Forschung > Projekte > Self-E

Selbstorganisierendes Energiemanagement in Middleware-basierten eingebetteten Systemen

Beteiligte an der Hochschule

  • Dipl.-Inform. (FH), M.Sc. Marcus Thoss

Kooperationspartner

  • Johann Wolfgang Goethe-Universität Frankfurt, Frankfurt am Main

Laufzeit

Beginn: September 2009
Ende: Juli 2012

Finanzierung

  • SENSYBLE Doktorandenkolleg
  • Hochschulmittel

Veröffentlichungen

  • Kröger, Reinhold; Schäfer, Jan; Thoss, Marcus: "Von eingebetteten zu soziotechnischen Systemen: Potenzial und Forschungsbedarf auf dem Gebiet der IT im AAL-Umfeld", VDE VERLAG, BMBF/VDE Innovationspartnerschaft AAL, ISBN: 978-3-8007-3420-7, März 2012 (BibTeX)
  • R. Kröger; W. Lux; U. Schaarschmidt; J. Schäfer; M. Thoss; O. von Fragstein: "The WieDAS AAL Platform: Architecture and Evaluation", VDE Verlag GmbH, Berlin/Offenbach, Wohnen - Pflege - Teilhabe. 7. Deutscher AAL-Kongress mit Ausstellung, 21.-22. Januar 2014, Berlin, ISBN: 978-3800735747, Januar 2014 (BibTeX)

Kurzbeschreibung

Das Schlagwort der Energiekrise wird im gesellschaftlichen und technischen Diskurs auf verschiedenen Ebenen zunehmend thematisiert. Damit einhergehend nimmt auch für IT-Systeme die Berücksichtigung von Energiehaushalt und Energieeinsparung einen immer höheren Stellenwert ein. Um "Energy Awareness", ein geplantes, vorausschauendes energetisches Verhalten in einem verteilten, eingebetteten System zu erreichen, sind einige grundsätzliche Anforderungen zu erfüllen. Zunächst müssen Energiebudgets auf Knotenebene verwaltet werden können. Insbesondere für Systeme, die auf Energy Harvesting basieren, erfordert dies die Fähigkeit, Energiegewinnung und -verbrauch messen und erfassen zu können. Beide Größen können durch Umwelteinflüsse, denen vor allem Sensorknoten ausgesetzt sind, oft kurzfristigen und drastischen Veränderungen unterworfen sein. Rein auf Simulationsmodellen basierende Ansätze sind nur bedingt geeignet, derartige Einflüsse, vor allem bei sporadischem Auftreten, abzubilden. Der Ansatz des vorliegenden Projekts basiert stattdessen auf der Vermessung von Energieerzeugung und -verbrauch durch Sensoren auf den tatsächlichen Knoten und der unmittelbaren Abbildung des ermittelten Verbrauchs auf die verursachenden Anwendungsaktivitäten des jeweiligen Knotens. Die so ermittelten Kennwerte werden dem verteilten System über Annotationen des Energieaufwands an den korrespondierenden verarbeiteten und bereitgestellten Anwendungsdaten zur Verfügung gestellt. Die Verteilung der annotierten Daten erfolgt über eine datenzentrierte Middleware-Schicht, in der der vordergründig modellierte gemeinsame Datenraum um Energieattribute der Datenelemente erweitert wird. Diese Attribute bilden neben quantitativen Angaben von Energiemengen auch qualitative Aussagen über den Nutzen der mit der investierten Energie erzeugten Daten bzw. die Art der Energiequelle, etwa hinsichtlich Erneuerbarkeit, als Kostenfaktor ab. Mit der Aggregation der Anwendungsdaten in höheren Abstraktionsschichten, die ebenfalls den gemeinsamen Datenraum zur Austausch nutzen, werden in analoger Weise auch die Energiewerte aggregiert und annotiert. Zur Optimierung von Energiehaushalten wird ein Energie-orientiertes Metamodell verwendet, das ein in einem Partnerprojekt entwickeltes Framework für Selbstmanagement speist. Die für das Selbstmanagement notwendige Fähigkeit zur Adaption erlangt das verteilte System über Managementoperationen, mit denen Knoten und Zykluszeiten für die Sensordatenerfassung und -aufbereitung ausgewählt werden können. Ziel ist auf oberster Ebene die Nutzung des Selbstmanagement-Ansatzes zur Optimierung des Energieverbrauchs unter Berücksichtigung der den Energiequellen zugeordneten Kosten.
With our societies' facing multiple energy crises, energy awareness has gained importance from a subordinate requirement towards a major one for IT systems. To enable energy awareness within a distributed embedded systems architecture, there are several top-level requirements to be fulfilled. First, energy budgets must be manageable on a per-node level. Especially in energy harvestig scenarios, this means monitoring and accounting of both energy collection and energy consumption. As embeded nodes are exposed to environmental influences, both may change rapidly and on large scales in a manner that is hard to capture with methods relying on simulation models only. Instead, in the work presented here, energy consupmtion and collection is tracked by the nodes themselves using local sensors, and the measured energy values are subsequently mapped to the corrsponding data-processing activities on the node. Energy data are then made availabe to other nodes using energy annotations attached to the data structures in whose creation the energy has been invested, communicated through a data-centric middleware layer. In addition to quantitatively measuring energy, the measurements are qualitatively tagged with attributes of usefulness of the energy investment and and cost for energy production, including renewablility aspects. On higher-level processing layers, the basic energy budgets are further aggregated as the corresponding data are aggregated. To optimize energy budgets, an energy-specific metamodel is established that is fed to a self-management architecture that has been created in a peer thesis. Management actions like selecting nodes for data collecion and processing and modification of capture and processing frequencies are used to adaptively control the distibuted node set in order to optimize energy budgets with respect to the amount of energy consumed and the cost attributed to the sources providing the energy.