Enercast : predictive management of energy-budget variability in embedded systems

The current trends in Internet of Things (IoT) lead to the deployment of low-power devices covering a wide range of application scenarios. These devices have the goal of executing simple tasks automatically, usually with strict requirements in terms of space and costs. From the power supply perspective, such devices rely on batteries or renewable sources (e.g., solar panels). In particular, renewable energy is gaining momentum due to the global effort in reducing carbon dioxide emissions. The decrease in costs of solar panels allowed IoT systems to integrate renewable power into their design, enabling their deployment in harsh environments, which, on the other side, led to the necessity of minimizing the amount of maintenance activities. Accordingly, these devices have to guarantee the operating time, to minimize the risks of service unavailability. To achieve such a goal, current solutions rely on low-power devices, providing limited capabilities and computing performance. Whenever we aim at scaling, in order to process more complex tasks, IoT devices must be equipped with a System on Chip (SoC) including a power-hungry multi-core processor. However, these solutions would introduce challenges in terms of energy management. For this reason, it is fundamental to develop an effective management system, that will take into account current and future energy budget availability, to dynamically bound the actual allocation of processing resources. Specifically, when exploiting solar panels for power supply, we can leverage on the weather forecast to estimate the future availability of energy. The goal of this thesis is to present a predictive energy budget management system, targeting multi-core based embedded platforms. Starting from a hardware setup designed for emulating real-world scenarios, we explored multiple weather forecast options comparing their accuracy and reliability. From this analysis, a model has been built to predict the future incoming power and thus, capture the variations in the energy budget. We implemented the software side of our system, called Enercast, as an extension of the BarbequeRTRM framework, by adding the support for energy-aware resource allocation. This module is composed by a prediction section, which exploits remote weather forecast service and machine learning based models to forecast the future harvested energy, and a fault detection mechanism, based on on-board sensors to verify the consistency of the prediction with respect to the local data. Finally, it includes a resource allocation policy named Ener, which exploits the predictions to properly manage the power consumption-performance trade-off, in order to guarantee the system uptime. This work has been validated through a set of experiments, in which we used an ODROID-XU3 embedded board, running parallel applications, under different weather conditions.

I recenti sviluppi del mercato dei dispositivi Internet of Things stanno portando allo realizzazione di una vasta gamma di sistemi computazionali, caratterizzati da un basso consumo energetico. Tali sistemi vengono spesso impiegati con l'obiettivo di eseguire semplici operazioni come ad esempio la misurazione di parametri meteorologici, in scenari applicativi soggetti a stringenti requisiti in termini di spazio e costi. Per quanto concerne gli aspetti legati all'alimentazione elettrica, questi dispositivi si avvalgono di batterie o mezzi alternativi di approvvigionamento, quali ad esempio pannelli solari. %In particolare, l'interesse verso le fonti di energia alternative sta aumentando, anche in un'ottica di riduzioni delle emissione di anidride carbonica. La diminuzione dei costi di questi ultimi, e l'ampia disponibilità di formati, ha permesso l'impiego di pannelli per alimentare dispositivi installati in contesti ambientali non sempre facilmente accessibili. In questi casi, ne consegue la necessità di garantire la massima operatività possibile da parte del sistema, minimizzando i rischi di assenza di servizio, anche in ragione delle difficoltà logistiche legate ad eventuali interventi di manutenzione. Per raggiungere questo obiettivo, l'attuale tendenza è quella di un approccio conservativo, in cui l'hardware del sistema è solitamente costituito da componenti a basso consumo energetico, con capacità computazionali piuttosto limitate (ad esempio, sistemi basati su micro-controllore). Al contrario, se vogliamo che i dispositivi possano disporre di maggiori prestazioni, al fine di eseguire operazioni più complesse, quali analisi di dati o processamento di immagini, sarà necessario ricorrere a System-on-Chip dotati di micro-processore, eventualmente multi-core. Tuttavia, scelte di questo tipo implicano la presenza di un sistema intelligente di gestione, che permetta al carico applicativo di sfruttare a pieno, o in minima parte, le prestazioni del processore, a seconda della disponibilità di energia. In particolare, nel caso di energia fornita da combinazioni batteria-pannello solare, il sistema dovrà tenere conto proprio della variabilità della disponibilità di energia, legata alle variazioni delle condizioni meteo. In questo senso, avvalersi un servizio di previsioni meteo può aiutarci ad effettuare una stima relativa alla disponibilità di energia, in un dato orizzonte temporale. L'obiettivo di questa tesi è di presentare un sistema predittivo di gestione della disponibilità di energia, mirato a controllare l'allocazione di risorse, e quindi il livello prestazionale, di una piattaforma computazionale multi-core, in funzione delle condizioni metereologiche. Dopo aver discusso in maniera più approfondita il problema, e fornito esempi di soluzioni dallo stato dell'arte, viene presentato il sistema hardware sperimentale, attraverso il quale è stata effettuata la raccolta dei dati e sono stati emulati possibili scenari applicativi. I dati raccolti, sono stati utilizzati per mettere a confronto diversi modelli di previsione meteo, dal punto di vista della precisione e dell'affidabilità. A seguire, è stato definito un nuovo modello attraverso il quale ottenere previsioni di disponibilità energetica, da fornire in input ad una politica di allocazione delle risorse computazionali. L'implementazione del sistema di gestione, dal nome Enercast, si è basata sull'estendere il framework BarbequeRTRM, sviluppato presso il Politecnico di Milano. Enercast pertanto include un modello di predizione della potenza elettrica fornita dal pannello solare, basato su una combinazioni di informazioni metereologiche provenienti da un servizio remoto e da una serie di sensori installati localmente. Come già detto, questa informazione viene fornita ad una politica, Ener, avente il compito di fissare il livello prestazionale massimo che la piattaforma computazionale può erogare. Questo, con l'obiettivo di massimizzare l'operatività del sistema, garantendo la disponibilità di energia anche per il giorno successivo. Infine, la validazione del sistema è avvenuta tramite una serie di esperimenti, consistenti nell'esecuzione di applicazioni parallele, su un sistema embedded multi-core, alimentato come descritto in precedenza. Gli esperimenti sono stati condotti esponendo il sistema a varie condizioni metereologiche (stabili e variabili), al fine di valutare efficacia e robustezza di Enercast.