Résumé Technique : Gestion de l'exécution des tâches pour des charges de travail inconnues dans l'IoT sans batterie

1. Énoncé du problème

La prolifération rapide des objets connectés (IoT) a soulevé d'importantes préoccupations environnementales et économiques concernant l'utilisation des batteries Li-ion, qui contiennent des matériaux toxiques et nécessitent un remplacement fréquent. Bien que les architectures de récupération d'énergie sans batterie offrent une alternative durable en utilisant des supercondensateurs, elles introduisent un défi critique : la gestion d'un stockage d'énergie hautement volatil.

Contrairement aux batteries, les supercondensateurs présentent des chutes de tension non linéaires proportionnelles à la dépense énergétique. Conjuguée à une collecte d'énergie ambiante imprévisible (par exemple, le solaire) et à des applications de type « boîte noire » aux profils énergétiques dynamiques et inconnus (par exemple, des transmissions LoRa avec des charges utiles et des facteurs d'étalement variables), les stratégies d'ordonnancement statiques traditionnelles échouent. Les méthodes statiques reposent sur des seuils de tension fixes ou des profils de tâches pré-mesurés, ce qui est soit insuffisant pour des conditions dynamiques, soit nécessite un étalonnage manuel spécifique au matériel. Le problème central est de développer des stratégies d'ordonnancement dynamiques et agnostiques au matériel capables de gérer intelligemment l'exécution des tâches sans connaissance préalable de la consommation d'énergie, garantissant ainsi la résilience du système (éviter les pannes d'alimentation) tout en maximisant le débit des tâches.

2. Méthodologie

Modélisation du système

Les auteurs modélisent le système IoT sans batterie comme un processus de décision de Markov (MDP). L'état du système est défini par la tension du condensateur ($V(t)$), le courant de collecte ($I_H$) et la décision d'exécuter une tâche ($E$) ou de dormir ($NE$).

• Dynamique du condensateur : Une équation de réponse de l'échelon RC en circuit fermé est dérivée pour prédire l'évolution de la tension ($V(t+\Delta t)$) en fonction du courant de collecte, de la résistance de charge et de la capacité.
• Conditions de défaillance : Si la tension descend en dessous d'un seuil opérationnel minimal ($V_{min}$), le système entre dans un état OFF (panne d'alimentation), nécessitant une période de récupération prolongée pour recharger au-delà du seuil de mise en marche ($V_{to}$).

Stratégies proposées

L'article évalue quatre approches distinctes de logique de décision :

1. Seuillage statique : Une approche de base où les tâches ne s'exécutent que si $V(t) \geq V_{thresh}$. Cela nécessite un réglage manuel et une connaissance préalable des coûts des tâches pour être efficace.
2. AsTAR (Adaptive Task Rate) : Une approche existante utilisant les principes d'augmentation additive et de diminution multiplicative (AIMD) et d'augmentation multiplicative et diminution additive (MIAD). Elle ajuste le taux d'exécution des tâches en fonction des écarts de tension par rapport à une cible, privilégiant le rythme à long terme plutôt que le débit immédiat.
3. Agent d'Apprentissage par Renforcement (RL) : Une approche sans modèle utilisant l'Optimisation de la Politique Proximale (PPO).
   • Espace d'observation : Comprend la tension du condensateur, le courant de collecte, la durée de la tâche, le temps depuis la dernière défaillance et la taille du condensateur.
   • Entraînement : Utilise la randomisation de domaine sur différentes tailles de condensateurs (0,5F à 10F) pour garantir l'agnosticisme matériel.
   • Fonctions de récompense : Deux variantes sont testées : l'une optimisant l'Intervalle Inter-Tâches (ITI) (minimisant les écarts entre les tâches) et l'autre optimisant le Temps d'Arrêt (Off-Time) (minimisant la durée de la panne d'alimentation).
4. Prédiction Approximée (AP) : Une méthode nouvelle et légère qui traite l'application comme une « boîte noire ».
   • Elle approxime la résistance de charge équivalente ($R_{eq}$) de la tâche actuelle en résolvant un problème de recherche de racine (Newton-Raphson) en utilisant les mesures de tension avant et après la tâche précédente.
   • Elle prédit la tension future si la tâche suivante est exécutée. Si la prédiction dépasse un seuil de sécurité tamponné, la tâche est exécutée ; sinon, le système dort.
   • Elle inclut un mécanisme de recalibrage dynamique déclenché par des pannes d'alimentation ou des erreurs de prédiction significatives.

Cadre Expérimental

L'évaluation utilise un cadre de simulation physiquement précis piloté par :

• Données réelles : Données de collecte solaire de l'Islande (2022–2023) converties en courant de collecte.
• Charges de travail dynamiques : Profils de transmission LoRa avec des charges utiles variables et des mécanismes de taux de données adaptatif (ADR) qui modifient la consommation d'énergie en fonction des conditions de canal simulées (RSSI).
• Contraintes matérielles : Simulateur de microcontrôleur STM32L4 et de module LoRa SX1262 avec des surcoûts énergétiques spécifiques pour la logique de décision (ex: temps d'inférence RL, itérations du solveur AP).
• Variables : Tailles de condensateurs allant de 0,5F à 10F.

