Resumo Técnico: Agora ou Nunca: Sistema de IAoT de Vigilância Contínua para Eventos Efêmeros em Redes de Sensores Intermitentes

Definição do Problema

Tarefas de monitoramento na natureza, como vigilância contra caça ilegal e detecção de incêndios florestais, requerem sensoriamento onipresente e de alta precisão para distinguir ameaças críticas do ruído de fundo. Embora a implementação de Redes Neurais Profundas (DNNs) na borda (edge) seja essencial para a precisão exigida nesses cenários, manter a energia estável para implantações de larga escala é logisticamente inviável. Consequentemente, o AIoT de colheita de energia (energy-harvesting) é a única solução viável para uma implantação onipresente.

No entanto, sistemas de colheita de energia introduzem um conflito fundamental: interrupções frequentes de energia colidem com a natureza intensiva em computação das DNNs. As estratégias atuais de computação intermitente tipicamente adotam um paradigma de "armazenar e computar", onde os nós acumulam energia e executam tarefas apenas quando há energia suficiente disponível. Essa abordagem prioriza a conclusão eventual em vez da disponibilidade contínua. Os autores argumentam que esse paradigma cria um "Gap de Disponibilidade" crítico. Em cenários envolvendo eventos efêmeros, do tipo "agora ou nunca" (ex: um tiro transitório ou a centelha inicial de um incêndio), a latência introduzida pelo armazenamento de energia pode resultar em falha na missão, pois o evento pode cessar antes que o nó recarregue e processe os dados.

Metodologia

Para abordar a tensão entre a intermitência individual do dispositivo e a necessidade de cobertura espaço-temporal contínua, os autores propõem um algoritmo descentralizado e consciente da energia que aproveita a diversidade de energia entre os nós. O sistema opera sob condições de colheita heterogêneas (ex: áreas ensolaradas vs. sombreadas) e utiliza os seguintes mecanismos principais:

1. Perfilamento Pré-Implantação e Mapeamento Estático

Antes da implantação, o sistema passa por uma fase de perfilamento offline usando especificações de hardware idênticas (MCUs ESP32-C3-SuperMini).

• Mapa de Uso de Energia do MCU: O sistema perfila o consumo de energia em todos os estados operacionais (sensoriamento, computação, transmissão, ocioso) para criar uma base para estimativa de energia.
• Mapa de Divisão de Camadas de DNN: A DNN alvo é pré-particionada em grupos lógicos de camadas baseados nos custos de energia perfilados. Isso permite que o sistema determine adaptativamente o ponto de partição ideal durante o tempo de execução.

2. Ciclo de Vida Adaptável à Energia com Histerese

Para evitar "nós zumbis" (nós que reiniciam repetidamente e falham devido à energia insuficiente), o sistema implementa um mecanismo de recuperação baseado em histerese.

• Os nós entram em sono profundo (deep sleep) quando a energia cai abaixo de um limite inferior crítico (ex: 1%) e permanecem inativos até recarregarem para um limite de recuperação (ex: 20%).
• Uma vez ativos, os nós calculam uma duração máxima de sensoriamento ($T_{sense}$) baseada na energia residual, reservando uma margem de segurança para computação e transmissão essenciais.

3. Predição de Voltagem do Vizinho (NVP)

Para facilitar a cooperação sem handshakes que consomem muita energia, o sistema utiliza um mecanismo de piggybacking onde os pacotes de comunicação incluem a voltagem atual do remetente.

• Predição Autorreferenciada: Aproveitando a consistência espacial da energia ambiental, um nó $i$ prevê a voltagem de um vizinho $j$ ($\hat{V}_j(t)$) baseando-se em sua própria variação de voltagem ($\Delta V_i$) e um deslocamento (offset) aprendido. Isso permite que os nós construam um "Mapa de Crença de Energia" local e selecionem parceiros de offloading ideais sem pacotes de sincronização dedicados.

