Toward Real-Time Mirrors Intelligence: System-Level Latency and Computation Evaluation in Internet of Mirrors (IoM)

Dit artikel presenteert de eerste fysieke teststudie van het Internet van Spiegels (IoM), waarin wordt aangetoond dat er geen universeel optimale strategie bestaat voor de plaatsing van berekeningen binnen de IoM-hiërarchie, maar dat de beste keuze afhangt van factoren zoals netwerkcondities, node-nabijheid en gelijktijdig gebruikersverkeer.

De kern

De Spiegels van de Toekomst: Een Simpele Uitleg van het "Internet der Spiegels"

Stel je voor dat je in de badkamer staat en naar je spiegel kijkt. Maar dit is geen gewone spiegel. Het is een slimme spiegel die niet alleen je reflectie laat zien, maar ook direct analyseert: "Je tanden zien er goed uit, maar die vlek moet je controleren." Dit concept heet het Internet der Spiegels (IoM).

In dit onderzoek hebben onderzoekers van de Universiteit van Glasgow gekeken naar de grote vraag: Waar moet de "breinwerk" gebeuren? Moet de spiegel zelf alles uitrekenen, of moet het naar een computer in de buurt of zelfs naar een enorme server in de cloud sturen?

Hier is de uitleg, vertaald naar alledaagse taal en met een paar leuke vergelijkingen.

1. De Drie Spiegels in het Dorp

Het systeem bestaat uit drie soorten "spiegels" of computers, elk met een ander niveau van kracht:

• De Huisspiegel (Consument): Dit is de spiegel in je badkamer. Hij is slim, maar niet superkrachtig. Denk aan een slimme telefoon. Hij kan foto's maken, maar zware berekeningen kosten hem veel tijd.
• De Kappersspiegel (Professional): Dit is de spiegel in een tandartspraktijk of schoonheidssalon. Hij is krachtiger, zoals een krachtige laptop. Hij kan sneller rekenen dan de huisspiegel.
• De Hoofdkantoor-Spiegel (Hub): Dit is de enorme server in het centrum van het ziekenhuis of de stad. Hij is een supercomputer die duizenden taken tegelijk kan doen.

2. Het Probleem: De "Tandvlek" Opdracht

De onderzoekers gebruikten een specifiek voorbeeld: het analyseren van een glimlach (tandheelkunde).
Het proces ziet er zo uit:

1. Foto maken: De spiegel neemt een foto van je glimlach.
2. Voorbereiden: De foto wordt schoongemaakt en op maat gemaakt.
3. Analyseren: Een slim algoritme (een AI) kijkt naar de foto en zegt: "Geen gaatjes" of "Let op die vlek". Dit is het zwaarste werk.
4. Resultaat: De spiegel toont het antwoord aan de gebruiker.

De vraag was: Wie doet stap 3?

3. De Vier Strategieën (De "Boodschappen" Vergelijking)

De onderzoekers testten vier manieren om dit werk te verdelen. Stel je voor dat je een zware koffer (de foto) moet laten analyseren.

• Strategie A: Alles zelf doen (Alleen de Huisspiegel)

  • Vergelijking: Je probeert zelf de zware koffer te tillen en te analyseren, terwijl je tegelijkertijd nog moet koken en de hond moet uitlaten.
  • Resultaat: De spiegel wordt traag. Het duurt lang voordat je antwoord krijgt, vooral als er meerdere mensen tegelijk hun tanden controleren. De spiegel "zweet" (gebruikt veel energie).

• Strategie B: De Kapper helpen (Professional Offload)

  • Vergelijking: Je neemt de koffer mee naar de kapper om de deur. Hij is sterker en kan de koffer sneller openmaken.
  • Resultaat: De spiegel hoeft niet meer zwaar te tillen. Het antwoord komt sneller, zolang de weg naar de kapper niet te lang is.

• Strategie C: Het Hoofdkantoor bellen (Hub Offload)

  • Vergelijking: Je stuurt de hele zware koffer per vrachtwagen naar het hoofdkantoor in een andere stad.
  • Resultaat: De spiegel doet bijna niets. Maar het duurt lang om de koffer te versturen (internetverkeer). Als de weg (internet) snel is (5G), gaat het snel. Als de weg traag is (Wi-Fi), duurt het lang.

• Strategie D: De Grote Organisatie (Tiered Distributed)

  • Vergelijking: Je geeft de koffer aan de kapper, die een stukje ervan afhaalt en naar het hoofdkantoor stuurt, en het resultaat komt via een omweg terug.
  • Resultaat: Het werk wordt perfect verdeeld, maar er is veel "postverkeer" nodig. Dit is de duurste manier qua tijd, maar het verdeelt de last het mooist.

