Edge-assisted Task Offloading in the Internet of Wearable Things

Abstract

The personal devices market is witnessing a rapid evolution due to the development of small form-factor electronics, followed by the increasing number of various value-added and entertainment applications. Personal mobile devices, also called wearables, include devices such as smartphones, smartwatches, smart glasses, smart jewelry, smart clothes, and augmented or virtual reality headsets, to name a few. These wearable devices have launched a new trend in the Internet of Things (IoT) era, namely the Internet of Wearable Things (IoWT). Wearables are small IoWT devices capable of sensing, storing, processing, and exchanging data to assist users by improving their everyday life tasks through various applications.

With the increasing consumer interest in wearables, there is a consistent demand for the development of new computationally intensive and latency-critical applications such as interactive online gaming, virtual/augmented reality, ultra-highdefinition video streaming, autonomous driving, image processing, and machine learning, among others. Historically, wearable and handheld devices were not designed to execute computationally intensive operations, primarily due to constraints such as limited battery capacity and heat radiation. Consequently, the need for developing highly energy-efficient solutions has become imperative to meet the demands of the latest power-intensive wearable sensors and applications, aiming to meet user expectations. Thus, energy efficiency within wearables has emerged as a dynamic field of research.

This thesis employs a systematic literature review approach to conduct a comprehensive survey of energy-efficient solutions proposed for diverse IoWT applications. The existing research published from 2010 to 2020 is scrutinized, and a taxonomy of the available solutions is presented based on the targeted application area. Moreover, a thorough qualitative and comparative analysis of existing studies within each category is provided highlighting the merits, demerits, main performance parameters, and major contributions of each solution. Furthermore, we provided different statistictical analysis providing insights into the publication trends in this field of research, commonly used tools to evaluate proposed solutions, and frequently employed communication technologies in wearables. Additionally, a detailed discussion is provided outlining the predominant approaches found in the literature for enhancing energy efficiency in wearables while also emphasizing the challenges involved.

While wearables have the potential to completely revolutionize everyday life of individuals, they have also brought a plethora of new challenges for the research and industrial community to address. These challenges include increasing demand for enhanced computational power, improved communication capabilities, enhanced security and privacy features, reduced form factor, minimal weight, and better user comfort. Many of these challenges stem from the limited battery power and insufficient computation resources available on wearable devices.

In such a context, task offloading is a technique that allows wearables to leverage the resources available on nearby edge devices to not only conserve the wearable’s limited resources but also improve its computational capacity to enhance the overall user experience. Therefore, this thesis presents a numerical analysis of task offloading for wearables in a two-tier edge architecture, considering different task offloading scenarios from the wearable to a device located at the network edge. Such a device could be a smartphone paired with the wearable or an edge server co-located with the cellular base station. A comprehensive performance evaluation conducted under a wide variety of realistic settings in terms of task demands, processing capabilities, and data rate, is provided unveiling the circumstances in which offloading is convenient and when it is not, in terms of meaningful metrics.

Subsequently, this thesis proposes a framework for Reinforcement Learning (RL)- based task offloading in the IoWT. The task offloading process is formulated considering the tradeoff between energy consumption and task accomplishment time. Moreover, we model the task offloading problem as a Markov Decision Process (MDP) and utilize a model-free Q-learning technique of RL to enable the wearable device to make optimal task offloading decisions without prior knowledge. Furthermore, we evaluate the performance of the proposed framework through extensive simulations for various applications and system configurations conducted in the ns-3 network simulator. We also show how varying the main system parameters of the Qlearning algorithm affects the overall performance. Finally, as part of the conclusion, we also highlight some potential future research directions.

SOMMARIO

Il mercato dei dispositivi personali sta assistendo a una rapida evoluzione dovuta allo sviluppo di componenti elettronici di piccole dimensioni, seguita dal numero crescente di varie applicazioni a valore aggiunto e di intrattenimento. I dispositivi mobili personali, chiamati anche dispositivi indossabili, includono dispositivi come smartphone, smartwatch, occhiali intelligenti, gioielli intelligenti, vestiti intelligenti e visori per realtà aumentata o virtuale, solo per citarne alcuni. Questi dispositivi indossabili hanno lanciato una nuova tendenza nell’era IoT, ovvero IoWT. I dispositivi indossabili sono piccoli dispositivi in grado di rilevare, archiviare, elaborare e scambiare dati per assistere gli utenti migliorando le loro attività quotidiane attraverso varie applicazioni.

