管理无电池物联网中未知工作负载的任务执行：一种硬件无关的评估

# 在无电池物联网中管理未知工作负载的任务执行：一种硬件无关的评估方法
来源：https://arxiv.org/html/2606.24340
Samer Nasser, Henrique Duarte Moura, Ritesh Kumar Singh, Maarten Weyn, 和 Jeroen Famaey
本研究由 AMBIENT-6G 和 CORRELATE 项目资助。AMBIENT-6G 项目获得了欧盟 Horizon Europe 研究与创新计划下智能网络与服务联合事业 (SNS JU) 的资助，资助协议编号为 101192113。CORRELATE 项目与 imec 合作完成，并得到了 VLAIO（佛兰德创新与创业局）的项目支持。
S. Nasser, H. D. Moura, R. K. Singh, M. Weyn, 和 J. Famaey 就职于比利时安特卫普大学 - imec，IDLab 研究组（电子邮箱：[email protected]）。

###### 摘要

近年来，物联网 (IoT) 范式正朝着无电池、能量采集的架构转变。在这些系统中维持可靠运行，需要对高度波动的存储能量进行智能管理。随着边缘应用日益复杂，传统的能量感知调度器由于依赖于静态执行阈值或预先测量的硬件特定任务配置文件，难以应对不可预测的工作负载。为了克服这一问题，我们提出了两种新颖的、硬件无关的动态调度策略，将应用视为"黑盒"，无需先验能量信息：一种无模型的强化学习 (RL) 智能体，以及一种实时逼近预测 (AP) 方法。我们使用基于真实太阳能数据和动态 LoRa 传输配置文件构建的自定义物理精确仿真框架，将这些方法与一种自适应任务率方法 (AsTAR) 以及优化的静态阈值进行了评估。我们的分析并非宣称某种方法具有普遍优越性，而是揭示了每种方法独特的工作权衡：AP 方法轻量级，能提供接近先知般的任务吞吐量；RL 智能体提供可调节的生存-执行平衡；而 AsTAR 擅长在长时间能量间隙中保持执行节奏。最后，我们证明了虽然这些高级策略为采用小电容的严重受限系统提供了关键韧性，但拥有较大能量缓冲区的设备可以高效地依赖更简单、计算开销更小的静态策略。††本工作已提交至 IEEE 待发表。版权可能在不另行通知的情况下转让，此后本版本可能无法再访问。

## I. 引言

近年来物联网 (IoT) 发展迅速，预计部署设备数量将从当前的约 200 亿台增长到 2030 年的 400 亿台 [7](https://arxiv.org/html/2606.24340#bib.bib12)。由于大多数设备由电池供电，其环境和经济影响正成为主要关注点。锂离子电池含有钴和镍等有毒稀土材料，且常常回收不当，严重加剧了电子垃圾问题并引发严重的健康担忧 [25](https://arxiv.org/html/2606.24340#bib.bib13)。此外，可充电电池在其寿命周期内充电次数有限，导致在长期大规模部署中需要更换大量电池。这也凸显了电池供电 IoT 带来的经济复杂性，因为这些更换意味着技术和财务资源的损失，而这些资源本可用于其他方面。近年来，环境 IoT 和无电池 IoT [1](https://arxiv.org/html/2606.24340#bib.bib14) 应运而生，以应对 IoT 在我们现代社会各个领域快速普及所带来的环境和经济问题。这些领域旨在通过利用新型能量采集技术、超低功耗电子器件和高效通信协议，显著延长电池供电 IoT 设备的寿命，甚至完全消除对电池的需求，从而为使用（超级）电容器作为主要能量存储元件铺平道路。虽然超级电容器每单位能量的成本通常较高，但其极长的循环寿命和高功率密度使其适用于许多需要频繁且昂贵地更换电池的低功耗、长寿命 IoT 应用 [21](https://arxiv.org/html/2606.24340#bib.bib15)。然而，与电池相比，其较低的能量密度也带来了挑战。与放电时电压保持相对稳定的电池不同，电容器的电压会随其消耗的能量成比例下降。这种高度动态且非线性的行为，加上环境能量采集的不可预测性，意味着可用能量和设备的运行能力在不断波动。如果电容器电压下降到某个临界水平以下，它将无法再为 IoT 设备供电，导致系统完全失效。因此，在这些动态能量条件下实现可靠运行，需要先进能量管理，只有在电容器充分充电时才执行应用任务。依赖于固定电压阈值的静态运行策略往往不够充分，或者需要特定硬件的手动校准。此外，静态方法通常假设任务的能耗是预先已知的。在实践中，应用常常表现为具有动态能量配置文件的"黑盒"（例如，使用不同有效载荷或发射功率进行传输时能量消耗会变化），使得静态预测高度不可靠。因此，需要一种动态阈值机制，能够智能地适应实时采集功率、存储能量和未知任务需求，以优化执行并确保系统韧性。

