⚡ engenharia elétrica

ENO-Chain: Energy-Neutral Scheduling of Blockchain Participation for Energy-Harvesting IoT Nodes in Smart Grids

Este artigo introduz o ENO-Chain, uma política de escalonamento baseada em Lyapunov que ajusta dinamicamente a intensidade de participação em blockchain para nós de IoT com colheita de energia em redes inteligentes para garantir uma operação energeticamente neutra, ao mesmo tempo em que supera significativamente as linhas de base estáticas em utilidade e confiabilidade.

Autores originais: Nawaf Abdualaziz Almolhis, Ashish Dixit, Subuhi Kashif Ansari, Huda Fatima, Shamimul Qamar, Salahaldeen Duraibi, Ashwag Alasmari, Salman Arafath Mohammed

Publicado 2026-10-16

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nawaf Abdualaziz Almolhis, Ashish Dixit, Subuhi Kashif Ansari, Huda Fatima, Shamimul Qamar, Salahaldeen Duraibi, Ashwag Alasmari, Salman Arafath Mohammed

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os dispositivos que mantêm nossas redes elétricas funcionando — medidores inteligentes em cada casa, sensores em cada painel solar — não precisam de fios ou baterias que exijam substituição. Em vez disso, eles funcionam com a energia que colhem de seu entorno: luz solar, vento ou até mesmo as vibrações do maquinário que monitoram. Este é o promessa da rede inteligente "energeticamente neutra", um sistema onde o uso de energia de um dispositivo a longo prazo nunca excede o que ele coleta do ambiente. Se exceder, o dispositivo fica sem energia e silencia; se coletar demais, ele desperdiça o excedente. O desafio é que agora estão pedindo a esses dispositivos que façam mais do que apenas medir eletricidade. Eles estão sendo solicitados a participar de um livro-razão digital, um blockchain, para criar registros à prova de adulteração e permitir o comércio entre pares (peer-to-peer). Este novo trabalho é computacionalmente pesado e consome muita energia, criando um conflito perigoso: como pode um dispositivo que deve racionar cuidadosamente sua própria energia de sobrevivência também realizar uma tarefa exigente e crítica para a segurança sem ficar sem carga?

Pesquisadores há muito sabem como gerenciar a energia para tarefas simples, como detectar algo ou enviar um sinal, mas têm tido dificuldade em aplicar essas regras às demandas complexas e imprevisíveis da participação em um blockchain. Tentativas anteriores frequentemente tratavam a energia necessária para essas tarefas digitais como um custo fixo ou uma regra estática, falhando em considerar o fato de que o sol pode brilhar intensamente em um dia e ser escondido por nuvens no outro. Sem uma forma de ajustar dinamicamente quanto desse trabalho digital um dispositivo tenta realizar com base em suas reservas atuais de energia, o sistema corre o risco de desperdiçar energia ou, pior, fazer com que o dispositivo morra e fique offline, quebrando a segurança de toda a rede.

Para resolver isso, uma equipe de pesquisadores desenvolveu um novo sistema de controle chamado ENO-Chain. Eles abordaram o problema tratando a intensidade da participação de um dispositivo no blockchain não como uma configuração fixa, mas como um controle deslizante flexível que pode ser aumentado ou diminuído a cada poucos minutos. O núcleo de sua solução é uma estratégia de duas partes. A primeira parte é um guarda de segurança matemático rigoroso que garante que o dispositivo nunca gaste mais energia do que coletou ao longo do tempo. Esse guarda opera como um orçamento financeiro que nunca permite que um déficit cresça demais, garantindo que o dispositivo permaneça vivo, independentemente de quão imprevisível o clima se torne. A segunda parte é um sistema de aprendizado que tenta ser esperto, usando previsões meteorológicas de curto prazo para decidir se pode aumentar o controle com segurança para obter mais valor do blockchain antes que o sol se ponha.

Os pesquisadores testaram este sistema em uma simulação detalhada por computador que mimetizou um ano de mudanças climáticas, desde dias ensolarados e brilhantes até períodos nublados e de baixa energia. Eles compararam seu novo sistema com métodos mais antigos, incluindo um que simplesmente tentava realizar o máximo de trabalho o tempo todo e outro que usava um cronograma fixo e ajustado manualmente. Os resultados revelaram uma verdade surpreendente sobre como construir esses sistemas. O guarda de segurança rigoroso sozinho foi notavelmente eficaz. Ele manteve os dispositivos funcionando com zero falhas, mesmo durante o clima mais rigoroso, ao mesmo tempo em que alcançou um desempenho significativamente melhor do que os métodos estáticos antigos. De fato, o guarda de segurança sozinho superou a linha de base ajustada manualmente em cerca de 21 por cento em termos de trabalho útil realizado.

