Predictive analytics for smart homes using serverless edge computing

Abstract

Smart Home Technologien werden immer populärer und damit einhergehend immer öfter in unser tägliches Leben integriert. Das Internet of Things (IoT) ermöglicht die Kommunikation zwischen einer Vielzahl an smarten Geräten im Smart Home um mittels Predictive Data Analytics den Wohnkomfort zu verbessern und Haussysteme zu automatisieren. Zum größten Teil ist das heutige IoT mit Cloud Computing realisiert, weil es praktisch unlimitierte Rechenund Speicherkapazität bereitstellt. Die zentrale Cloud unterliegt aber auch einigen Einschränkungen: relativ hohe Latenzzeiten, hohe Bandbreitennutzung, limitierte Datenübertragungsrate und benötigt eine dauerhafte Internetverbindung. Edge Computing bringt Cloud Ressourcen näher zum Anwender und umgeht somit diese Einschränkungen. Dabei kommen heterogene, ressourcen-begrenzte Edge Geräte zum Einsatz auf welchen Applikationen ausgeführt werden können. Zur Unterstützung dieser heterogenen Hardware wurde das Serverless Programming Modell als ressourcenschonendes Abstraktionsmodell vorgeschlagen. Basierend darauf wurden bereits erste kommerzielle Edge Computing Frameworks von Cloud Providern entwickelt. Diese Frameworks ermöglichen die Ausführung von Serverless Funktionen auf Edge Geräten, die mittels Cloud Service konfiguriert und bereitgestellt werden. Es gibt aber nur wenige systematische Untersuchungen des Serverless Edge Computing Paradigmas anhand von praktischen Anwendungsfällen. Das Ziel dieser Diplomarbeit ist die Evaluierung des Serverless Programming Modells von kommerziellen Frameworks im Kontext von IoT und Smart Home Data Analytics Applikationen. Dazu definieren wir einen repräsentativen IoT Anwendungsfall: Optimierung einer Warmwasserheizung. Anhand dessen Anforderungen analysieren wir verfügbare Frameworks, im Speziellen AWS Greengrass und Microsoft Azure IoT Edge. Basierend auf unserer Serverless Architektur für Smart Home Predictive Analytics wird ein Prototyp und eine cloud-basierte Referenz für die Evaluierung entwickelt. Schließlich evaluieren wir die Serverless Edge Computing Paradigma Behauptungen und präsentieren die Resultate unserer Optimierung. Diese zeigen dass die Boilertemperatur und die Heizdauer bei gleichbleibendem Lebenskomfort erheblich reduziert werden können. Weiters stellt sich das Serverless Programming Modell als ein vielversprechendes Edge Abstraktionsmodell dar. Dennoch fehlt wichtige Funktionalität in kommerziellen Frameworks um die Edge Computing Vision zur Gänze umsetzen zu können. Code Mobility existiert nur sehr eingeschränkt und es ist nicht möglich Multi-Tenant Anwendungen bereitzustellen.

Smart Home technologies become more and more popular and are increasingly integrated into our daily living environments. Smart Homes leverage the Internet of Things (IoT) and combine many smart devices to improve living comfort and automate essential supporting systems with predictive data analytics. For the most part, todays IoT is realized with cloud computing because it offers virtually unlimited computing and storage capabilities. Despite its benefits the central cloud also introduces several limitations: relatively high latency, high Internet bandwidth usage, limited data transfer rate and requires a continuous Internet connection. To mitigate these limitations the edge computing paradigm brings data processing and storage closer to the user utilizing heterogeneous, resource-constrained edge devices. This considerably reduces latency and bandwidth usage and fosters scalability and reliability. To overcome the heterogeneity of edge devices the serverless programming model has been proposed as a light-weight computation model for the edge. Based on this proposal production-grade edge computing frameworks have been developed by cloud providers. These frameworks provide a serverless function orchestrator deployed at the edge and a cloud service for remote configuration and deployment of applications. However, there have only been few real-world use case evaluations that systematically examine the serverless edge computing paradigm. The goal of this thesis is to evaluate the serverless programming model for production-grade edge computing frameworks in the context of IoT and Smart Home data analytics applications. First we define a representative real-world IoT use case: optimization of a domestic water heating system. Subsequently we examine available frameworks, specifically AWS Greengrass and Microsoft Azure IoT Edge, and choose one based on the use case requirements. Then, we outline a general serverless architecture for predictive Smart Home analytics applications. Based on this architecture a prototype and in addition a cloud-based baseline is implemented for the evaluation. Eventually we evaluate claims on the serverless edge computing paradigm and present use case results. Our use case evaluation shows that the boiler temperature and heating time have been significantly reduced while still satisfying inhabitantsliving comfort. Our evaluation of serverless edge claims indicates that the serverless programming model is a promising edge computation model. However, it also shows a lack of essential features in production-grade frameworks to fully realize the idea of edge computing. Foremost is the limited support of code mobility and missing support of multi-tenant application deployment.