参考图注
图 1：无电池环境 IoT 系统的总体概览。采集的太阳能通过太阳能板转化为电能，并存储在超级电容器中，为 MCU 和外设供电。MCU 内的任务执行逻辑可由多种不同方法控制：采用基于 RL 的方法、使用工作负载的逼近预测、采用 AIMD/MIAD 任务率自适应、或使用固定阈值。

为了解决这个问题，我们提出了如图 1 (https://arxiv.org/html/2606.24340#S1.F1) 所示的一般无电池 IoT 系统设计。在该架构中，太阳能板将环境太阳能转换为电力，产生的采集电流 \(I_H\) 被导向超级电容器，作为主要能量存储元件。存储在电容器中的能量随后为微控制器单元 (MCU) 及其相关外设供电。为确保在这些高度波动的条件下可靠运行，我们研究并比较了三种不同的动态任务执行方法：AsTAR [22](https://arxiv.org/html/2606.24340#bib.bib9)（实现了加法增加乘法减少 (AIMD)/乘法增加加法减少 (MIAD) 方法）；一种新颖的基于 RL 的方法；以及一种新颖的基于逼近预测 (AP) 的方法，并以优化后的固定阈值作为基准。关键在于，这些方法设计为无需预先知道任务的能量配置文件即可运行，同时保持对不同物理电容器尺寸的适应性。此外，这些方法各自基于根本不同的工作原理，使得它们非常适合进行比较。本工作的核心目标并非简单地证明动态方法更优越，而是揭示这些方法之间固有的权衡，例如任务吞吐量、系统恢复时间和执行节奏。我们旨在确定动态阈值的实际限制，并找出在哪些特定的硬件约束下，这些高级方法与静态优化基线相比能提供最大的价值。

综上所述，本文的主要贡献如下：
- **硬件无关、"黑盒"任务调度**：我们提出了两种新颖的动态执行策略，能够智能管理能量预算，无论电容器尺寸如何，也无需预先知道任务能耗：一种无模型的 RL 智能体和一种实时 AP 方法。
- **全面的无电池仿真框架**：我们开发了一个物理精确的仿真环境，将电容器的非线性充电动态与真实的环境太阳能采集数据以及高度可变系统负载配置文件（特别是模拟 LoRa 自适应数据率 (ADR) 传输）相结合。该框架可通过 https://github.com/SamerN97/batteryless-IoT-task-management 开放获取。
- **评估工作权衡**：我们提供了所提出的方法与 AIMD 基线 (AsTAR)、短期先知以及静态阈值的广泛比较分析，详细阐述了任务吞吐量、系统恢复时间和执行节奏之间的固有权衡。
- **识别实际限制**：我们强调了动态阈值的边界，证明了这些高级方法在严重硬件约束（即小电容器尺寸）下能提供最大价值，而拥有较大能量缓冲区的系统通常可以依赖更简单、计算开销更小的静态策略。

本文的其余部分组织如下：第 II 节 (https://arxiv.org/html/2606.24340#S2) 讨论了现有关于能量感知任务调度和能量中性 IoT 系统的文献。第 III 节 (https://arxiv.org/html/2606.24340#S3) 提供了全面的问题表述，并详细介绍了电容器行为和能量动态的数学建模。第 IV 节 (https://arxiv.org/html/2606.24340#S4) 详细描述了所评估的能量感知任务执行方法。第 V 节 (https://arxiv.org/html/2606.24340#S5) 概述了实验设置和评估方法。第 VI 节 (https://arxiv.org/html/2606.24340#S6) 展示并讨论了实验结果。最后，第 VII 节 (https://arxiv.org/html/2606.24340#S7) 对本文进行总结并指出了未来的研究方向。

## II. 相关工作

在无电池、能量采集的 IoT 设备中管理动态能量预算以满足特定运行需求的挑战，横跨多个研究领域，从基础的间歇计算架构到高级能量感知调度算法。我们的工作与其中几个领域有交集，特别关注在没有先验能量配置文件的情况下进行动态任务执行。