No entanto, a adição da parte de "aprendizado" do sistema nem sempre ajudou. Em muitos casos, a camada de aprendizado, que tentava prever o futuro para extrair desempenho extra, na verdade tornou as coisas ligeiramente piores. Ela introduziu um risco pequeno, mas real, de o dispositivo ficar sem energia e, às vezes, reduziu a quantidade total de trabalho útil realizado em comparação com o guarda de segurança atuando sozinho. Os pesquisadores descobriram que essa camada de aprendizado só funcionava bem quando era treinada em uma ampla variedade de condições climáticas. Quando era treinada apenas em clima misto e depois testada em dias muito nublados ou muito frios, ela falhava em se adaptar corretamente, provando que sua inteligência era frágil e dependente de seus dados de treinamento.

O estudo também observou como o sistema se comportaria se milhares de dispositivos fossem conectados de uma só vez. Eles descobriram que o novo método era muito eficiente em gerenciar a competição por slots limitados na rede blockchain. Enquanto os métodos antigos desperdiçavam muitas tentativas de ingressar na rede, o novo sistema aprendeu a recuar quando estava muito congestionado ou muito caro, economizando energia para quando fosse verdadeiramente necessário. Essa eficiência manteve-se constante mesmo conforme o número de dispositivos crescia de um punhado para centenas.

Em última análise, o artigo conclui que a maneira mais confiável de operar esses dispositivos de colheita de energia é confiar no guarda de segurança matematicamente comprovado e rigoroso. O componente de aprendizado pode ser adicionado para melhorar o desempenho, mas apenas se for cuidadosamente testado para garantir que não quebre a garantia de segurança. Os pesquisadores mostraram que, no mundo real, onde o clima é imprevisível e a energia é escassa, um sistema que garante que você nunca ficará sem energia é mais valioso do que um que tenta ser esperto e ocasionalmente falha. O estudo serve como um alerta para o futuro das redes inteligentes: em um mundo de recursos limitados, o algoritmo mais sofisticado nem sempre é o melhor; às vezes, o caminho mais confiável é aquele que simplesmente sabe quando parar.

Resumo Técnico: ENO-Chain

Definição do Problema
Nós de IoT de redes inteligentes (smart grids), como infraestruturas de medição avançada (AMI) e controladores de recursos energéticos distribuídos (DER), estão em transição crescente para a colheita de energia ambiente (ex: solar, vibração) para garantir a sustentabilidade e reduzir a manutenção. Essa mudança impõe a restrição de Operação de Energia Neutra (ENO - Energy-Neutral Operation): o consumo de energia de longo prazo de um dispositivo não deve exceder sua renda de colheita de longo prazo para evitar a exaustão da bateria. Concomitantemente, esses nós são exigidos a participar de livros-razão (ledgers) de blockchain para medição à prova de violação e liquidação entre pares (peer-to-peer).

A literatura existente trata esses dois requisitos de forma isolada. Pesquisas de escalonamento de neutralidade energética otimizam ciclos de trabalho de sensoriamento ou comunicação, mas ignoram cargas de trabalho relevantes para segurança. Por outro lado, pesquisas de consenso de blockchain conscientes da energia focam em reduzir custos computacionais ou selecionar validadores com base em instantâneos estáticos de energia, frequentemente assumindo energia da rede elétrica ou falhando em modelar a natureza estocástica da colheita ao longo do tempo. Consequentemente, há uma carência de um framework de escalonamento que gerencie conjuntamente um orçamento de energia estocástico e uma carga de trabalho de participação em blockchain, fornecendo uma garantia formal contra a exaustão da bateria.

Metodologia: ENO-Chain
O artigo propõe o ENO-Chain, uma política de controle de duas camadas projetada para maximizar a utilidade de participação no blockchain enquanto adere estritamente às restrições de ENO. O sistema modela a evolução do estado da bateria do nó e trata a intensidade de participação no blockchain (variando de sono a validação total) como uma variável de controle discreta.

Camada 1: Controle de Drift-Plus-Penalty de Lyapunov
O núcleo do controlador é uma política de otimização de Lyapunov que não requer conhecimento prévio da distribuição de colheita de energia. Ela mantém uma fila virtual de déficit de energia $Q_i(t)$ e minimiza um limite de drift-plus-penalty em cada intervalo de tempo. Esta camada:
- Oferece um compromisso (trade-off) de forma fechada entre $O(1/V)$ – $O(V)$ entre a maximização da utilidade e o desvio da bateria.
- Oferece uma garantia formal de desvio de bateria limitado e estabilidade de taxa média, garantindo que a restrição de neutralidade energética de longo prazo seja mantida sem a necessidade de prever a renda futura de energia. No entanto, o artigo observa que alcançar taxas de violação zero na prática depende da calibração específica do parâmetro de compromisso $V$ .
- Opera com baixa complexidade computacional, adequada para microcontroladores restritos.
Camada 2: Ajuste Fino por Actor-Critic com Restrições
Uma camada leve de aprendizado por reforço (actor-critic) refina a decisão feita pela Camada 1. Ela utiliza previsões de energia de curto horizonte e padrões de carga recentes para selecionar ações de maior utilidade. Crucialmente, esta camada é blindada (shielded): ela é restrita a um "conjunto seguro" de ações certificado pela Camada 1 para o slot atual. Este design garante que, mesmo que a política aprendida falhe em convergir ou atue de forma subótima, ela não possa violar as restrições de segurança estabelecidas pela Camada 1 no momento da seleção. Contudo, o artigo esclarece que tal certificação por slot não garante que uma sequência dessas ações preserve a taxa de violação de longo prazo da Camada 1 isolada, particularmente em valores mais altos de $V$ .

