físico: Traduciendo estas métricas al espacio físico, el sistema propuesto cubre un área promedio adicional de 2,496 $m^2$. Este aumento de cobertura implica la capacidad de capturar aproximadamente un 9% más de eventos (unos 103 eventos críticos adicionales por día) que de otro modo se perderían debido a que los nodos están fuera de línea o realizando una detección redundante.
• Precisión de la Inferencia: Una comparación entre un modelo ligero independiente (Small DNN) y el enfoque de computación dividida distribuida mostró una brecha de rendimiento significativa. El modelo independiente logró una precisión del 68.3%, mientras que la ejecución distribuida de un modelo más grande alcanzó una precisión del 98.4%, validando la necesidad de la computación dividida para una inferencia de alta fidelidad en redes con recursos limitados.

Significado y Reivindicaciones

Los autores afirman que este trabajo establece una base sólida para construir sistemas de vigilancia resilientes y seguros contra fallos en nodos con recursos limitados. Al cambiar el paradigma de "esperar por la energía" a "vigilancia continua", el algoritmo propuesto aborda la brecha de disponibilidad crítica en las redes de sensores intermitentes.

El artículo señala modestamente que, aunque los resultados son prometedores, el sistema aún no ha alcanzado su óptimo teórico. El algoritmo de coordinación actual depende de enfoques heurísticos para priorizar la factibilidad, dejando un potencial significativo para un mayor refinamiento algorítmico para maximizar el rendimiento. En última instancia, el trabajo aspira a realizar un sistema AIoT verdaderamente ubicuo donde modelos DNN de alto rendimiento se ejecuten sin problemas a través de entornos distribuidos, incluso bajo condiciones de recolección heterogéneas.