⚡ electrical engineering

Now or Never: Continuous Surveillance AIoT System for Ephemeral Events in Intermittent Sensor Networks

本文提出了一种用于 AIoT 系统的能量感知弹性拆分计算算法，该算法通过将任务动态卸载至能量充足的邻居节点，克服了间歇性传感器网络中的“可用性差距”，从而实现了持续监控并能够捕捉如偷猎和森林火灾等关键瞬时事件。

原作者： Joonhee Lee, Kichang Lee, Jeonggil Ko

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Joonhee Lee, Kichang Lee, Jeonggil Ko

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图对一片广袤的原始森林进行 24/7 全天候监视，以捕捉像盗猎者潜入或微小火星引发火灾这样的稀有事件。问题在于？你无法将这些传感器插在墙上的电源插座上，也无法每周派人去更换电池。它们必须依靠太阳能或风能运行，这意味着它们是“间歇性”的——当有能量时它们会醒来，完成工作，然后在能量耗尽时进入睡眠状态。

来自延世大学（Yonsei University）的作者李俊熙（Joonhee Lee）、李基昌（Kichang Lee）和高正吉（JeongGil Ko）发现，这些“瞌睡型”传感器现有的工作方式存在一个重大缺陷。

问题：“等待观望”陷阱

目前，大多数这类传感器就像一个瞌睡的烘焙师。如果烘焙师（传感器）没有足够的面粉（能量）来烤出一个完整的蛋糕（分析一段声音），他们就会坐在那里等待，直到拥有足够的能量。他们只有在电池充满时才会醒来。

在森林中，这是一场灾难。如果盗猎者踩断了一根树枝，或者火灾发生了，这些事件是在瞬间发生的。等到传感器为了积攒足够能量而完成“等待”时，事件早已结束。传感器错过了那个“稍纵即逝”的时刻。

解决方案：“团队接力”策略

研究人员提出了一种新的组织这些传感器的方式，他们称之为能量感知弹性拆分计算算法（Energy-Aware Elastic Split Computing Algorithm）。不要把它看作一群瞌睡的烘焙师，而要把它看作一支接力赛跑队，其中的选手会互相帮助。

以下是他们的系统是如何运作的，使用简单的类比：

1. “能量信念图”（察言观色）
传感器不会不断地向邻居大喊“你的能量还有多少？”（因为这会浪费宝贵的电池），而是使用了一个聪明的技巧。它们观察自己的电池水平，并推测邻居的电池状况。

类比： 如果你和你的邻居屋顶上都有太阳能电池板，而由于云层的遮挡，你那边的阳光刚刚消失了，那么你可以很安全地推测，你邻居那边的阳光也消失了。他们不需要打电话来确认；他们只需根据自己的经验来“预测”邻居的状态。

2. “覆盖优先”调度（不留盲区）
在旧系统中，如果两个传感器同时醒来，它们会观察同一个位置，从而浪费能量，而附近的第三个位置却处于盲区。

类比： 想象一群保安。如果他们在上午 9:00 同时醒来，他们都会站在同一个角落。新算法就像一个聪明的调度员。它指示保安们在稍微不同的时间醒来，这样即使单个保安需要小睡，也总会有人在时刻盯着森林的每一个部分。

3. “弹性拆分”（分担任务）
这是核心创新点。深度学习（AI）是一项繁重的工作。如果一个传感器醒来时只剩一点点能量，它不应该尝试完成整个任务。

类比： 想象一个重箱子（AI 任务）需要被搬过房间。
- 旧方法： 搬箱子的人会一直等待，直到自己有足够的力气搬运整个箱子。
- 新方法： 那个人拿起箱子，走几步，然后把它交给一个更有能量的邻居。邻居负责把剩下的路程走完。
- 在论文的术语中，传感器处理 AI 大脑的前几层，然后将剩余部分“卸载”给一个电池更充盈的邻居。这确保了即使第一个传感器几乎没电了，事件也能被捕捉到。

结果：捕捉更多“稍纵即逝”的时刻

研究人员使用 100 个传感器的森林计算机模拟测试了这一想法，并使用了关于其芯片（ESP32-C3）实际耗电量的真实世界数据。

覆盖范围更广： 与旧有的“等待充满”法相比，他们的系统成功多监测了 2,496 平方米（大约是半个足球场的大小）的区域。
捕捉到的事件更多： 由于传感器醒来的频率更高且协作更好，该系统每天比以往多捕捉到了约 103 个关键事件（如枪声或动物鸣叫），而这些事件在其他情况下会被错过。
准确率更高： 通过拆分工作，他们可以使用更聪明、更复杂的 AI 模型（98.4% 的准确率），而不是单个虚弱的传感器可以独立处理的简单、低效的模型（68.3% 的准确率）。

核心结论

论文指出，为了有效地保护自然，我们不能仅仅依赖于等待电池充满的单个传感器。我们需要它们成为一个协作团队。通过分享工作量并预测彼此的能量水平，这些微小的、无需插电的设备可以保持足够的清醒，从而捕捉到荒野中最关键的瞬时时刻。

技术摘要：现在或永远：针对间歇性传感器网络中瞬时事件的持续监测 AIoT 系统

问题陈述

野外监测任务（如盗猎监控和森林火灾检测）需要普遍且高精度的感知，以将关键威胁与背景噪声区分开来。虽然在边缘侧部署深度神经网络（DNN）对于此类场景所需的精度至关重要，但维持大规模部署的稳定电力在物流上是不可行的。因此，能量采集型 AIoT 是实现普遍部署的唯一可行方案。

