论文标题：Optimizing LoRa for Edge Computing with TinyML Pipeline for Channel Hopping（针对边缘计算优化LoRa的TinyML信道跳变管道）
作者信息：Marla Grunewald, Mounir Bensalem 和 Admela Jukan，来自德国布伦瑞克工业大学（Technical University of Braunschweig, Germany），邮箱分别为 {marla.grunewald, mounir.bensalem, a.jukan}@tu-bs.de。
论文出处：arXiv:2412.01609v1 [cs.NI] 2 Dec 2024
摘要： 本文提出了一种将长距离LoRa（Long-Range）通信解决方案集成到物联网（IoT）到边缘计算系统的数据发送中的方法。通过利用其非授权频谱的特性和在边缘计算中常见的开源实现，提出了一种信道跳变优化模型，并基于TinyML实现了LoRa传输的信道跳变模型。同时，通过实验研究了一种快速预测算法，用于在边缘和物联网设备之间寻找空闲信道。在包含LoRa、TinyML和物联网-边缘-云连续体的开源实验设置中，集成了一种新颖的应用程序工作流程和云友好的协议解决方案。在一个植物推荐应用的案例研究中，结合了微农业和城市计算的概念。在LoRa优化的边缘计算设置中，工程化应用程序工作流程，并应用协同过滤和各种机器学习算法对收集到的应用数据进行处理，以识别和推荐城市特定微农场的种植时间表。在LoRa实验中，测量了数据包丢失、RSSI和SNR的发生情况，并使用随机信道跳变方案与我们提出的TinyML方法进行比较。结果表明，使用TinyML在微控制器中进行信道跳变是可行的，同时证明了TinyML在学习预测LoRa传输最佳信道选择方面的有效性，并通过与随机跳变机制相比，RSSI提高了63%，SNR提高了44%。
引言： LoRa是一种依赖非授权频谱和CSS调制的知名长距离通信协议。在快速发展的物联网-边缘-云计算领域，LoRa与物联网、边缘和云计算的集成，为新应用的发展提供了更多可能性。结合边缘计算，LoRa可以帮助更有效地利用带宽，将一些基于机器学习的任务从云端卸载到边缘。优化LoRa以适应边缘计算带来了许多新的研究挑战，包括缺乏将LoRa通信转换为边缘计算可用的协议，以及LoRa设备需要额外的硬件来在LoRa频率上运行等。
相关工作： LoRa与物联网、边缘和云计算连续体的集成并非新尝试，但在研究社区中并未得到广泛研究。以往的研究包括利用边缘计算来提高LoRa的带宽利用率，以及使用LoRa传输低分辨率图像以降低整体能耗。LoRa的通信过程涉及发送节点、LoRa网关，以及在LoRaWAN中负责数据处理的服务器。为了优化LoRa性能以适应边缘计算，本文使用频率跳变来加快在宽频带内多个频率之间的载波频率切换。
系统描述： 本文提出了一种新的频率跳变机制，以识别指定频带内使用较少的子频率。这种方法旨在平衡现有频带的使用，最小化冲突，并确保公平可靠的频带使用。同时，描述了使用TinyML实现的信道跳变机制，并分析了所得到的结果。
信道跳变优化： 定义了LoRa终端节点和网关的集合，以及用于LoRa传输的频率集合。提出了一个二元决策变量来表示信道分配问题，并定义了碰撞因子。优化问题的目标是最小化碰撞次数和信道跳变次数。提出了一个混合整数线性规划（MILP）问题，并讨论了其计算复杂性。
TinyML管道用于信道跳变： 提出了使用TinyML自动化信道跳变决策的方案。TinyML管道包括数据收集和清洗、训练和压缩以及芯片内推理三个主要组成部分。训练阶段需要在服务器上进行，然后将训练好的模型压缩并部署到物联网节点上。在物联网节点上，使用TinyML模型来决定下一个要跳变的信道。
