Self-Aware Data Processing for Power Saving in Resource-Constrained IoT Cyber-Physical Systems
Notice bibliographique
Résumé
Given the emergence of the Internet of Things (IoT) Cyber-Physical Systems (CPSs) and their omnipresence, reducing their power consumption is among the major design priorities. To reduce the power consumption of such systems, we propose the use of a signal-dependent sampling method in a bottom-up fashion, which can lead to up to a 94% reduction in the overall system power with negligible or no loss in performance. Moreover, the proposed technique provides further flexibility for self-aware CPSs to dynamically adjust the number of data samples that are needed for processing (and consequently reduce the power consumption) based on the application at hand and the desired trade-off between accuracy and power consumption. To show the merits of the proposed approach, we also present case studies in the context of an Electrocardiography (ECG) monitoring system as well as a greenhouse (temperature and relative humidity) monitoring system. We also discuss the trade-offs among the system configuration parameters, power consumption, and performance (accuracy). We show that the proposed method has a negligible overhead, which facilitates the real-time operation of the IoT CPS while achieving significant power savings (up to 94%). Even though we study the effects of using this method for two representative applications, the technique is general and can offer similar improvements for a wide range of CPSs and resource-constrained IoT systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».