دانلود رایگان ترجمه مقاله کاربردی برای تجزیه و تحلیل جریان داده ها در IOT (ساینس دایرکت – الزویر 2018)

مدل های انرژی end-to-end برای پلتفرم های IoT مبتنی بر رایانش مرزی: کاربردی برای تجزیه و تحلیل جریان داده ها در IOT

End-to-end energy models for Edge Cloud-based IoT platforms: Application to data stream analysis in IoT

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1946

اعتبارسنجی مورد استفاده ما اینترنت وسایل نقلیه (IOV) را مورد هدف قرار می‎دهدکه می‌تواند به عنوان همگرایی اینترنت تلفن‌همراه و IoT باشد[22]. به طور خاص، ما بر روی جریان‎های ویدئویی از دوربین‌هایی که برای تشخیص و ردیابی شیء مورد تجزیه و تحلیل قرار می‌گیرند تمرکز می‌کنیم. در این مورد خاص، اغلب در مورد برنامه‌های IoT است که سطح QoS بالایی نیاز دارند. در حقیقت، داده‌ها هنگامی که نمی‌توانند به اندازه کافی با سرعت تجزیه و تحلیل شوند ارزش خود را از دست می‌دهند. از طریق معیارهای واقعی و شبیه‌سازی این سناریوی دقیق، انرژی مصرفی هر بخشی از پلت‌فرم IoT را ارزیابی خواهیم کرد: دستگاه‌های متصل، شبکه‌های ارتباطی سیم‌کشی و زیرساخت‎های محاسباتی ابر.
ادامه این مقاله به شرح زیر است: بخش 2 مربوط به کارهای گذشته است. سناریوی این مقاله در بخش 3 توضیح داده شده است. مدل انرژی پایان به پایان در بخش 4 و نتایج اعتبار سنجی در بخش 5 ارائه شده است. اعتبار و محدودیت مدل در بخش 6 بحث شده است. بخش 7 نتیجه‌گیری مقاله را بیان می‌کند.

2.کارهای مرتبط
2.1 تخلیه داده‌ها به لبه
تجزیه و تحلیل پردازش جریان داده‌ها، منابع محاسباتی عظیمی را مصرف می‌کند و معمولا زمان پاسخ برای بسیاری از برنامه‌های کاربردی بسیار مهم است. انتقال داده‌ها به Cloud برای تجزیه و تحلیل می‌تواند یک راه‌حل [23] در انواع سناریوهای کاربردی باشد که نیاز به منابع محاسباتی عظیم و همچنین تضمین کیفیت QoS دارند. با این وجود، ممکن است در صورت وجود هزاران اطلاعات، اگر جریان‌ها به صورت همان زمان از دستگاههای IoT تولید شوند و سپس برای تجزیه و تحلیل سریع به Cloud فرستاده شوند خطر تداخل شبکه را افزایش دهد. اگرچه کاهش زمان تجزیه و تحلیل، محاسبات بزرگ منابع را از ابر بی‌نیاز می‌کند، نمی‌تواند از زمان انتقال اطلاعات از طریق شبکه و از کاربر را به محل فیزیکی ابر، که ممکن است هزاران هزار بار دور باشد اجتناب کند [24]. علاوه براین، افزایش تعداد جریان داده‌ها بر روی شبکه، مقدار زیادی انرژی مصرف می‌کند [24-27].
برای پاسخگویی به تقاضای زمان پاسخ کوتاه، تخلیه محاسبات به لبه می‌تواند یک راه‌حل باشد [28]. لبه نشان‌دهنده مراکز داده در مقیاس کوچک و نزدیک به منبع داده است. مفهوم پردازش داده‌ها در لبه براساس مزیت زمان تأخیر کمتر از هسته است، بنابراین قادر به بازگشت سریع نتایج به دستگاه است. با این وجود، با توجه به مقدار زیاد جریان‌های داده‌ای که نیاز به پردازش دارند، هسته‌ای که بیشترین منابع محاسباتی ممکن را دارد یک انتخاب انرژی-کارآمد است.
در کنار این مسئله، یک مدل جدید ظاهر می‌شود: زیرساخت‌های ابر غیرمتمرکز [29]. ارائه دهندگان ابر انتظار دارند که عملکردشان برای استفاده از زیرساخت‌های موجود خود بهبود یابد. در واقع، اپراتورهای مخابراتی مانند Orange، سعی می‌کنند مراکز داده‌ی میکرو را (20 تا 50 سرور توسط micro-DC) در مرز شبکه، نزدیک به مشتریان به کار اندازند. در این مدل جدید، با استفاده از مراکز داده نزدیک به کاربر، زمان پاسخ بسیار بهبود می‌یابد. این کار بر روی یک مرکز داده کوچک/متوسط متمرکز است و به افزایش سهم خود از بازار ادامه می‌دهد. قرار دادن محاسبات و گره‌های ذخیره‌سازی در لبه اینترنت در سال‌های اخیر بسیار محبوب شده است. این گره‌ها اغلب در یک مرکز داده کوچک قرار داده شده‌اند که نزدیک دستگاه‌های تلفن همراه است. در حالت خاص، محاسبات لبه [30] قادر به ارائه پاسخ برای کاربران است.
کارهای پیشین موجود، الگوریتم‌های تجزیه و تحلیل ویدئو و ابزار را مورد توجه قرار داده‌اند. طبقه‌بندی آبشاری مبتنی بر ویژگی Haar [31] روش تشخیص معمولی شی است که برای دستیابی به نرخ تشخیص بالا موثر عمل کرده است. این روش بر مبنای رویکرد AdaBoost یادگیری ماشین [32] و تابع آبشار از یک مجموعه‌ی بزرگ از تصاویر مثبت و منفی است. طبقه‌بندهای مورد استفاده در این مقاله در توزیع OpenCV 1 2.4.13 گنجانده شده است. ما طبقه‌بندی Haar خود را آموزش دادیم که برای تجزیه و تحلیل جریان‌های ویدیویی جهت تشخیص اشیاء مورد استفاده قرار می‌گیرد.

