Resumo Técnico: Gerenciamento de Execução de Tarefas para Cargas de Trabalho Desconhecidas em IoT Sem Bateria

1. Definição do Problema

A rápida proliferação de dispositivos Internet das Coisas (IoT) tem levantado preocupações ambientais e econômicas significativas em relação ao uso de baterias de Li-ion, que contêm materiais tóxicos e exigem substituição frequente. Embora as arquitetias sem bateria, baseadas em colheita de energia (energy-harvesting), oferem uma alternativa sustentável ao utilizarem supercapacitores, elas introduzem um desafio crítico: o gerenciamento de armazenamento de energia altamente volátil.

Ao contrário das baterias, os supercapacitores exibem quedas de tensão não lineares proporcionais ao gasto de energia. Somado a isso, a colheita de energia ambiente imprevisível (ex: solar) e as aplicações de "caixa preta" com perfis de energia dinâmicos e desconhecidos (ex: transmissões LoRa com payloads e fatores de espalhamento variáveis), fazem com que as estratégias tradicionais de escalonamento estático falhem. Métodos estáticos dependem de limiares de tensão fixos ou perfis de tarefas pré-medidos, que são insuficientes para condições dinâmicas ou exigem calibração manual específica do hardware. O problema central é desenvolver estratégias de escalonamento dinâmicas e agnósticas ao hardware que possam gerenciar inteligentemente a execução de tarefas sem conhecimento prévio do consumo de energia, garantindo a resiliência do sistema (evitando falhas de energia) enquanto maximizam o rendimento (throughput) das tarefas.

2. Metodologia

Modelagem do Sistema

Os autores modelam o sistema IoT sem bateria como um Processo de Decisão de Markov (MDP). O estado do sistema é definido pela tensão do capacitor ($V(t)$), corrente de colheita ($I_H$) e a decisão de executar uma tarefa ($E$) ou entrar em repouso ($NE$).

• Dinâmica do Capacitor: Uma equação de resposta ao degrau RC de forma fechada é derivada para prever a evolução da tensão ($V(t+\Delta t)$) com base na corrente de colheita, resistência de carga e capacitância.
• Condições de Falha: Se a tensão cair abaixo de um limiar operacional mínimo ($V_{min}$), o sistema entra em um estado OFF (falha de energia), exigindo um período de recuperação prolongado para recarregar além do limiar de ativação ($V_{to}$).

Estratégias Propostas

O artigo avalia quatro abordagens distintas de lógica de decisão:

1. Limiarização Estática (Static Thresholding): Uma abordagem de linha de base onde as tarefas executam apenas se $V(t) \geq V_{thresh}$. Isso requer ajuste manual e conhecimento prévio dos custos das tarefas para ser eficaz.
2. AsTAR (Taxa de Tarefa Adaptativa): Uma abordagem existente que utiliza os princípios de Aumento Aditivo e Diminuição Multiplicativa (AIMD) e Diminuição Multiplicativa e Aumento Aditivo (MIAD). Ela ajusta a taxa de execução de tarefas com base nos desvios de tensão em relação a um alvo, priorizando o ritmo de longo prazo sobre o rendimento imediato.
3. Agente de Aprendizado por Reforço (RL): Uma abordagem livre de modelo usando Otimização de Política Próxima (PPO).
   • Espaço de Observação: Inclui tensão do capacitor, corrente de colheita, duração da tarefa, tempo desde a falha e tamanho do capacitor.
   • Treinamento: Emprega randomização de domínio entre diferentes tamanhos de capacitor (0.5F a 10F) para garantir a agnosticidade ao hardware.
   • Funções de Recompensa: Duas variantes são testadas: uma otimizando o Intervalo Entre Tarefas (ITI) (minimizando lacunas entre tarefas) e outra otimizando o Tempo de Desligamento (Off-Time) (minimizando a duração da falha de energia).
4. Predição Aproximada (AP): Um método novo e leve que trata a aplicação como uma "caixa preta".
   • Ele aproxima a resistência equivalente de carga ($R_{eq}$) da tarefa atual resolvendo um problema de busca de raiz (Newton-Raphson) usando medições de tensão antes e depois da tarefa anterior.
   • Ele prevê a tensão futura se a próxima tarefa for executada. Se a previsão exceder um limiar de segurança com margem de segurança (padding), a tarefa é executada; caso contrário, o sistema entra em repouso.
   • Inclui um mecanismo de recalibração dinâmica acionado por falhas de energia ou erros de predição significativos.

Estrutura Experimental

A avaliação utiliza um framework de simulação fisicamente preciso impulsionado por:

• Dados do Mundo Real: Dados de colheita solar da Islândia (2022–2023) convertidos para corrente de colheita.
• Cargas de Trabalho Dinâmicas: Perfis de transmissão LoRa com payloads variáveis e mecanismos de Taxa de Dados Adaptativa (ADR) que alteram o consumo de energia com base em condições de canal simuladas (RSSI).
• Restrições de Hardware: Simulador de MCU STM32L4 e módulo LoRa SX1262 com overheads de energia específicos para a lógica de decisão (ex: tempo de inferência de RL, iterações do solver AP).
• Variáveis: Tamanhos de capacitor variando de 0.5F a 10F.