Principais Contribuições

Formulação: O artigo formula a participação no blockchain (assinatura, retransmissão, validação) como uma variável controlável dentro do modelo canônico de deriva de bateria de Lyapunov, estendendo o framework além das cargas de trabalho tradicionais de sensoriamento.
Design do Controlador: Introduz uma arquitetura de duas camadas combinando um controlador de Lyapunov livre de distribuição com uma camada de refinamento aprendida, utilizando um padrão de blindagem adaptado da literatura de aprendizado por reforço seguro.
Protocolo de Avaliação Rigoroso: Os autores implementam um protocolo de avaliação estrito onde o parâmetro de compromisso $V$ é calibrado em um traço disjunto de todos os seeds de avaliação. Eles também reimplementam a base mais próxima anterior (Saleh e Cevik [11]) no nível populacional para o qual ela foi originalmente destinada, em vez de como um proxy de nó único.
Descobertas Empíricas sobre Camadas Aprendidas: O estudo identifica e rastreia um modo de falha específico onde a camada de refinamento aprendida, quando treinada em um único regime climático, pode ter desempenho inferior à camada de segurança e introduzir taxas de violação não nulas quando avaliada em diferentes regimes. Isso destaca a sensibilidade dos componentes aprendidos a mudanças na distribuição de treinamento e o risco de erodir as garantias de segurança em certos pontos operacionais.

Resultados
Avaliado através de oito traços independentes e quatro regimes climáticos (ensolarado, nublado, misto, inverno):

Segurança e Utilidade: No parâmetro calibrado de forma independente $V^*=10.240$ , a camada apenas de Lyapunov (Camada 1) alcança uma utilidade média 21% superior à base de limiar estático ajustada manualmente, mantendo taxas de violação zero (eventos de exaustão de bateria) em todos os oito seeds.
O Compromisso da Camada Aprendida: Neste ponto operacional específico ( $V^*$ ), o controlador completo de duas camadas (ENO-Chain) exibiu uma utilidade menor e uma taxa de violação não nula em comparação com a Camada 1 isolada. Essa reversão ocorreu porque a camada aprendida, treinada em um único regime, introduziu instabilidade quando aplicada a outros, trocando segurança por utilidade. O artigo observa que, em valores de $V$ mais altos (ex: 20.480), o refinamento da camada aprendida pode degradar o desempenho ainda mais, apesar da garantia formal da camada base.
Efeito da Distribuição de Treinamento: Quando a camada aprendida foi retreinada em uma mistura de todos os quatro regimes climáticos, ela conseguiu igualar ou exceder o desempenho da Camada 1 na maioria dos regimes, confirmando que o desempenho inferior inicial era um artefato de treinamento e não uma limitação arquitetônica fundamental.
Escalabilidade: O método demonstrou estabilidade na utilidade por nó e redução nas taxas de negação de slots de validadores conforme o tamanho da rede escalava de 5 para 200 nós, superando bases alheias à energia que sofriam alta contenda desperdiçada.

Significância e Alegações
O artigo alega modestamente que sua principal contribuição não é meramente um novo controlador, mas uma demonstração de como protocolos de avaliação podem favorecer silenciosamente ablações incorretas. O estudo mostra que calibrar hiperparâmetros de segurança crítica nos mesmos dados usados para teste pode mascarar o fato de que uma camada de refinamento aprendida degrada as garantias de segurança formal do controlador base.

A principal descoberta empírica é a assimetria entre as duas camadas: a camada de Lyapunov mantém sua garantia formal (desvio limitado e estabilidade de taxa média) independentemente do desempenho da camada aprendida em isolação, mas a contribuição da camada aprendida é condicional ao fato de sua distribuição de treinamento corresponder às condições de implantação e ao valor específico do parâmetro de compromisso $V$ . Em certos pontos operacionais (especificamente alto $V$ ), a camada aprendida pode erodir a taxa de violação estabelecida pela camada de segurança. O trabalho conclui que, para implantação, a camada de Lyapunov deve ser utilizada para a garantia de neutralidade, e a camada aprendida deve ser adicionada apenas após validação rigorosa em dados retidos (held-out) que abrangem as condições operacionais esperadas. O trabalho enfatiza que, em ambientes de missão crítica e restrição energética, a estabilidade da garantia formal é mais significativa do que melhorias de desempenho médio que podem vir ao custo da segurança.

Resumo Técnico: ENO-Chain

Mais como este