بهره‌وری انرژی (Energy Efficiency)

از آن‌جا که دستگاه‌های اینترنت اشیا (IoT) معمولاً با باتری کار می‌کنند، حسگرها برای مدت‌های طولانی در محیط‌هایی بدون نظارت نصب می‌شوند تا شرایط پیرامونی را بررسی کرده و هرگونه ناهنجاری را شناسایی کنند. با این حال، در نبود روش‌های کارآمد برای صرفه‌جویی در انرژی، انرژی گره‌های IoT به‌تدریج تخلیه می‌شود [1]–[3]. با گسترش سامانه‌های اینترنت اشیاء، مسئله‌ی بهره‌وری انرژی به یکی از چالش‌های اساسی در این حوزه تبدیل شده است. علاوه بر این، در بسیاری از موارد، شارژ یا تعویض منظم باتری تعداد زیادی از حسگرها ممکن نیست. همچنین، ارسال داده به گره‌های مقصد در شبکه‌های حسگر بزرگ و خودسازمان‌ده می‌تواند با تأخیر زیاد و مصرف انرژی بالا همراه باشد [4]. از این رو، در سال‌های اخیر، پژوهشگران متعددی راهکارهایی در سطوح مختلف شبکه، از مدیریت خواب و بیداری گره‌ها تا فشرده‌سازی داده و بهینه‌سازی مسیر، ارائه کرده‌اند [1]–[3].

بهره‌وری انرژی را می‌توان با زمان‌بندی فعالیت‌ها بیش از پیش بهبود داد. هدف از این روش آن است که برخی از گره‌ها به حالت کم‌مصرف[1] (یا «خواب[2]») تغییر وضعیت داده شوند تا تنها تعدادی از گره‌های متصل فعال باقی بمانند، در حالی که کارکرد اصلی شبکه — مانند حسگری و جمع‌آوری داده‌ها — همچنان حفظ شود [5]. به عبارتی دیگر، در شبکه‌های حسگر بیسیم سنتی (WSN)، گره‌ها داده‌ها را در فواصل زمانی مشخص (بسته به نوع کاربرد) جمع‌آوری و ارسال می‌کنند. بنابراین، در باقی زمان‌ها در حالت بیکار (Idle) قرار دارند، که این وضعیت باعث اتلاف قابل‌توجه انرژی می‌شود. برای جلوگیری از این اتلاف، استفاده از تکنیک‌های کارای خواب/بیدارباش (Sleep/Wake-up Techniques) معرفی شدند. هدف اصلی این روش‌ها تنظیم و تطبیق فعالیت گره‌ها در چرخه‌های مختلف از جمله خواب (Sleep)، بیداری (Wake-up)، بیکاری (Idle)، ارسال (Transmitting) و دریافت (Receiving) است [2]. رویکردهای مبتنی بر کاهش داده (Data reduction) از دیگر روش های بهبود بهره وری انرژی در چنین شبکه هایی به شمار می‏روند [4], [6]. به‌طور کلی، کاهش داده (Data Reduction) به استفاده از روش‌های کارآمدی گفته می‌شود که حجم داده‌های حس‌شده را پیش از ارسال توسط گره‌های حسگر کاهش می‌دهند [6].

منابع

[1]       B. Pourghebleh, N. Hekmati, Z. Davoudnia, en M. Sadeghi, “A roadmap towards energy-efficient data fusion methods in the Internet of Things”, Concurr. Comput. Pract. Exp., vol 34, no 15, bl e6959, Jul 2022, doi: https://doi.org/10.1002/cpe.6959.

[2]       J. Haimour en O. Abu-Sharkh, “Energy Efficient Sleep/Wake-up Techniques for IOT: A survey”, in 2019 IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT), 2019, bll 478–484. doi: 10.1109/JEEIT.2019.8717372.

[3]       B. Rana, Y. Singh, en P. K. Singh, “A systematic survey on internet of things: Energy efficiency and interoperability perspective”, Trans. Emerg. Telecommun. Technol., vol 32, no 8, bl e4166, Aug 2021, doi: https://doi.org/10.1002/ett.4166.

[4]       Y. Fathy en P. Barnaghi, “Quality-Based and Energy-Efficient Data Communication for the Internet of Things Networks”, IEEE Internet Things J., vol 6, no 6, bll 10318–10331, 2019, doi: 10.1109/JIOT.2019.2938101.

[5]       S. S. Prasad en C. Kumar, “An energy efficient and reliable internet of things”, in 2012 International Conference on Communication, Information & Computing Technology (ICCICT), 2012, bll 1–4. doi: 10.1109/ICCICT.2012.6398115.

[6]       A. M. Hussein, A. K. Idrees, en R. Couturier, “Distributed energy-efficient data reduction approach based on prediction and compression to reduce data transmission in IoT networks”, Int. J. Commun. Syst., vol 35, no 15, bl e5282, Okt 2022, doi: https://doi.org/10.1002/dac.5282.

[1] Low-poweroperation

[2] Sleeping