[论文解读] Fog-Assisted wIoT: A Smart Fog Gateway for End-to-End Analytics in Wearable Internet of Things

Nicholas Constant, Debanjan Borthakur+3 more|arXiv (Cornell University)|Jan 25, 2017

IoT and Edge/Fog Computing参考文献 11被引用 42

一句话总结

本文提出了一种基于英特尔Edison和树莓派的智能雾网关，通过在选择性云传输前执行实时数据调理、智能过滤和设备端分析，实现可穿戴物联网（wIoT）系统中的端到端分析。基于真实智能手套数据的基准测试表明，树莓派在处理速度和可扩展性方面优于英特尔Edison，将平均等待时间降低至12.39秒，且功耗更低。

ABSTRACT

Today, wearable internet-of-things (wIoT) devices continuously flood the cloud data centers at an enormous rate. This increases a demand to deploy an edge infrastructure for computing, intelligence, and storage close to the users. The emerging paradigm of fog computing could play an important role to make wIoT more efficient and affordable. Fog computing is known as the cloud on the ground. This paper presents an end-to-end architecture that performs data conditioning and intelligent filtering for generating smart analytics from wearable data. In wIoT, wearable sensor devices serve on one end while the cloud backend offers services on the other end. We developed a prototype of smart fog gateway (a middle layer) using Intel Edison and Raspberry Pi. We discussed the role of the smart fog gateway in orchestrating the process of data conditioning, intelligent filtering, smart analytics, and selective transfer to the cloud for long-term storage and temporal variability monitoring. We benchmarked the performance of developed prototypes on real-world data from smart e-textile gloves. Results demonstrated the usability and potential of proposed architecture for converting the real-world data into useful analytics while making use of knowledge-based models. In this way, the smart fog gateway enhances the end-to-end interaction between wearables (sensor devices) and the cloud.

研究动机与目标

• 通过边缘智能减少云带宽和延迟，应对可穿戴物联网设备日益增长的数据洪流。
• 设计并原型化一种智能雾网关，协调可穿戴设备与云之间数据的调理、过滤和分析。
• 评估低功耗嵌入式平台（英特尔Edison和树莓派）作为实时wIoT分析雾节点的性能。
• 展示利用雾计算提升医疗导向wIoT应用中端到端响应速度和能效可行性的实例。

提出的方法

• 在边缘设备上部署使用英特尔Edison和树莓派的雾网关，以处理智能电子纺织手套的数据。
• 在雾节点上使用基于Octave的算法实现数据采集、实时调理和智能过滤。
• 通过PID跟踪和分析器函数，使用SSH进行远程访问，并记录系统性能指标（CPU、内存、负载）以进行基准测试。
• 将性能数据存储在.csv和.mat文件中以供后续分析，并应用利特尔定律计算平均等待时间（LeadTime = WIP / ACR）。
• 构建自定义网状网络，将可穿戴设备（手套、智能手表）连接至雾网关，再连接至云后端。
• 对不同数据集大小（N）下的处理时间进行基准测试，观察到两种平台均呈现Nlog(N)的缩放行为。

实验结果

研究问题

• RQ1 雾计算如何减少可穿戴物联网系统中的数据传输量和延迟？
• RQ2 在wIoT分析中，英特尔Edison与树莓派作为雾网关的性能差异是什么？
• RQ3 设备端的智能过滤与分析能否提升端到端系统的响应速度和能效？
• RQ4 在嵌入式雾平台中，系统负载和处理时间如何随数据量增加而变化？

主要发现

• 树莓派的数据处理速度几乎比英特尔Edison快一倍，平均等待时间降至12.39秒，而英特尔Edison为64.65秒。
• 树莓派在处理超过125个数据集时仍能有效扩展，而英特尔Edison在类似负载下表现出不稳定，存在崩溃风险。
• 两种平台的处理时间均遵循Nlog(N)的缩放模式，表明随着数据量增加，算法性能依然高效。
• 树莓派的功耗为198mW/s，显著低于英特尔Edison的529mW/s，表明其具有更高的能效。
• 雾网关通过智能过滤和设备端分析减少了发送至云的数据量，从而改善了带宽和延迟。
• 所提出的架构在帕金森病运动康复等医疗应用中，实现了实时、低延迟分析的可行性。