然而，能量采集系统引入了一个根本性的冲突：频繁的电力中断与计算密集型 DNN 的特性相冲突。目前的间歇计算策略通常采用“存储并计算”范式，即节点积累能量并在有足够电量时才执行任务。这种方法优先考虑最终完成任务，而非持续可用性。作者认为，这种范式造成了关键的“可用性缺口”。在涉及瞬时、“现在或永远”事件（例如短暂的枪声或火灾的初始火星）的场景中，能量缓冲引入的延迟可能导致任务失败，因为在节点重新充电并处理数据之前，事件可能已经结束。

方法论

为了解决单个设备间歇性与对时空覆盖连续性需求之间的张力，作者提出了一种利用节点间能量多样性的去中心化、能量感知算法。该系统运行在异构的能量采集条件（例如阳光充足区域与阴影区域）下，并利用以下核心机制：

1. 部署前剖析与静态映射

在部署之前，系统使用相同的硬件规格（ESP32-C3-SuperMini MCU）进行离线剖析阶段。

MCU 能耗图： 系统剖析所有运行状态（感知、计算、传输、空闲）下的功耗，以建立能量估计的基准。
DNN 层拆分图： 目标 DNN 模型根据剖析出的能量成本被预先划分为逻辑层组。这使得系统能够在运行时自适应地确定最佳划分点。

2. 带有滞后效应的能量自适应生命周期

为了防止“僵尸节点”（即因能量不足而反复启动并失败的节点），系统实现了一种基于滞后效应的恢复机制。

当能量降至临界低阈值（例如 1%）时，节点进入深度睡眠，并保持非活动状态，直到充电至恢复阈值（例如 20%）。
一旦激活，节点会根据剩余能量计算最大感知时长（ $T_{sense}$ ），为必要的计算和传输预留安全余量。

3. 邻居电压预测 (NVP)

为了在不进行高能耗握手的情况下实现协作，系统使用了一种捎带机制，即通信数据包中包含发送者的当前电压。

自我引用预测： 利用环境能量的空间一致性，节点 $i$ 根据自身的电压变化（ $\Delta V_i$ ）和学习到的偏移量来预测邻居 $j$ 的电压（ $\hat{V}_j(t)$ ）。这使得节点能够构建局部“能量信念图”，并在无需专用同步数据包的情况下选择最佳卸载伙伴。

4. 去中心化时空协调

该算法采用两种去中心化机制来优化覆盖范围和计算能力：

冲突感知去同步化： 如果节点在感知阶段检测到邻居信号，则识别出时空重叠。随后，它会将下一个唤醒计划向后平移一个随机退避时间，以实现感知窗口的去同步化并消除冗余。
协作式卸载： 在交接窗口期间，如果节点缺乏足够的能量完成 DNN 推理，它仅处理可行的初始层。中间特征张量会被卸载到具有最高预测能量盈余（ $\hat{V}_{neighbor} > V_{self}$ ）的邻居节点，从而确保任务流向能量丰富的节点。

核心贡献

本文概述了三个主要贡献：

覆盖优先调度： 一种新型的间歇计算调度算法，通过轻量级状态传播最小化感知盲点。它通过协调唤醒周期，确保每个目标区域至少有一个节点处于活跃状态，从而实现对瞬时事件的即时捕获。
能量感知协作推理： 一种由轻量级邻居能量预测驱动的 DNN 推理协作计算算法。这实现了动态任务划分与卸载，使网络能够突破单节点的限制。
基于硬件剖析的高保真模拟： 一种基于 ESP32-C3-SuperMini 真实硬件剖析的严谨模拟。该模拟构建了一个 100 个节点的网络模型，并结合精确的能量采集与放电动力学，验证了算法的可行性。

结果

系统使用基于 Python 的模拟器进行了评估，该模拟器模拟了一个具有异构太阳能采集条件（50% 阳光充足，50% 阴影）的 100 个节点的六边形网格。模拟运行了约 2.78 小时，追踪了 138 个声学事件。

覆盖率与稳定性： 与基准“Vanilla 模式”（反应式、单节点处理）相比，所提议的“算法模式”实现了 9.84% 的平均覆盖率提升（从 59.51% 提高到 68.75%）。覆盖率的标准差从 15.89 降至 12.39，表明监控更加稳定可靠。
物理影响： 将这些指标转化为物理空间，所提议的系统平均额外覆盖面积达 2,496 $m^2$ 。这种覆盖范围的增加意味着能够捕捉大约 9% 更多的事件（即每天大约多捕捉 103 个关键事件），否则这些事件会因节点离线或冗余感知而丢失。
推理准确度： 独立轻量级模型（Small DNN）与分布式拆分计算方法之间的对比显示出显著的性能差距。独立模型达到了 68.3% 的准确率，而大型模型的分布式执行达到了 98.4% 的准确率，这验证了在资源受限网络中进行高保真推理时进行拆分计算的必要性。

重要性与主张

作者声称，这项工作为构建基于资源受限节点的强韧、失效安全监控系统奠定了坚实基础。通过将范式从“等待能量”转向“持续监控”，所提议的算法解决了间歇性传感器网络中的关键可用性缺口。

论文也谦虚地指出，尽管结果令人鼓舞，但系统尚未达到其理论最优值。目前的协调算法依赖于启发式方法来优先保证可行性，这为通过进一步的算法优化来最大化性能留下了巨大的潜力。最终，这项工作的目标是实现真正的泛在 AIoT 系统，使高性能 DNN 模型即使在异构的能量采集条件下，也能在分布式环境中无缝执行。