Towards Energy Impact on AI-Powered 6G IoT Networks: Centralized vs. Decentralized

Título: Impacto Energético em Redes IoT 6G Impulsionadas por IA: Arquiteturas Centralizadas vs. Descentralizadas

1. Problema e Motivação

A integração de Inteligência Artificial (IA) e Aprendizado de Máquina (ML) nas redes de Internet das Coisas (IoT) para a sexta geração (6G) apresenta desafios críticos de eficiência energética. Embora a IA permita aplicações avançadas (como manutenção preditiva em ferrovias), o treinamento de modelos e a transmissão de dados consomem quantidades significativas de eletricidade.

• Arquitetura Centralizada (CL): Envolve o envio de dados brutos de todos os dispositivos IoT para um servidor central (nuvem/data center) para processamento. Isso gera uma sobrecarga de comunicação massiva, alto consumo de energia na transmissão e problemas de escalabilidade.
• Arquitetura Descentralizada (FL - Federated Learning): Propõe o treinamento local nos dispositivos de borda (edge), enviando apenas os parâmetros do modelo atualizados para o servidor. O objetivo é reduzir o consumo energético total, minimizando a transmissão de dados brutos e aproveitando a computação na borda.

O artigo busca quantificar e comparar o custo energético dessas duas abordagens em um cenário real de infraestrutura crítica.

2. Metodologia

Os autores desenvolveram uma abordagem baseada em três pilares principais:

• Modelo de Consumo Energético:

  • Foi proposto um modelo generalizado que divide o custo energético em duas partes: Computação (processamento de dados e treinamento do modelo) e Comunicação (transmissão de dados brutos ou parâmetros do modelo).
  • O modelo considera fatores como a eficácia do uso de energia (PUE) dos data centers, o tamanho dos dados (bits), o número de épocas de treinamento e a eficiência dos dispositivos de borda.
  • Utilizou-se uma Rede Neural Convolucional (CNN) simples como modelo de aprendizado.

• Ambiente de Teste Real (Testbed):

  • A validação foi realizada em colaboração com a Deutsche Bahn (ferrovia alemã) no projeto "SLKI" (Segundo Nível de Inteligência Artificial em Agulhas).
  • Infraestrutura: Mais de 1.300 sensores integrados instalados em 650 agulhas de trem em quatro cidades alemãs (Kassel, Mainz, Stuttgart, Ulm).
  • Dados: Os sensores coletam dados de vibração e velocidade dos trens (40 a 280 km/h), gerando um conjunto de dados de mais de 14,3 TB com 5 milhões de registros.
  • Hardware:
    • Centralizado: Computador desktop de alto desempenho.
    • Descentralizado: Placas de borda NXP i.MX 8 Plus (com CPU Cortex-A53 e NPU integrada) para treinamento local.

• Protocolo de Comparação:

  • Ambos os sistemas foram treinados até atingir uma precisão preditiva comparável (aproximadamente 90% de acurácia ou RMSE similar) para garantir uma comparação justa.
  • O consumo de energia foi medido utilizando a biblioteca CodeCarbon, que estima o uso de eletricidade e emissões de carbono com base no hardware e na localização geográfica.

3. Contribuições Principais

• Modelagem Quantitativa: Desenvolvimento de um modelo matemático para avaliar os custos energéticos de integração de IA em redes 6G IoT, focando nas trocas (trade-offs) entre eficiência e desempenho.
• Validação Empírica em Escala Real: Diferente de simulações puras, o estudo utiliza dados reais de uma infraestrutura ferroviária operacional na Alemanha, oferecendo insights práticos sobre a viabilidade da IA na borda.
• Análise Comparativa Detalhada: Separação clara dos custos de energia entre transmissão de dados e treinamento de modelos para arquiteturas Centralizadas (CL) e Federadas (FL).

4. Resultados

Os experimentos revelaram diferenças significativas no perfil de consumo energético:

• Desempenho de Precisão: Ambas as arquiteturas (CL e FL) alcançaram uma precisão de previsão de velocidade de trem de aproximadamente 90% após 20 épocas de treinamento. A arquitetura descentralizada manteve uma precisão competitiva, apesar de usar hardware de borda menos potente.
• Consumo de Energia:
  • Arquitetura Descentralizada (FL): Reduziu o consumo total de eletricidade em até 70% em comparação com a abordagem centralizada.
  • Comunicação vs. Computação: Na arquitetura FL, a energia gasta na transmissão de dados representa uma parcela menor do total, enquanto na CL, a transmissão de dados brutos consome uma fatia massiva da energia total.
  • Dados Específicos: Em cidades como Mainz, o consumo caiu de 1.283,9 kWh (CL) para 370,8 kWh (FL). Em Stuttgart, de 896,7 kWh para 259,0 kWh.
• Eficiência de Transmissão: A arquitetura FL eliminou a necessidade de enviar terabytes de dados brutos para a nuvem, enviando apenas os pesos do modelo (muito menores), o que mitigou drasticamente os custos energéticos de comunicação.

5. Significado e Conclusão

O estudo demonstra que a Aprendizado Federado (Federated Learning) é uma estratégia viável e superior para a sustentabilidade de redes IoT 6G, especialmente em aplicações de larga escala e com restrições energéticas.

• Sustentabilidade: A redução de até 70% no consumo energético sugere que a descentralização é crucial para atingir metas de emissão de carbono e eficiência energética em infraestruturas críticas.
• Futuro 6G: Os resultados validam que a computação na borda, combinada com ML distribuído, pode oferecer o mesmo desempenho preditivo da nuvem, mas com um custo ambiental e energético drasticamente menor.
• Relevância Industrial: Para setores como o ferroviário, onde a manutenção preditiva é vital, a adoção de arquiteturas descentralizadas não apenas melhora a privacidade e a latência, mas também torna a operação mais econômica e ecológica.

Em suma, o trabalho fornece evidências empíricas de que a migração de arquiteturas centralizadas para descentralizadas é um passo necessário para a viabilidade sustentável da IA no futuro das redes IoT.