4. Coordenação Espaço-Temporal Descentralizada

O algoritmo emprega dois mecanismos descentralizados para otimizar a cobertura e a computação:

• Dessincronização Consciente de Colisão: Se um nó detecta o sinal de um vizinho durante sua fase de sensoriamento, ele identifica uma sobreposição espaço-temporal. Ele então desloca seu próximo cronograma de despertar por um tempo de backoff aleatório para dessincronizar as janelas de sensoriamento e eliminar redundâncias.
• Offloading Colaborativo: Durante a janela de transferência (handover), se um nó não possui energia suficiente para completar a inferência da DNN, ele processa apenas as camadas iniciais viáveis. Tensores de características intermediárias são transferidos (offloaded) para o vizinho com o maior excedente de energia previsto ($\hat{V}_{neighbor} > V_{self}$), garantindo que as tarefas fluam em direção aos nós ricos em energia.

Principais Contribuições

O artigo descreve três contribuições primordiais:

1. Agendamento Focado em Cobertura: Um novo algoritmo de agendamento de computação intermitente que minimiza pontos cegos de sensoriamento via propagação de estado leve. Ele coordena ciclos de despertar para garantir que pelo menos um nó permaneça ativo em cada região alvo, permitindo a captura instantânea de eventos efêmeros.
2. Inferência Colaborativa Consciente de Energia: Um algoritmo de computação colaborativa para inferência de DNN impulsionado por predição de energia de vizinhos leve. Isso permite o particionamento dinâmico de tarefas e o offloading, permitindo que a rede ultrapasse as limitações de um único nó.
3. Simulação de Alta Fidelidade Baseada em Perfilamento de Hardware: Uma simulação rigorosa fundamentada no perfilamento de hardware real do ESP32-C3-SuperMini. A simulação modela uma rede de 100 nós com dinâmica precisa de colheita e descarga de energia para validar a viabilidade do algoritmo.

Resultados

O sistema foi avaliado usando um simulador baseado em Python modelando uma grade hexagonal de 100 nós com condições heterogêneas de colheita solar (50% ensolarado, 50% sombreado). A simulação rodou por aproximadamente 2,78 horas, rastreando 138 eventos acústicos.

• Cobertura e Estabilidade: Comparado a um modo de linha de base "Modo Vanilla" (reativo, processamento de nó único), o "Modo Algoritmo" proposto alcançou um aumento de 9,84% na cobertura média (de 59,51% para 68,75%). O desvio padrão da cobertura caiu de 15,89 para 12,39, indicando uma vigilância significativamente mais estável e confiável.
• Impacto Físico: Traduzindo essas métricas para o espaço físico, o sistema proposto cobre uma área média adicional de 2.496 $m^2$. Este aumento de cobertura implica a capacidade de capturar aproximadamente 9% mais eventos (cerca de 103 eventos críticos adicionais por dia) que seriam perdidos devido a nós offline ou sensoriamento redundante.
• Precisão de Inferência: Uma comparação entre um modelo leve autônomo (Small DNN) e a abordagem de computação dividida distribuída mostrou uma lacuna significativa de desempenho. O modelo autônomo alcançou 68,3% de precisão, enquanto a execução distribuída de um modelo maior alcançou 98,4% de precisão, validando a necessidade de computação dividida para inferência de alta fidelidade em redes com recursos limitados.

Significância e Alegações

Os autores afirmam que este trabalho estabelece uma base robusta para a construção de sistemas de vigilância resilientes e à prova de falhas em nós de recursos limitados. Ao mudar o paradigma de "esperar pela energia" para "vigilância contínua", o algoritmo proposto aborda o gap de disponibilidade crítico em redes de sensores intermitentes.

O artigo observa modestamente que, embora os resultados sejam promissores, o sistema ainda não atingiu seu ótimo teórico. O algoritmo de coordenação atual depende de abordagens heurísticas para priorizar a viabilidade, deixando um potencial significativo para refinamento algorítmico adicional para maximizar o desempenho. Em última análise, o trabalho visa realizar um sistema AIoT verdadeiramente onipresente, onde modelos DNN de alto desempenho são executados perfeitamente através de ambientes distribuídos, mesmo sob condições de colheita heterogêneas.