Implementación de un sistema cliente de gestión de configuración de dispositivos en aplicaciones de Internet de las Cosas (IoT) para sistemas reconfigurables FPGA en términos de desempeño
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Los dispositivos en redes IoT operan bajo restricciones estrictas de energía y recursos, y en particular, los nodos de borde deben responder a requisitos funcionales cambiantes en campo sin sacrificar el desempeño. En este aspecto, los dispositivos FPGA pueden resolver esta necesidad mediante Reconfiguración Parcial Dinámica, que permite actualizar la lógica de hardware sin interrumpir la operación del sistema. Asimismo, los dispositivos SoC-FPGA amplían esta capacidad al integrar hardware reconfigurable junto con un procesador de propósito general. Sin embargo, la gestión remota de los SoC-FPGA en redes IoT carece de integración con protocolos estandarizados de dispositivos. En respuesta, se implementó un cliente de gestión LwM2M sobre un sistema embebido con un SoC-FPGA Zynq-7000, que orquesta la Reconfiguración Parcial Dinámica de la FPGA mediante el subsistema FPGA Manager de Linux. Además, se caracterizó el desempeño del sistema en términos de tiempo de aprovisionamiento, velocidad de configuración, tiempo de registro inicial y consumo de recursos (RAM y CPU).
La arquitectura propuesta soporta dos modos de aprovisionamiento basados en LwM2M: aprovisionamiento directo desde el servidor vía CoAP (modo Push) y aprovisionamiento por descarga delegada al nodo vía HTTP/TCP (modo Pull). Este segundo se planteó luego de identificar las limitaciones del modo Push asociadas al mecanismo Block-wise Transfer de CoAP, cuyo comportamiento Stop-and-Wait limita la tasa de transferencia en el escenario evaluado a 3,74 KB/s (R^2 = 0,999). La campaña experimental se ejecutó a lo largo de 287 ciclos en una red WAN pública, abarcando 14 variantes de bitstream representativas de las cuatro regiones del diseño (configuración completa y tres regiones parciales), tres módulos funcionales (counter, lfsr, pass) y ambos estados de compresión. En este escenario, el sistema alcanzó una tasa de éxito del 100%, mientras que el consumo de recursos del nodo permaneció en márgenes compatibles con hardware embebido de gama media (RAM ~155 MB, CPU entre 9% y 60%).
Por su parte, el modo Pull alcanzó tasas de transferencia de hasta 3 692 KB/s, lo que representa mejoras de entre 85x y 329x frente al modo Push nativo. Al separar el análisis en plano de control (señalización LwM2M/CoAP) y plano de datos (transferencia del bitstream), se identificó que la señalización del plano de control es el componente dominante en el escenario Pull (~1 664ms por ciclo), trasladando el cuello de botella desde la transferencia de datos (limitante en Push) hacia el plano de control. En contraste, la compresión nativa del bitstream tuvo un efecto asimétrico según el modo de transferencia, con ahorros de tiempo entre 46% y 83% en Push y solo de 2% a 17% en Pull. Por último, la caracterización del registro LwM2M inicial (Cold Start) sobre 15 ciclos reportó una media de 10,2 s, valor que representa el 79% del tiempo total del ciclo Pull con reinicio previo del nodo, identificando al proceso de Bootstrap como el siguiente punto de optimización. (Texto tomado de la fuente)
Abstract
Devices in IoT networks operate under strict energy and resource constraints; edge nodes in particular must respond to changing functional requirements in the field without sacrificing performance. FPGA devices can address this need through Dynamic Partial Reconfiguration, which allows updating hardware logic without interrupting system operation. Likewise, SoC-FPGA devices extend this capability by integrating reconfigurable hardware together with a general-purpose processor. However, remote management of SoC-FPGA devices in IoT networks lacks integration with standardized device management protocols. In response, an LwM2M management client was implemented on an embedded system with a Zynq-7000 SoC-FPGA, orchestrating FPGA Dynamic Partial Reconfiguration through the Linux FPGA Manager subsystem. Additionally, system performance was characterized in terms of provisioning time, configuration speed, initial registration time, and resource consumption (RAM and CPU).
The proposed architecture supports two LwM2M-based provisioning modes: direct provisioning from the server via CoAP (Push mode) and node-delegated download via HTTP/TCP (Pull mode). The latter was introduced after identifying the limitations of Push mode associated with the CoAP Block-wise Transfer mechanism, whose Stop-and-Wait behavior limited throughput in the evaluated scenario to 3.74 KB/s (R^2 = 0.999). The experimental campaign spanned 287 cycles on a public WAN, covering 14 bitstream variants representative of the four design regions (full configuration and three partial regions), three functional modules (counter, lfsr, pass), and both compression states. Under this scenario, the system achieved a 100% success rate, while node resource consumption remained within bounds compatible with mid-range embedded hardware (RAM ~155 MB, CPU between 9% and 60%).
Pull mode reached up to 3,692 KB/s of transfer throughput, representing improvements of between 85x and 329x over native Push. When the analysis was separated into control plane (LwM2M/CoAP signaling) and data plane (bitstream transfer), control-plane signaling (~1,664 ms per cycle) emerged as the dominant component in the Pull scenario, shifting the bottleneck from data transfer (the limiting factor in Push) to the control plane. In contrast, native bitstream compression had an asymmetric effect depending on the transfer mode, with time savings of between 46% and 83% under Push and only 2% to 17% under Pull. Finally, characterization of the initial LwM2M registration (Cold Start) over 15 cycles yielded a mean of 10.2 s, a value representing 79% of the total Pull cycle time with prior device reboot, identifying the Bootstrap process as the next optimization point.
Descripción
ilustraciones a color, diagramas
Términos Normalizados
Aprendizaje supervisado (Aprendizaje automático); Supervised learning (Machine learning); Aprendizaje automático (Inteligencia artificial); Machine learning; 620 - Ingeniería y operaciones afines::621 - Física aplicada; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación; Inteligencia artificial; Artificial intelligence; Sistema experto; Expert systems