英文论文标题：MQTT based Adaptive Estimation over Distributed Network using Raspberry Pi Pico W
中文论文标题：使用 Raspberry Pi Pico W 的基于 MQTT 的分布式网络自适应估计
作者信息：
- Prantaneel Debnath
- Anshul Gusain
- Parth Sharma，IEEE研究生会员
- Pyari Mohan Pradhan，IEEE会员
论文出处：IEEE Embedded Systems Letters, VOL. XX, NO. X, APRIL 2024
主要内容概述：
摘要
随着对边缘计算应用的需求不断上升，对资源受限设备的有效训练变得至关重要。本文提出了一种基于MQTT的分布式估计策略的实现，这些策略用于物联网(IoT)环境，包括增量、共识和扩散策略。在仿真环境中使用Raspberry Pi Pico W的动机是其高级能力，同时采用MQTT数据协议来解决传统HTTP/HTTPS协议的局限性。通过集成一种新颖的方法来实现IoT网络中的同步，该方法使用了wait-for-slowest (WFS)协议和MQTT协议。此外，开发了一个由Django应用程序支持的GUI，允许通过HTTP REST API以及SQLite调整分布式策略中的参数。硬件实验得到的结果与仿真研究得到的均方性能有很强的相关性。将分布式估计策略与现有的集中式和非合作估计策略进行了比较，证明了其优越的性能。此外，还对这些IoT网络在面对多种网络威胁（如节点故障和模型中毒攻击）时的弹性进行了研究，并提供了理论分析来解释迭代次数与节点故障之间的关系。
第1节 引言
资源有限的边缘IoT节点的快速增长突显了IoT在智能家居、军事系统、智能城市、智能电网和智能农业等应用中的不断扩大的作用。随着连接设备数量的增加，传统的集中式方法可能会导致中央服务器不堪重负，从而导致性能下降和停机。此外，集中式系统存在单点故障，影响网络的可靠性。边缘节点与中央服务器之间的通信可能会引入延迟，特别是在地理分散的网络中。分布式自适应网络(DANs)通过在节点之间分配处理负载，消除中央服务器瓶颈，并增强网络的弹性来应对这些挑战。在DAN中，每个节点都本地处理数据并与邻近节点协作，减少了通信开销和延迟。这种方法允许网络动态适应变化的条件，提高了鲁棒性和响应性。本地处理确保决策更接近数据源，对延迟至关重要的实时应用有利。
第2节 分布式估计网络
在分布式多智能体网络中，每个代理k的估计和适应过程取决于其自身和邻居的数据。考虑一个由N个节点组成的网络，如果它们是几何邻居或通过中间节点传递的通信路线相连，则它们是双向连接的。定义节点k的邻居集合为Nk。每个节点都受到流数据{dk(i), uk(i)}的制约，其中uk(i)代表输入回归向量，dk(i)代表期望信号。系统满足回归模型dk(i) = uk(i)wo + ηk(i), i ≥ 0, k = 1, 2, ..., N，其中wo是与网络相关联的未知权重向量。估计的目标是估计wo，以最小化与网络相关的成本Jk(w)。这可以通过分布式方式实现minw J(w) = minw ΣN k=1Jk(w)，其中Jk(w)是每个节点相关的成本，w是对wo的估计。包括增量、共识、适应然后组合(ATC)和组合然后适应(CTA)扩散策略在内的多种分布式策略被用来最小化成本minw ΣN k=1 Jk (w)。
第3节 系统架构
本节概述了使用Raspberry Pi Pico W的分布式网络的架构设计。实现包括一个用于调整训练设置的图形用户界面(GUI)控制面板，一个用于实时性能监控的仪表板，以及一个运行低成本传感器分布式自适应算法的Raspberry Pi Pico W节点的后端网络。节点之间的通信是通过HiveMQ代理控制的MQTT协议实现的。网络以网状拓扑结构相互连接，每个节点直接或通过多跳路线与其他节点连接。每个节点通过HiveMQ代理订阅其相邻节点的主题，并异步传输估计值w，将它们存储在消息队列中。节点顺序处理这些消息以更新w的值。
第4节 实验设置和结果
实验中，控制面板GUI是使用搭载Apple M1 3.2GHz处理器、8GB RAM和MacOS Sonoma 14.4的Apple MacBook Air设计的。Pico W使用MicroPython进行编程。图1b说明了正在研究的实时应用的网络。每个节点使用DHT传感器模块记录输入，而BME传感器为训练阶段提供期望信号。
第5节 结论
这项研究展示了使用Raspberry Pi Pico W硬件实现各种分布式估计策略，如增量、共识和扩散策略的实用性。节点之间的数据传输是通过MQTT协议实现的，这是一种轻量级协议，提供包括WFS协议在内的多种功能。在比较实验和仿真的均方误差(MSE)曲线时，注意到共识策略对于正在研究的应用来说，比其他所有分布式策略都提供了更优越的性能。此外，所提出的分布式估计策略在收敛速度和稳态均方误差方面优于集中式和非合作策略。这项研究还检验了这些策略在节点故障和模型中毒攻击期间的性能。