《Sustainable Computing: Informatics and Systems》：Deep learning-driven sensing for sustainable Internet of Things
编辑推荐：
为了解决物联网设备数量激增带来的高能耗挑战，实现其可持续发展，Lorenzo Calisti、Chiara Contoli和Emanuele Lattanzi开展了一项名为“Deep learning-driven sensing for sustainable Internet of Things”的研究。他们提出了DLBDC和DLDS两种深度学习驱动的自适应数据采集与传感框架，通过在三个真实的物联网硬件平台上进行实验验证，实现了高达89%的节能效果，同时保持了数据准确性。这项研究为构建更节能、环保的普适计算系统提供了重要的理论与技术支撑，对推动物联网生态的可持续发展具有重要意义。
想象一下，从家中的智能灯泡到街上的环境监测器，再到医院的医疗设备，无数个小小的物联网设备正编织成一张覆盖全球的数字网络，实时感知、处理和传输着海量数据，深刻改变着我们的生活。然而，这张日益庞大的网络背后，隐藏着一个严峻的挑战——能耗。据统计，截至2024年，全球活跃的物联网设备已超过160亿台，预计到2030年将超过300亿台。有预测模型显示，到2025年，物联网设备的能耗可能达到每年112-131太瓦时，甚至可能在2030年占到全球能耗的25%。这意味着，如果放任不管，这些“聪明”的设备可能会成为新的“能耗大户”，与绿色、可持续的未来愿景背道而驰。
物联网网络通常采用分布式架构，由众多边缘设备、中间雾节点和少数中心云服务器构成。这种结构虽然能降低延迟、提升响应速度，但也意味着海量的边缘设备需要持续进行数据采集、处理和无线通信。其中，无线数据传输往往是耗能最高的环节。传统的节能方法，如周期性关闭无线电的占空比循环、自适应采样率和低功耗通信协议，虽然取得了一定成效，但它们往往依赖于静态配置，难以适应动态多变的环境，或者在节省能耗的同时，牺牲了数据的准确性或及时性。因此，迫切需要一种更智能、自适应的框架，在保证系统核心性能和数据保真度的前提下，大幅降低能耗。
近年来，深度学习，特别是循环神经网络、长短时记忆网络、门控循环单元和时序卷积网络等模型，在学习和预测复杂时间序列模式方面展现出了卓越的能力。这种预测能力为物联网节能带来了革命性的机遇：如果能准确预测传感器下一时刻的读数，设备或许就可以减少物理传感操作的频率，只在预测值与实际值发生显著偏差时才激活传感器，或者仅为模型重新训练而采集关键数据。这就是预测性数据采集的基本思路。然而，大多数现有工作要么侧重于预测精度并进行仿真，要么仅在理论上评估能耗，缺乏在真实、资源受限的硬件设备上的系统性验证。
正是在此背景下，Lorenzo Calisti、Chiara Contoli和Emanuele Lattanzi在《Sustainable Computing: Informatics and Systems》期刊上发表了一项研究。他们直面物联网系统的能源可持续性挑战，提出了一种新颖的、基于深度学习的端到端节能优化框架。该研究的核心是两种互补的策略：基于深度学习的数据采集和深度学习驱动的传感。前者通过预测传感器数值来减少需要传输的数据包数量，从而节约通信能耗；后者则通过预测未来多个时间点的数据，延长设备的深度睡眠时间，减少设备唤醒频率，从另一个维度优化能耗。研究者们不仅为这两种策略建立了形式化模型，还开发了仿真环境来评估其在多种工况下的表现，并在一项基于三个流行物联网硬件平台（Espressif ESP32、NXP MCXN647和Raspberry Pi Pico 2 W）的案例研究中，对其进行了详尽的硬件级能耗与精度表征。实验结果表明，该框架可带来显著的节能效果，与传统监测方法相比，在活跃状态下最高可实现89%的节能，同时能将数据误差控制在预设范围内。这项工作为实现可持续的物联网生态系统、发展更节能环保的普适计算系统做出了重要贡献。
为开展这项研究，研究人员采用了几个关键技术方法。首先，他们构建了物联网监测任务的形式化能耗模型，将设备运行状态分解为唤醒、传感、处理、传输和睡眠五个状态，并据此推导了传统方法、DLBDC和DLDS三种策略的理论能耗公式。其次，研究者开发了一个仿真框架，并使用了包含室内环境参数的真实时间序列数据集进行算法验证与对比。核心是设计了三种不同架构的轻量级深度学习预测模型（单一LSTM层、CNN-LSTM混合、双层LSTM），以适应资源受限的边缘设备。最后，研究在三个真实的物联网硬件平台上实现了DLBDC和DLDS算法，并实际测量了其能耗、功率消耗以及平均绝对百分比误差，完成了从理论模型、仿真验证到硬件实测的完整研究链路。
研究结果
3.1. 问题建模