### II-A. 间歇计算与能量管理

处理不可靠电源的一个突出策略是间歇计算，允许系统在频繁断电时安全地挂起和恢复。早期的工作如 Mementos [14](https://arxiv.org/html/2606.24340#bib.bib22) 依赖于频繁的状态检查点，而后续模型如 Alpaca [11](https://arxiv.org/html/2606.24340#bib.bib31) 利用基于任务的编程来保证进展而无需传统检查点。为了减轻断电开销，像 Capybara [5](https://arxiv.org/html/2606.24340#bib.bib23) 这样的硬件-软件协同设计引入了可重构的电容器组以防止任务中途失败。将其推到操作系统层面，像 InK [23](https://arxiv.org/html/2606.24340#bib.bib33) 这样的框架引入了事件驱动的内核，根据即时能量抢占式调度反应性的微任务。然而，这些架构从根本上接受了一种容错断电范式，或者需要专门的编程模型来管理 OFF 状态。相比之下，我们的工作将断电视为高度不可取的，专注于在标准硬件上进行主动能量管理，以完全避免 OFF 状态并维持连续运行能力。

### II-B. 能量感知任务调度

为了主动避免断电，系统必须将活动周期与可用能量对齐。传统的运行方式使用静态阈值或预测模型（例如，指数加权移动平均 (EWMA) [8](https://arxiv.org/html/2606.24340#bib.bib24)、太阳能预测 [3](https://arxiv.org/html/2606.24340#bib.bib32)）基于长期平均值调整占空比，通常假设执行成本是确定性的 [12](https://arxiv.org/html/2606.24340#bib.bib35)。正如 López 等人 [10](https://arxiv.org/html/2606.24340#bib.bib34) 最近指出的，设计有效的能量感知协议需要能够准确反映任务级可变性和存储约束的模型，而不是过度简化它们。实时动态调度旨在解决这个问题。在算法层面，AsTAR [22](https://arxiv.org/html/2606.24340#bib.bib9) 使用 AIMD 方法处理波动的、"黑盒"工作负载，以调整任务率。虽然 AsTAR 在长期节奏控制方面非常有效，但它限制了即时能量利用率。相反，基于模型的动态阈值 [15](https://arxiv.org/html/2606.24340#bib.bib5) 根据即时环境变化重新计算电容器电压，以最大化即时吞吐量。然而，这类方法仍然假设工作负载是确定性的，并且依赖于先前的任务消耗分析。面对非确定性的工作负载，它们依赖于最坏情况假设，导致保守的、次优的调度。我们的工作通过提出硬件无关的动态阈值策略来弥合这一差距，这些策略将应用视为高度波动的"黑盒"。通过实时适应未知的任务配置文件，我们的方法旨在实现高任务吞吐量，而无需离线分析或手动校准。

### II-C. 机器学习在能量采集物联网中的应用

鉴于环境能量的不可预测性，强化学习 (RL) 已成为一种有前景的能量管理方法。早期的工作使用表格型 Q-learning 根据存储能量和当前采集速率动态调整无线传感器节点的占空比 [9](https://arxiv.org/html/2606.24340#bib.bib25), [4](https://arxiv.org/html/2606.24340#bib.bib27)。例如，RLMan [2](https://arxiv.org/html/2606.24340#bib.bib28) 利用线性函数逼近来实现有效的轻量级电源管理策略。然而，这些方法通常针对单一的、固定的硬件配置进行训练，假设每个活动周期的能量成本相对稳定或可预测，主要关注广泛的占空比调制。最近，深度强化学习 (DRL) 被应用于处理能量采集环境中的连续状态空间，优化吞吐量和延迟等指标 [24](https://arxiv.org/html/2606.24340#bib.bib26)。虽然 DRL 显示出潜力，但它通常将状态评估限定于环境因素和即时充电状态，依赖于固定的硬件约束。这种特定于硬件的公式不太适用于具有未知任务成本的 IoT 部署场景。我们基于 RL 的方法针对具有波动工作负载的"黑盒"应用。通过使用丰富的时域观测空间，并结合稳健的 RL 算法以及在训练过程中对硬件参数进行严格的域随机化，我们的智能体学习了底层能量动力学，而不是记忆特定硬件的轨迹。因此，它作为一个适应性强的、硬件无关的调度器，能够在不可预测的能量可用性下动态平衡任务吞吐量和系统恢复，而无需手动重新校准。

## III. 问题表述与系统模型

在无电池、能量中性的 IoT 系统中，任务执行决策与存储元件的能量动态紧密耦合。对于这类系统，电容器电压