2.2 مصرف انرژی دستگاه‌های شبکه و ابر
از زمان ظهور محاسبات ابر، تقاضا برای محاسبات و ذخیره‌سازی منابع در مراکز داده به سرعت در حال افزایش است بنابراین منجر به افزایش مصرف انرژی آنها می‌شود. همانطور که بیان شده است، در سال 2010، گوگل از 900 هزار سرور استفاده کرد و مصرف برق آن 260 میلیون وات بود [33]. برق یک موضوع کلیدی برای استقرار تجهیزات مرکز داده است.
از آنجا که سرورها از جمله مصرف‌کنندگان اولیه انرژی در مراکز داده هستند [34]، بسیاری از پیشنهادات سبز برای حل مشکل مصرف انرژی سرور پیشنهاد شده‌اند. ولتاژ پویا و مقیاس فرکانس که بر عملکرد سرور تاثیر می‌گذارد مثالی از چنین پیشنهاداتی است. بنابراین، فناوری مجازی‌سازی فرصتی جدید برای صرفه‌جویی در انرژی به ارمغان می‌آورد. این روش موجب می‌شود چندین درخواست در سرور یکسان پردازش شود، به این ترتیب حجم کار بر روی سرورهای کمتری با ادغام اجرا می‌شود.
یک مطالعه در سال 2014 انرژی تخمین زده شده از بازار مرکز داده براساس تعداد سرورهای نصب شده و مصرف برق را ارائه می‌دهد [35]. مراکز داده‌ی کوچک و متوسط تقریبا نیمی از انرژی بازار را تشکیل می‌دهد؛ آنها معمولا از کمتر از 100 سرور یک سیستم خنک کننده تشکیل می‌شوند. مصرف انرژی بیش از حد ارائه‌دهندگان ابر مانند گوگل، آمازون و فیس بوک تنها 4 درصد از انرژی مرکز داده جهانی را به دلیل اعمال تهاجمی خود از بهره‌وری انرژی به همراه دارد [35]. با استفاده از محاسبات ابر لبه‌ای، انتظار می‌رود بخشی از لایحۀ انرژی جهانی Cloud برای مراکز داده کوچک و متوسط با توزیع محاسبات ابر لبه‌ای بر روی مراکز داده بسیار کوچک افزایش یابد.
امروزه اکثر سرویس‌دهندگان ابر، ابر تجاری خود را در مراکز داده بزرگ اجرا می‌کنند و آن را به حالت مرکزی به کار می‌گیرند. اگرچه آنها به توانایی محاسبات با کارایی بالا و قابلیت مدیریت دست می‌یابند، سیستم خنک‌کننده‌ی قدرتمندی برای کاهش دمای این زیرساخت‌های بزرگ و تجهیزات مورد نیاز است. با این‌حال، سیستم خنک‌کننده گران است و مقدار انرژی زیادی مصرف می‌کند. در عوض، کار قبلی [36] اشاره دارد که این مراکز داده کوچک در مقایسه با مراکز داده بزرگ مزایای قابل توجهی دارند. اولا، مراکز داده کوچک مقدار دما را محدود می‌کنند بنابراین مدیریت آن آسان می‌شود. مصرف برق کمتر معمولا از منابع انرژی کمتری استفاده می‌کند و هزینه پایین‌تر است، بنابراین هزینه و تجهیزات زیرساخت کاهش می‌یابد. علاوه براین، مرکز داده کوچک مقیاس مناسب برای ساخت زیرساخت‌های توزیع شده از نظر جغرافیایی است.
در سطح جهانی، نرخ رشد انرژی مرکز داده در سال‌های اخیر کاهش یافته است [37]. تجار سرور با رشد سریع 5 ساله همراه با نرخ رشد سالانه 15٪ از سال 2000 تا 2005 روبه رو هستند. از 2005-2010، نرخ رشد سالانه به دلیل رکود اقتصادی و همچنین به دلیل مکانیزم بازدهی انرژی در سرور ذخیره‌سازی، شبکه و زیرساخت همراه با فن‌آوری مجازی‌سازی بهه 5٪ کاهش یافت. پس از سال 2010، نرخ رشد به 3 درصد کاهش می‌یابد و انتظار می‌رود تا سال 2020 ثابت باقی بماند. درحال حاضر، دانش استفاده‌ی گسترده و صنعت مربوطه برای ارزیابی کارایی انرژی داده‌ها، متریک PUE است [38،39]: اثربخشی استفاده از انرژی. معمولا مقدار PUE ایده آل برابر با 1.0 است: این نشان می‌دهد که انرژی مصرف شده توسط تجهیزات فناوری اطلاعات مشابه انرژی کل تسهیلات است.