研究者将运行监测任务的物联网设备建模为一个有限状态机，包含唤醒、传感、处理、传输和睡眠五个状态。通过对各状态能耗与时间的分析，推导出了传统监测任务的总能耗公式。该模型明确指出，无线数据传输通常是能耗最高的环节，而深度睡眠模式的功耗则低得多。这为后续的优化策略指明了方向：要么减少传输次数，要么延长睡眠时间。
3.2. 预测性数据采集策略
研究提出了两种新方法：DLBDC和DLDS。它们都受经典的预测性数据采集方法启发。在PBDC中，边缘和云端部署相同的预测模型，只有当传感器实测值与预测值的偏差超过预设容差阈值时，数据才被传输，否则用预测值代替，从而节省通信开销。DLBDC在此基础上，使用深度学习模型进行更精准的预测，以进一步抑制传输。DLDS则探索了另一维度：利用深度学习模型的多步预测能力，一次性预测未来多个时间点的数据，从而让设备进入更长时间的深度睡眠，只在预定时间唤醒一次进行验证和新的预测，大幅降低了设备激活频率。
3.3. 基于深度学习的数据采集
本部分详细阐述了DLBDC方法。该方法在边缘和云端部署相同的DL预测模型。设备每次唤醒后，采集真实值，并与上一周期预测的值进行比较。如果偏差在容差范围内，则不传输数据，云端使用自己的模型产生相同的预测值作为记录；反之，则传输真实值。研究给出了DLBDC的能耗模型，并进行了理论分析。结果表明，要实现显著的节能效果，需要预测模型在达到较高传输抑制率的同时，其自身的计算能耗要远低于单次传输的能耗。这要求模型必须在预测性能和计算复杂度之间取得精妙的平衡。
3.4. 深度学习驱动的传感
本部分详细阐述了DLDS方法。与DLBDC每个周期都唤醒、采样、预测一次不同，DLDS利用模型的多步预测能力，一次性预测未来ts个时间点的数据，然后设备进入长达ts个任务周期的睡眠。唤醒后，设备采集一个真实值，并与预测序列中的最后一个值（即对应此时刻的预测值）比较。若偏差在容差内，则认为整个预测序列基本可信，设备将预测序列整合到历史缓冲区，并立即进行下一轮ts步预测，然后再次睡眠，期间不传输数据。若偏差超限，则需传输该真实值，并对历史缓冲区进行重新对齐（如线性插值），以校正预测轨迹。研究给出了DLDS的能耗模型。理论分析显示，即使只预测未来2-3个点，也能带来大部分的节能收益，且收益随着任务周期的延长而趋于饱和。但需要注意的是，由于中间值未被实际采集，DLDS无法像DLBDC那样保证所有重建数据的误差都有确定的上界。
3.5. 算法实现
研究提供了DLBDC和DLDS两种算法的伪代码。它们都维护一个固定长度的历史数据缓冲区。DLBDC算法每个周期执行采样、比较、决策（传输/不传输）、更新缓冲区、预测单步值、睡眠的循环。DLDS算法则在预测通过时，将整个预测序列填入缓冲区，并直接进行下一轮多步预测，然后睡眠ts个周期。当预测偏差超限时，除传输数据外，还执行缓冲区重新对齐操作。算法设计力求简洁，计算开销低，适合在资源受限的边缘设备上运行。
3.6. 预测模型
为全面测试，研究者设计了三种轻量级深度学习模型架构：Model #1（单层LSTM，10个单元）、Model #2（两层CNN接单层LSTM）和Model #3（两层LSTM接稠密层）。这些模型参数量小（约500至15000），模型尺寸小（约2KB至55KB），非常适合嵌入式部署。模型最终输出层的神经元数量根据策略（DLBDC输出1个，DLDS输出ts个）而定。
5. 实验结果与讨论
（此部分摘要自原文第5节，因用户问题未要求详细展开，此处从略，但解读文章需概括核心发现）研究通过大量仿真和真实硬件实验验证了所提框架的有效性。在仿真中，DLBDC和DLDS在多种数据集和容差阈值下，均能显著降低数据传输量或设备激活频率，同时将数据误差控制在可接受范围内。在基于三种流行物联网硬件平台的案例研究中，实测能耗数据表明，DLBDC最高可节省36%的能耗，而DLDS的节能效果更为惊人，在活跃状态下最高可实现89%的节能。这些结果超越了用于对比的先进基线方法。研究还分析了不同预测模型、不同硬件平台对性能和能耗的影响。
研究结论与意义
这项研究成功提出并验证了一个基于深度学习的、端到端的物联网自适应传感与数据采集节能框架。通过形式化建模、仿真分析和在三个真实受限设备上的实测，研究证明了所提出的DLBDC和DLDS两种策略的可行性与高效性。它们分别从减少不必要的数据传输和延长设备深度睡眠时间两个关键维度入手，实现了显著的节能效果（最高达89%），同时保证了应用所需的数据质量。
这项工作的意义重大。首先，它为解决物联网规模化部署中的核心挑战——能源可持续性——提供了一种切实可行的智能解决方案。其次，研究不仅停留在理论或仿真层面，而是深入到了硬件实现与实测，充分证明了该方案在现实资源受限设备上的适用性，为工业界提供了宝贵的参考。最后，该研究推动了更节能、环保的普适计算系统的发展，为构建真正可持续发展的物联网生态系统做出了实质性贡献。尽管框架还存在一些局限性，例如对预测模型精度的依赖、在动态剧烈变化环境中的适应性等，但这无疑为未来的研究指明了方向，例如探索更高效的模型、在线学习机制以及跨层优化等。