4. Wat Vonden Ze? (De Belangrijkste Lessen)

De "Internet" Factor is Cruciaal
De onderzoekers testten dit met zowel gewone Wi-Fi als het super-snelle 5G-netwerk.

• Bij kleine pakketjes: Als je alleen een klein verslagje (een logbestand) moet sturen, maakt 5G niet veel uit. Soms is Wi-Fi zelfs sneller omdat 5G een kleine "startkosten" heeft.
• Bij grote pakketjes: Als je een hele zware foto (de originele beelden) moet sturen, wint 5G het duidelijk. Het is als een snelweg versus een landweg. Voor grote data is 5G een game-changer.

Er is geen "Perfecte" Oplossing
Er is geen enkele strategie die altijd het beste is. Het hangt af van de situatie:

• Thuis (en alleen): Laat de spiegel het zelf doen. Geen internet nodig, maar hij wordt wel traag als je familie ook gebruikmaakt.
• In de kliniek (met een sterke computer in de buurt): Stuur het werk naar de nabijgelegen computer. Dit is vaak de snelste en meest stabiele optie.
• Grote ziekenhuizen (met 5G): Stuur de zware foto's naar het centrale hoofdkantoor. Dankzij 5G gaat dit razendsnel.

5. De Conclusie in Eén Zin

Het "Internet der Spiegels" werkt niet met één vaste regel. Het moet slim zijn en zich aanpassen.

Stel je voor dat de spiegel een slimme chauffeur is. Soms rijdt hij zelf naar de bestemming (lokaal), soms belt hij een vrachtwagen (cloud), en soms neemt hij de snelweg (5G). De beste keuze hangt af van hoe zwaar de lading is, hoe druk het verkeer is, en hoe snel de weg is.

De toekomst van deze technologie ligt in intelligente systemen die in real-time beslissen: "Oh, het is druk op het netwerk, ik doe het zelf," of "Oh, het is rustig en 5G is snel, ik stuur het naar de server." Zo blijven de spiegels altijd snel en betrouwbaar, of je nu thuis bent of in een drukke kliniek.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Toward Real-Time Mirrors Intelligence: System-Level Latency and Computation Evaluation in Internet of Mirrors (IoM)" in het Nederlands.

Probleemstelling

Het Internet of Mirrors (IoM) is een opkomend IoT-ecosysteem van onderling verbonden slimme spiegels die persoonlijke diensten (zoals gezondheidszorg, schoonheid en ondersteund wonen) leveren via een visuele interface. Het IoM is georganiseerd als een drie-laags hiërarchie:

1. Consumentennodes: Basis rekenkracht (bijv. thuisgebruik).
2. Professionele nodes: Middelgrote rekenkracht (bijv. in klinieken of apotheken).
3. Hub-nodes: Hoge rekenkracht (enterprise edge servers).

De centrale uitdaging is het bepalen waar computatietaken binnen deze hiërarchie moeten plaatsvinden. Beslissingen over taakplaatsing hebben directe gevolgen voor:

• Eind-tot-eind latentie (vertraging).
• Gebruik van bronnen (CPU/GPU-belasting).
• Gebruikerservaring.
• Netwerkoverhead.

Bestaand onderzoek is vaak gebaseerd op simulaties en behandelt niet de specifieke, door belanghebbenden gedreven hiërarchie van het IoM onder realistische netwerkcondities (Wi-Fi vs. 5G). Er ontbreekt een fysieke testbed-studie om de afweging tussen berekening en communicatie empirisch te kwantificeren.

Methodologie

De auteurs hebben de eerste fysieke testbed-implementatie van het IoM gerealiseerd en geëvalueerd.