3. Principais Contribuições

• Escalonamento de "Caixa Preta" Agnóstico ao Hardware: A proposta de duas novas estratégias (RL e AP) que gerenciam orçamentos de energia sem conhecimento prévio do consumo de energia das tarefas ou tamanhos específicos de capacitor.
• Framework de Simulação Abrangente: Desenvolvimento de um simulador de código aberto e fisicamente preciso que acopla a dinâmica não linear do capacitor com dados solares reais e cargas LoRa variáveis.
• Análise de Trade-off Operacional: Uma análise comparativa detalhada expondo as forças e fraquezas distintas de métodos dinâmicos versus linhas de base estáticas, especificamente em relação a rendimento, tempo de sobrevivência e ritmo de execução.
• Identificação de Limites Práticos: A demonstração de que estratégias dinâmicas avançadas são mais valiosas sob severas restrições de hardware (capacitores pequenos), enquanto buffers de energia maiores podem depender de políticas estáticas simples.

4. Resultados e Descobertas

Rendimento vs. Confiabilidade ("Boom and Bust")

• Alto Rendimento: A abordagem de Predição Aproximada (AP) e o Oráculo de Curto Prazo (Short-Term Oracle) alcançaram o maior número de execuções diárias bem-sucedidas (excedendo 1000 tarefas/dia para capacitores >1.5F). Notavelmente, o AP alcançou um rendimento próximo ao do Oráculo sem conhecimento prévio.
• Custo de Confiabilidade: Esses métodos de alto rendimento exibiram tempos medianos significativamente menores entre falhas de energia ("estados off") em comparação com métodos mais conservadores. Eles maximizam a transmissão de dados, mas correm o risco de apagões frequentes do sistema.

Ritmo de Execução (Pacing)

• Superioridade do AsTAR: A abordagem AsTAR destacou-se unicamente no "ritmo". Embora tenha uma taxa de execução média menor, foi o único método que conseguiu atravessar longas lacunas de energia (ex: período noturno) sem apagões de comunicação. Para capacitores >2.5F, o AsTAR reduziu o intervalo máximo diário entre tarefas para ~1 hora, enquanto outros métodos estabilizaram em ~8 horas (a duração da noite).

Resiliência do Sistema e Recuperação

• Sobrevivência: O Agente de RL (otimizado para Off-Time) e as abordagens Estáticas (3.45V) eliminaram efetivamente as falhas de energia para a maioria dos tamanhos de capacitor, maximizando o tempo total de atividade do dispositivo.
• Velocidade de Recuperação: Em cenários severamente restritos (0.5F–1F), os agentes AP e RL demonstraram uma recuperação mais rápida de falhas de energia em comparação com as linhas de base estáticas, graças à sua adaptação dinâmica.

Agnosticidade ao Hardware

• Limitações Estáticas: Os limiares estáticos não generalizaram bem; um limiar baixo (1.9V) causou falhas frequentes em capacitores pequenos, enquanto um limiar alto (3.45V) desperdiçou energia em capacitores maiores.
• Sucesso Dinâmico: Tanto o RL quanto o AP mantiveram um equilíbrio equilibrado entre sobrevivência e rendimento em toda a faixa de 0.5F–10F sem recalibração manual.
• Overhead: A abordagem AP foi destacada como particularmente eficiente, ofereando agnosticidade ao hardware com o mínimo de overhead computacional e de memória em comparação com os requisitos de inferência de rede neural do agente de RL.

5. Significância e Alegações

O artigo alega modestamente que nenhuma lógica de decisão é universalmente superior. Em vez disso, a significância reside em identificar os contextos operacionais específicos onde cada método fornece o maior valor:

1. Para Sistemas Severamente Restritos (Capacitores Pequenos): Estratégias dinâmicas avançadas são essenciais. O método AP é recomendado por sua adaptação leve e em tempo real que iguala o rendimento ideal sem calibração. A abordagem de RL é adequada quando um equilíbrio ajustável entre execução e sobrevivência é necessário.
2. Para Ritmo Noturno: O AsTAR continua sendo a estratégia preferida para aplicações que exigem comunicação consistente através de longas lacunas de colheita de energia.
3. Para Sistemas com Grandes Buffers de Energia: O artigo conclui que, para dispositivos com capacitores maiores (ex: >5.5F no cenário deles), o escalonamento estático simples é altamente eficaz. Nesses sistemas menos restritos, o overhead computacional e de memória dos métodos dinâmicos avançados não justifica os benefícios marginais sobre as políticas estáticas otimizadas.

O trabalho estabelece um limite para a utilidade prática do limiar dinâmico, sugerindo que a complexidade do escalonamento baseado em IA ou preditivo deve ser reservada para cenários onde as restrições de hardware (pequenos buffers de energia) tornam a otimização estática impossível.