Using Neural Networks for IoT Power Management

Abstract

De fleste enheter i Tingenes Internett (IoT) har begrenset batterilevetid. For å likevel kunne være pålitelige er de nødt til å utnytte batteriet på en så optimal måte som mulig. Dette prosjektet ser på hvorvidt nevrale nettverk kan brukes for å oppnå intelligent strømforbruk i IoT-enheter, spesifikt de som høster energi via solcellepaneler. Gitt data om tidligere værforhold, samt batteritilstand og potensielt andre parametere, reduserer det nevrale nettverket totalt strømforbruk ved å justere hvor ofte enheten kjører sin funksjon basert på hvor mye energi som er tilgjengelig.

Vi ser på en lang rekke nevrale nettverk, med fokus på hvordan nettverksstørrelse påvirker både minne- og energiforbruk. Vårt første resultat er grensen for hvor stort et nevralt nettverk kan bli før det ikke lenger passer i minnet til en IoT-enhet. Disse grensene ble observert som langt større enn størrelsen til et eksisterende nevralt nettverk trent for smart strømforbruk. Vi ser deretter på hvor mye energi som kan spares ved bruk av disse nevrale nettverkene. Naturligvis representerer bruken av et slikt nevralt nettverk også et energiforbruk. Ved å sammenligne energi spart med energi brukt kan vi få en idé om når et nevralt nettverk er verdt å inkludere. Vi kjørte eksperimenter på våre nevrale nettverk for å finne når, og hvorfor, de klarte å gå i null energimessig. Ved å bruke denne innsikten på vårt spesifikke strømforbruks-nettverk fant vi igjen at nettverket falt godt innenfor de estimerte grensene. Vi konkluderer dermed at nevrale nettverk virker passende for bruk i IoT-strømplanlegging.

Most devices in the Internet of Things (IoT) operate with limited battery life. To still provide a reliable service, they need to make optimal use of their total available energy. This project investigates whether neural networks can be used to implement intelligent power management in IoT devices, specifically those using energy harvesting techniques such as solar panels. Given input such as previous weather data and predicted weather forecast, the neural network helps save energy by adjusting the frequency of devices' operations based on available energy.

We investigate a wide range of such neural networks, looking at how network structure affects both memory footprint and power consumption. Our first finding is the limit at which neural networks become too large to fit in the memory of a typical IoT device. We found that these limits were well beyond the size of existing neural networks designed for IoT power management. We next examine how much energy can be saved using these neural networks. Of course, running an inference from a neural network is itself an operation that costs energy. By comparing the energy spent to the energy saved, we get an idea of when a neural network is worth including. We ran experiments on our neural networks to find when, and why, they were able to break even on energy. Applying this insight to our specific power management neural network, we again found that the network fell well within our estimated bounds. We thus conclude that neural networks indeed seem applicable to the IoT power management domain.