TinyML放置讨论： 讨论了在物联网节点和LoRa网关上放置TinyML模型的优缺点。在物联网节点上进行频率跳变有助于可扩展性，并且可以使通信适应环境条件。然而，这也需要终端节点和网关之间的双向通信。在网关上放置TinyML模型只需要物联网和边缘之间的单向LoRa通信，但这种方法在扩展系统时不够灵活。
案例研究：城市计算连续体与植物推荐应用： 本节介绍了一个城市计算连续体的案例研究，该连续体结合了LoRa信道跳变和边缘计算，以及一个针对城市园艺的植物推荐系统。植物推荐系统根据每个花园土壤的独特成分为城市微农民选择最合适的植物。
应用工作流程工程： 描述了与LoRa集成的应用工作流程，包括从用户请求土壤传感器数据开始，到通过LoRa网关将数据传输到边缘，再到云端进行机器学习训练和推理的整个过程。
IoT上下文：数据收集： IoT上下文涉及数据的聚合，可以通过传感器收集数据，也可以通过用户手动输入数据。假设IoT设备是低功耗、资源受限的硬件，如微控制器，与不同的传感器接口。
边缘上下文：推理和数据处理： 在边缘上下文中，LoRa网关接收消息并为原始应用数据添加适当的值，然后将其转发到与边缘计算设备连接的数据库。边缘还负责管理终端设备ID和用户，以及应用机器学习模型的推理和向最终用户提供反馈。
云上下文：协同过滤： 在云端，对完整数据集或基于手动排名的稀疏数据进行模型训练。在训练机器学习模型之前，对稀疏矩阵进行预处理，将其转换为完整矩阵，确保数据集适合训练过程。
实验和模拟结果： 本节展示了实验和模拟结果，包括对低功耗通信解决方案（LoRa）在提出的TinyML辅助信道跳变解决方案的背景下，从物联网设备到边缘传输传感器数据的效率进行了比较分析。还展示了基于协同过滤的应用性能结果，以解决数据不完整的问题。
LoRa性能： 实验设置用于测量LoRa性能，以评估所提出的信道跳变算法对边缘计算的有效性。实验通过在实验室环境中放置三个LoRa物联网终端节点（设备A、B和C）进行。
TinyML性能： 在TinyML实验中，模型有两个密集层，使用L1核正则化器，在输出层使用softmax激活函数，大小等于信道数，并使用Adam优化器。数据被分为训练、验证和测试集，分布分别为60%、20%和20%。训练后，TinyML模型用于预测未来的信道跳变，并与随机猜测方法在平均RSSI、平均SNR和PDR方面进行比较。
应用性能： 对于之前实验中实现的基线配置，本节展示了通过模拟获得的应用性能。分析了协同过滤性能，并展示了不同数据稀疏性水平下算法的准确性、均方误差（MSE）、模型训练时间和推理时间。
结论： 本文提出了一种使用TinyML基于频率跳变算法优化LoRa传输的方法，考虑了信道感知以实现可靠的通信。将这一概念集成到了物联网-边缘-云计算架构中，并在城市计算中的植物推荐应用中测试了其性能。开发了一个数学模型，用于实现最佳频率跳变，该模型考虑了历史信道占用数据以及当前的RSSI和SNR值。通过讨论确定了在终端设备或网关上实施TinyML模型的最佳位置，并通过实验测试床进行了实施。TinyML的性能结果表明，该模型能够从实验室设置中自收集的数据中学习模式，并以大约80%的准确率预测物理层中下一个LoRa消息最合适的信道。开发的模型已被压缩到可以部署在ESP32微控制器上的大小，并结合了LoRa操作的代码。所有在物联网、边缘和云层的实现都是开源的。最后，本文通过一个案例研究展示了所提出的信道跳变算法的实用性。该案例研究结合了一个植物推荐系统，该系统根据用户土壤的特性为100种植物的种植提供了建议。系统旨在适应由个体用户引入的数据稀疏性。这部分应用处理在云端使用余弦相似性进行，生成的数据可用于训练应用中的机器学习模型以进行推荐过程。结果表明，除了一种算法外，所有测试的算法在给定数据集上的准确度都在90%以上。未来的工作计划测试更广泛的TinyML设备在物联网-边缘-云计算连续体中的操作应用，朝着一个完全开源的系统发展，以供实验使用。
