Implementación de estrategias de Computation Offloading en redes de sensores inalámbricas de bajo consumo para Internet de las Cosas

En la actualidad, las comunicaciones inalámbricas y la inmediatez de éstas se han convertido en prácticamente una obligación en la mayoría de los entornos laborales, industriales y sociales. En un mundo tan globalizado y con una tecnología que avanza y se supera con una rapidez vertiginosa, no resulta extraño que cada vez se exijan mejores condiciones y prestaciones a la hora de entablar comunicaciones inmediatas y de calidad. A partir de estas exigencias surge la necesidad de establecer un entorno que permita desarrollar comunicaciones de manera inmediata, y más importante, de manera automática, para facilitar todo tipo de actividades, desde lo laboral y comercial a lo cotidiano. En esta situación nace el paradigma del Internet de las Cosas (Internet of Things), cuya importancia hoy en día trasciende todo tipo de fronteras: desde simples comunicaciones a través de redes sociales, pasando por almacenamiento y procesamiento de datos, hasta reconocimiento de imágenes o vídeo, entre otros. Este sistema se basa en la interconexión de múltiples redes inalámbricas descentralizadas (Wireless Sensor Networks, WSN), que a su vez están formadas por una infinidad de dispositivos interconectados entre sí, también denominados “nodos”, con la capacidad de medir parámetros mediante sensores, comunicar la información obtenida y procesarla hasta cierto punto. El Computation Offloading aparece como complemento a este paradigma, permitiendo aumentar el rendimiento de los sistemas mediante la comunicación y compartición de trabajo de procesamiento entre diferentes dispositivos, con distintas capacidades técnicas y de computación. De esta manera, sensores de baja capacidad de cálculo o de procesamiento pueden enviar los datos recopilados a dispositivos con mayores prestaciones a través de la nube (cloud), para después recibir los resultados obtenidos por estos últimos. Sin embargo, con el paso del tiempo, la cantidad de datos transmitidos y de canales de comunicación necesarios para esto se vuelve cada vez mayor, lo que provoca que la nube quede obsoleta en muchas situaciones, perdiendo prestaciones debido a problemas de capacidad de almacenamiento, latencia o ancho de banda. Una manera de resolver esta situación surge con el denominado “Edge Computing” (o “Fog Computing”), que permite la “descentralización del IoT”, haciendo que la nube no sea necesariamente el destino final donde se procese la información. De esta manera, se crea una serie de subestaciones, más cercanas a los dispositivos nodos, denominados “dispositivos de borde” o “Edge devices”, de manera que la información se procese en estos como punto intermedio entre sensor y nube, sólo requiriendo esta última en casos concretos, y pudiendo subdividirse la información para trabajarse a diferentes niveles de jerarquía según la capacidad de procesamiento. Ambos conceptos suponen un avance enorme para el IoT, dando lugar a la creación y desarrollo de nuevas técnicas de comunicación, sistemas y dispositivos, gracias a la capacidad para poder delegar parte del trabajo a los dispositivos de borde, de manera más rápida que con la nube. Aun siendo este sistema una mejora considerable, debe enfrentarse a diferentes tipos de limitaciones, sobre todo relacionadas con la portabilidad y bajo coste de los dispositivos, generalmente de baja potencia y batería, que dan lugar a restricciones en cuanto a ancho de banda, capacidad de procesamiento, velocidad de comunicación, etc. Para el desarrollo de este proyecto, la restricción de mayor interés es la de la baja capacidad energética de las baterías, aunque también se tienen en cuenta otras como el ancho de banda disponible entre dispositivos y su propia capacidad de procesamiento o cómputo de los datos. La transmisión de datos de los dispositivos sensores consume más energía que su procesamiento. Por este motivo, se deben desarrollar estrategias o algoritmos que permitan, en función del nivel de batería, decidir si es óptimo procesar los datos localmente o transmitirlos a otro dispositivo. Estas estrategias variarán en función de cada tipo de red, dispositivo, objetivo y expectativas de rendimiento y calidad de servicio de estos. En el caso de estudio de este trabajo, se utilizarán algoritmos metaheurísticos que buscarán maximizar la vida útil de cada uno de los nodos de la red, desarrollando la capacidad de seleccionar aquellos más capaces de procesar cada una de las tareas existentes. En cada momento, los algoritmos seguirán examinando las capacidades de cada nodo, de manera que, si uno de ellos sin ocupación posee mejores prestaciones en un determinado momento, pueda sustituir a un nodo que se encuentre procesando una tarea y que cuente con poca energía. Además, se desarrollarán dos modelos diferentes, teniendo el primero sólo en cuenta los niveles energéticos de cada nodo, mientras que el segundo incluirá adicionalmente como parámetro de decisión el ancho de banda disponible en cada uno de estos, aumentando la complejidad y profundidad del problema. Así, el algoritmo debe ser capaz de contemplar el mejor resultado de entre los posibles, decidiendo qué parte de la información se procesa en cada dispositivo, y qué dispositivo se elige para transmitirle los datos que requieran mayor capacidad de cómputo, mediante metodologías conocidas como “Resource Allocation” (siendo esta una de las partes más difíciles de desarrollar de todo el conjunto). El funcionamiento básico de la red consistirá en el envío de parámetros desde cada uno de los nodos al nodo servidor o clúster, que almacenará la información para compartirla con los algoritmos. Estos, a su vez, procesan dicha información y envían los resultados de vuelta al servidor, donde se comprueba la disponibilidad de los nodos seleccionados por el algoritmo para la asignación del procesamiento de tareas. Además, el nodo servidor gestiona el posible relevo entre los nodos para el procesamiento de las tareas, si sus características así lo requieren