Data-Driven Synthesis of Finite-State Machines for AI-Based Self-Adaptive IoT Edge Applications

Abstract

Die wachsende Nachfrage nach Internet of Things (IoT)-Anwendungen mit geringer Latenz hat die Nutzung von Edge-Computing-Umgebungen vorangetrieben.Gleichzeitig haben Fortschritte im Bereich der künstlichen Intelligenz (KI) zu einem zunehmenden Einsatz KI-basierter Anwendungen auf Edge-Geräten im IoT geführt.Trotz kontinuierlicher Verbesserungen der Modelleffizienz bleibt die Verwendung solcher Anwendungen aufgrund begrenzter Ressourcen und eingeschränkter Energieverfügbarkeit in Edge-Umgebungen herausfordernd.Diese Geräte haben häufig keinen Zugang zu konstanten Stromquellen und sind auf Batterien oder erneuerbare Energiequellen angewiesen.Bestehende Lösungen sind häufig anwendungsspezifisch, haben einen niedrigen Automatisierungsgrad und können sich möglicherweise nicht gut an zuvor unbekannte Bedingungen anpassen.Zur Bewältigung dieser Einschränkungen schlägt diese Arbeit ein datengetriebenes Framework zur automatischen Generierung von endlichen Zustandsmaschinen (FSMs) vor, die ein selbstadaptives Verhalten in KI-basierten IoT Edge-Anwendungen ermöglichen, um Leistung und Energieverbrauch auszubalancieren.Das Framework arbeitet auf Basis eines Clusterings von gesammelten Daten der Zielanwendung, um unterschiedliche Umwelt- und Betriebsbedingungen zu erfassen.Für jeden Cluster werden optimale Konfigurationen bestimmt, indem ein Mehrzieloptimierungsproblem gelöst wird und die optimale Konfiguration aus der resultierenden Pareto-Front mittels gewichteter Grey-Relational-Analyse ausgewählt wird.Auf Grundlage der auf diese Weise gewonnenen Ergebnisse wird eine Menge von FSMs generiert, die, wenn sie in der Zielanwendung integriert werden, ihr ermöglichen, dynamische Anpassungen der Konfiguration zur Laufzeit in Abhängigkeit von aktuellen Bedingungen vorzunehmen.Das Framework wurde implementiert und anhand von drei Datensätzen aus Anwendungsfällen zur Fußgängererkennung und zur Erkennung menschlicher Stürze evaluiert.Die experimentellen Ergebnisse zeigen, dass die mit dem vorgeschlagenen Framework entwickelten selbstadaptiven Anwendungen konstant besser abschnitten als suboptimale statische Baselines und die Mehrheit der optimalen Baselines bis auf 10% approximierten.Die Ergebnisse deuten darauf hin, dass das vorgeschlagene Framework eine praktikable Lösung für die Entwicklung selbstadaptiver KI-basierter IoT-Anwendungen mit effektiven Kompromissen zwischen Energieverbrauch und Leistung darstellt.Außerdem reduziert der automatische Ansatz den manuellen Aufwand und das erforderliche Expertenwissen und bietet, verglichen mit manuellen Lösungen, eine höhere Anwendbarkeit und Skalierbarkeit.

The growing demand for low-latency Internet of Things (IoT) applications has accelerated the adoption of edge computing environments.At the same time, advances in artificial intelligence (AI) have led to an increase in the deployment of AI-based applications on IoT edge devices.Despite constant improvements in model efficiency, operating such applications remains challenging due to resource limitations and constrained energy availability in edge environments.These devices often lack access to a constant power supply and instead rely on batteries or renewable energy sources.Existing solutions are often highly use case specific, lack automation, and may not adapt well to previously unseen conditions.To address these limitations, this thesis proposes a data-driven framework for the automatic generation of finite state machines (FSMs) that enable self-adaptive behaviour in AI-based IoT edge applications to balance performance and energy consumption.The framework operates by clustering the data collected by the targeted AI application to capture distinct environmental and operational conditions.For each cluster, optimal configurations are determined by solving a multi-objective optimisation problem and selecting the optimal configuration out of the resulting Pareto front using weighted grey relational analysis.Based on the results obtained this way, a set of FSMs is generated, which, if integrated into the target application, allows it to dynamically adjust its configuration at runtime depending on current conditions.The framework is implemented and evaluated on three datasets taken from a pedestrian detection and human fall detection use case.Experimental results show that the self-adaptive applications developed with the proposed framework consistently outperform sub-optimal static baselines while approximating the majority of optimal baselines within 10%.Compared to a related semi-automatic approach, the proposed solution shows comparable results, improving selected performance metrics and energy efficiency.Overall, the findings indicate that the proposed framework is a viable solution for developing self-adaptive AI-based IoT applications with effective trade-offs between energy consumption and performance.Furthermore, with the approach being automatic, it reduces manual effort and required expert knowledge, offering increased applicability and scalability compared to more manual solutions.