3. Contributions Clés

• Ordonnancement "Boîte Noire" Agnostique au Matériel : La proposition de deux nouvelles stratégies (RL et AP) qui gèrent les budgets énergétiques sans connaissance préalable de la consommation d'énergie des tâches ou des tailles spécifiques de condensateurs.
• Cadre de Simulation Complet : Développement d'un simulateur open-source physiquement précis couplant la dynamique non linéaire des condensateurs avec des données solaires réelles et des charges LoRa variables.
• Analyse des Compromis Opérationnels : Une analyse comparative détaillée exposant les forces et faiblesses distinctes des méthodes dynamiques par rapport aux bases statiques, spécifiquement concernant le débit, le temps de survie et le rythme d'exécution.
• Identification des Limites Pratiques : La démonstration que les stratégies dynamiques avancées sont plus précieuses sous des contraintes matérielles sévères (petits condensateurs), tandis que les tampons d'énergie plus importants peuvent souvent s'appuyer sur des politiques statiques simples.

4. Résultats et Conclusions

Débit vs Fiabilité ("Boom and Bust")

• Débit élevé : L'approche de Prédiction Approchée (AP) et l'Oracle à Court Terme ont atteint le plus grand nombre d'exécutions quotidiennes réussies (dépassant 1000 tâches/jour pour les condensateurs >1,5F). Notamment, l'AP a atteint un débit proche de l'Oracle sans connaissance préalable.
• Coût de la fiabilité : Ces méthodes à haut débit ont présenté des temps médians entre les pannes d'alimentation (« états OFF ») nettement inférieurs aux méthodes plus conservatrices. Elles maximisent la transmission de données mais risquent des blackouts fréquents du système.

Rythme d'Exécution

• Supériorité d'AsTAR : L'approche AsTAR s'est distinguée par sa capacité de « cadencement ». Bien qu'ayant un taux d'exécution moyen plus faible, elle est la seule méthode ayant réussi à combler les longs écarts d'énergie (ex: la nuit) sans blackouts de communication. Pour les condensateurs >2,5F, AsTAR a réduit l'intervalle inter-tâches maximal quotidien à environ 1 heure, alors que les autres méthodes plafonnaient à ~8 heures (la durée de la nuit).

Résilience du Système et Récupération

• Survie : L'Agent RL (optimisé pour l'Off-Time) et l'approche Statique (3,45V) ont effectivement éliminé les pannes d'alimentation pour la plupart des tailles de condensateurs, maximisant le temps de disponibilité totale de l'appareil.
• Vitesse de récupération : Dans les scénarios fortement contraints (0,5F–1F), les agents AP et RL ont démontré une récupération plus rapide des pannes d'alimentation par rapport aux bases statiques, grâce à leur adaptation dynamique.

Agnosticisme Matériel

• Limites du Statique : Les seuils statiques n'ont pas réussi à se généraliser ; un seuil bas (1,9V) a causé des échecs fréquents dans les petits condensateurs, tandis qu'un seuil haut (3,45V) gaspillait l'énergie dans les plus grands condensateurs.
• Succès du Dynamique : Les approches RL et AP ont maintenu un équilibre entre survie et débit sur toute la plage 0,5F–10F sans recalibrage manuel.
• Surcoût (Overhead) : L'approche AP a été soulignée comme particulièrement efficace, offrant un agnosticisme matériel avec un surcoût de calcul et de mémoire minimal par rapport aux exigences d'inférence du réseau neuronal de l'agent RL.

5. Signification et Revendications

L'article affirme modestement qu'aucune logique de décision n'est universellement supérieure. La signification réside plutôt dans l'identification des contextes opérationnels spécifiques où chaque méthode apporte le plus de valeur :

1. Pour les systèmes sévèrement contraints (petits condensateurs) : Les stratégies dynamiques avancées sont essentielles. La méthode AP est recommandée pour son adaptation légère et en temps réel qui égale le débit optimal sans calibration. L'approche RL est adaptée lorsqu'un équilibre ajustable entre exécution et survie est requis.
2. Pour le cadencement nocturne : AsTAR reste la stratégie privilégiée pour les applications nécessitant une communication constante à travers de longues périodes sans récolte d'énergie.
3. Pour les systèmes avec de grands tampons d'énergie : L'article conclut que pour les dispositifs possédant de plus gros condensateurs (ex: >5,5F dans leur scénario), le seuillage statique simple est très efficace. Dans ces systèmes moins contraints, le surcoût de calcul et de mémoire des méthodes dynamiques ne justifie pas les bénéfices marginaux par rapport aux politiques statiques optimisées.

Ce travail établit une limite pour l'utilité pratique du seuillage dynamique, suggérant que la complexité de l'ordonnancement piloté par l'IA ou prédictif doit être réservée aux scénarios où les contraintes matérielles (petits tampons d'énergie) rendent l'optimisation statique impossible.