Con il crescente interesse dei consumatori per i dispositivi indossabili, esiste una domanda costante per lo sviluppo di nuove applicazioni ad alta intensità di calcolo e critiche in termini di latenza, come giochi online interattivi, realtà virtuale/aumentata, streaming video ad altissima definizione, guida autonoma, elaborazione di immagini, e apprendimento automatico, tra gli altri. Storicamente, i dispositivi indossabili e portatili non sono stati progettati per eseguire operazioni ad alta intensità di calcolo, principalmente a causa di vincoli quali la capacità limitata della batteria e il surriscaldamento. Di conseguenza, la necessità di sviluppare soluzioni ad alta efficienza energetica è diventata indispensabile per soddisfare le richieste dei piu recenti sensori e applicazioni indossabili energivori, con l’obiettivo di soddisfare le aspettative degli utenti. Pertanto, l’efficienza energetica nei dispositivi indossabili è emersa come un ambito di ricerca in evoluzione.

Questa tesi utilizza un approccio di revisione sistematica della letteratura per condurre un’indagine completa di soluzioni efficienti dal punto di vista energético proposte per diverse applicazioni IoWT. Viene esaminata attentamente la ricerca existente pubblicata dal 2010 al 2020 e viene presentata una tassonomia delle soluzioni disponibili in base all’area di applicazione di interesse. Inoltre, viene fornita un’analisi qualitativa e comparativa approfondita degli studi esistenti all’interno di ciascuna categoria evidenziando i meriti, i demeriti, i principali parametri di prestazione e i principali contributi di ciascuna soluzione. Inoltre, sono state fornite diverse analisi statistiche che forniscono approfondimenti sulle tendenze di pubblicazione in questo campo di ricerca, sugli strumenti comunemente utilizzati per valutare le soluzioni proposte e sulle tecnologie di comunicazione frequentemente utilizzate nei dispositivi indossabili. Inoltre, viene fornita una discussione dettagliata che delinea i principali approcci presenti in letteratura per migliorare l’efficienza energetica nei dispositivi indossabili, sottolineando al tempo stesso le sfide associate.

Se da un lato i dispositivi indossabili hanno il potenziale per rivoluzionare completamente la vita quotidiana degli individui, dall’altro comportano anche una serie di nuove sfide da affrontare per la ricerca e la comunità industriale. Queste sfide includono la crescente domanda di maggiore potenza di calcolo, migliori capacità di comunicazione, funzionalità avanzate di sicurezza e privacy, dimensioni ridotte, peso minimo e migliore comfort per l’utente. Molte di queste sfide derivano dalla potenza limitata della batteria e dalle risorse di calcolo insufficienti disponibili sui dispositivi indossabili.

In un tale contesto, l’<i>offloading</i> dei <i>task</i> computazionali è una tecnica che consente ai dispositivi indossabili di sfruttare le risorse disponibili sui dispositivi Vicini alla periferia della rete, non solo per conservare le risorse limitate del dispositivo indossabile, ma anche per aumentarne la capacita computazionale al fine di migliorare l’esperienza complessiva dell’utente. Pertanto, questa tesi presenta un’analisi numérica dell’offloading dei task per i dispositivi indossabili in un’architettura edge a due livelli, considerando diversi scenari in cui i task vengono delegati dal dispositivo indossabile a un dispositivo situato all’edge della rete. Un dispositivo di questo tipo potrebbe essere uno smartphone abbinato al dispositivo indossabile o un server periferico co-locato con la stazione base cellulare. Viene fornita una valutazione completa delle prestazioni, in termini di metriche significative e condotta in un’ampia varietà di contesti realistici in termini di richieste di task, capacità di elaborazione e velocità di trasmissione dei dati, individuando le circostanze in cui l’offloading e conveniente e quando non lo è.

Successivamente, questa tesi propone un framework per l’offloading di task basato su RL in IoWT. Il processo di offloading dei task e formulato considerando il compromesso tra il consumo energetico e il tempo di esecuzione del task. Inoltre, si modella il problema del task offloading come un MDP e utilizziamo una tecnica di Qlearning priva di modelli di RL per consentire al dispositivo indossabile di prendere decisioni ottimali senza conoscenze preliminari. Inoltre, si valutano le prestazioni del framework proposto attraverso simulazioni approfondite per varie applicazioni e configurazioni di sistema condotte nel simulatore di rete ns-3. Si mostra anche come la variazione dei principali parametri di sistema dell’algoritmo Q-learning influisce sulle prestazioni complessive. Infine, per concludere vengono evidenziate anche alcune potenziali direzioni di ricerca future.