• Hardware Testbed:
  • Consumentenniveau: 3x Raspberry Pi 4 (4 GB RAM, CPU) met USB-webcams.
  • Professioneel & Hub niveau: NVIDIA Jetson Xavier NX (8 GB RAM, 6-core CPU, 384-core Volta GPU).
  • Netwerk: Lokale Wi-Fi-router en publieke 5G CPE (Customer Premises Equipment).
• Workload: Een tandheelkundige glimlachanalyse-pijplijn (Dental Smile Analysis) als representatieve applicatie. Deze bestaat uit vier fasen:
  1. Capture: Opname van een 600x600 JPEG-afbeelding.
  2. Pre-processing: Segmentatie en normalisatie.
  3. Classificatie: Zwaarste fase; CNN-inferentie (MobileNetV2).
  4. Result Delivery: Terugsturen van JSON-resultaten.
• Experimenteel Ontwerp:
  • Vier plaatsingsstrategieën:
    1. Consumer-only: Alles lokaal op de Pi.
    2. Professional-offload: Pre-processing lokaal, classificatie op professionele node.
    3. Hub-offload: Ruwe afbeelding naar Hub, alles daar verwerkt.
    4. Tiered-distributed: Verspreiding over alle drie de lagen.
  • Variabelen: Netwerktype (Wi-Fi vs. 5G), aantal gelijktijdige consumenten (1, 2, 3), en 25 herhalingen per combinatie (totaal 600 trials).
• Metingen: Eind-tot-eend latentie, per-stap latentie, netwerktransfer-tijd, resource-gebruik (CPU/GPU) en schaalbaarheid.

Belangrijkste Bijdragen

1. Eerste fysieke IoM-testbed: Implementatie en evaluatie van een real-world IoM-hiërarchie.
2. Systematische vergelijking: De eerste studie die vier computatieplaatsingsstrategieën vergelijkt binnen de IoM-architectuur.
3. Empirische analyse van de afweging: Kwantificering van de computation-communication trade-off onder zowel Wi-Fi als 5G-condities, inclusief de impact van concurrentie.

Resultaten

De resultaten tonen aan dat er geen universeel optimale strategie bestaat; de beste keuze hangt af van het netwerk, de afstand tussen nodes en de belasting.

• Latentie en Bottlenecks:

  • Consumer-only heeft de hoogste latentie (~1,5 sec), voornamelijk door de CPU-intensieve classificatie op de Raspberry Pi. Netwerktype (Wi-Fi/5G) heeft hier weinig invloed omdat de bottleneck lokaal is.
  • Offloading (naar Professional of Hub) vermindert de latentie aanzienlijk (tot ~800 ms) door de zware inferentie op krachtigere hardware te verplaatsen.
  • Netwerkoverhead: Offloading introduceert netwerkvertraging die schaalt met de payload-grootte en het aantal hops.
    • Bij kleine payloads (logbestanden) is 5G soms zelfs trager dan Wi-Fi door toegangsoverhead.
    • Bij grote payloads (ruwe afbeeldingen van 2-3 MB) levert 5G aanzienlijke winst op (bijv. 40% reductie in transfer-tijd ten opzichte van Wi-Fi).

• Resource Gebruik:

  • Consumer-only belast de consumentennode met ~69% CPU-gebruik, wat de capaciteit voor andere taken beperkt.
  • Offloading-strategieën verlagen dit naar 22-39%, waardoor de consumentennode responsief blijft voor gelijktijdige taken.

• Schaalbaarheid en Concurrentie:

  • Consumer-only degradeert sterk onder belasting (stijgende latentie en variabiliteit) door CPU-concurrentie.
  • Professional-offload en Hub-offload schalen beter dankzij GPU-kracht op hogere niveaus.
  • 5G vs. Wi-Fi: 5G vermindert de gemiddelde netwerklatentie bij zware transfers, maar introduceert meer variabiliteit (trial-to-trial variatie) dan het stabiele lokale Wi-Fi-netwerk.

• Aanbevolen Strategieën per Scenario:

  • Home/Offline: Consumer-only (minimale netwerkdienst, maar beperkt door hardware).
  • Kliniek/Apotheek (Wi-Fi): Professional-offload (beste balans tussen lage latentie en stabiliteit).
  • Grote Kliniek (5G): Hub-offload (profiteert maximaal van 5G-bandbreedte voor ruwe afbeeldingen).
  • Grootschalig/Longitudinale tracking: Tiered-distributed (beste lastverdeling, maar hoogste netwerkoverhead).

Significantie en Conclusie

Dit onderzoek onderstreept dat het IoM-ecosysteem niet kan worden bediend door een vaste beleidsregel voor taakplaatsing. De optimale strategie is contextafhankelijk en wordt bepaald door:

1. Beschikbaar netwerk (5G is alleen waardevol bij grote data-overdrachten).
2. Nabijheid en beschikbaarheid van hogere-tier nodes.
3. Rekenintensiteit van de applicatie.
4. Aantal gelijktijdige gebruikers.

De studie motiveert de noodzaak voor intelligente, adaptieve taakplaatsing in toekomstige IoM-systemen. Dergelijke systemen moeten dynamisch reageren op live ecosysteemcondities, applicatie-eisen en netwerkstatistieken om de afweging tussen berekening en communicatie te optimaliseren voor de beste gebruikerservaring.