Volume 32, Issue 2

ABSTRACT There are two major current trends that can easily be identified in computer industry: (i) the shift towards massively parallelization fostered by multi-core technology resulting in growing numbers of cores per processor and (ii) the increasing importance of energy-awareness in computing due to rising energy costs and environmental awareness. In current operating systems, these two issues are often addressed independently: one component, the scheduler, assigns processes to cores and a second component manages the power states of individual cores in time. In this paper, we explain why this orthogonal treatment can lead to problems such as a considerably degraded system performance in case of on-demand processor power state management. Furthermore, we present an approach to energy-aware multi-core scheduling at the operating system level avoiding the performance penalty while still saving energy. To corroborate our argumentation and to illustrate the applicability of the presented approach, we give numbers from experiments based on Linux and current multi-core processors.

ZUSAMMENFASSUNG Die Herausforderung des Powermanagements von Desktop- und Notebooksystemen liegt in der Vorhersage des Nutzungsverhaltens einzelner Bestandteile oder des gesamten Systems in naher Zukunft. Neben dem Blick in die Zukunft ist bei vielen zu steuernden Geräten ebenfalls die Ermittlung des Nutzungszustands schwierig, da sich dieser, wie beispielsweise im Fall des Displays, nicht direkt aus den für das System messbaren Daten ermitteln lässt. Verschiedene vorhersagende sowohl statische als auch dynamische Verfahren, haben sich dieser Herausforderung gestellt. Untersuchungen im Rahmen dieser Veröffentlichung zeigen jedoch, dass die statischen Verfahren im Kontext von Desktop- und Notebooksystemen eher ungeeignet sind, da sie das stark vom Nutzer aber auch dem jeweiligen Anwendungsfall abhängige Nutzungsverhalten zu sehr verallgemeinern. Der Einsatz der meisten bekannten dynamischen Verfahren in reellen Systemen scheitert häufig an zu hoher Speicher- oder Laufzeitkomplexität. Das in dieser Veröffentlichung vorgestellte Verfahren kombiniert dynamische vorhersagende mit klassischen timeout-basierten Verfahren. Die statistische Repräsentation und Auswertung der aufgenommenen Daten reduziert hierbei stark den Speicher- und Rechenzeitbedarf. Fehlinterpretationen bei der Ermittlung des Nutzungszustands der zu steuernden Geräte werden durch eine Fehlerkorrektur adaptiert, so dass diese nach einer Anlernphase nicht mehr zu weiteren Fehlentscheidungen führen. Das inzwischen zum Patent angemeldete Verfahren wurde in ein kommerzielles Produkt integriert, mit dem Messungen in einem reellen Szenario durchgeführt wurden. Hierbei ergab sich im Vergleich zu statischen timeout-basierten Powermanagementverfahren eine signifikant bessere Ausnutzung der zur Abschaltung einzelner Geräte oder des gesamten Systems nutzbaren Zeiträume bei gleicher oder geringerer Fehlerhäufigkeit. Am Beispiel einer fünfstündigen Zugfahrt wurde gezeigt, dass eine Verlängerung der Laufzeit von 38min bei eingestreuten Pausen von insgesamt einer Stunde möglich ist. Der geringe Speicher- und Rechenzeitbedarf des Verfahrens ermöglicht dessen problemlosen Einsatz in heute gängigen Betriebssystemen zur Steuerung des Powermanagements von Desktop- und Notebooksystemen.

ABSTRACT Energy is the most limiting resource in sensor networks. This is particularly true for dynamic sensor networks in which the sensor-net application is not statically planned. We describe three components of our energy management system for nodes in such dynamic sensor networks: A flexible energy model and an accounting infrastructure for making sensor nodes energy-aware, and Energy Containers for managing the energy accounting information.

ZUSAMMENFASSUNG Häufig setzen potentielle Anwender von RFID und Smart Objects ihre Visionen nicht in entsprechende Projekte um, da die technische Machbarkeit nur schlecht und nicht frühzeitig genug abgeschätzt werden kann. Hinsichtlich drahtloser Sensornetze ist die frühzeitige Klärung der Frage nach der zu erwartenden Lebensdauer eines Sensorknotens in Abhängigkeit der gewählten Anwendung von besonderem Interesse. Im Rahmen dieses Papiers wird daher ein analytisches Verfahren vorgestellt, mit dem man – ausgehend von einem Entwurf eines anwendungsspezifischen Algorithmus und möglichst frühzeitig im Entwicklungsprozess – die Lebensdauer eines batteriebetriebenen Sensorknotens mit hoher Güte prognostizieren kann. Dieses Verfahren ist dabei bewusst einfach gehalten, da zu Beginn eines Entwicklungsprozesses vergleichsweise wenige Daten zur Verfügung stehen, die als Berechnungsgrundlage dienen könnten.

ABSTRACT Wireless sensor networks suffer from limited resources, in particular finite energy supply. A common way to save energy is reducing radio transmissions by using in-network data aggregation, which is very sensitive to non-cooperative nodes, e.g., nodes that have been compromised by an attacker. Usually, security to such attacks can only be achieved by spending considerably more energy. In this paper, we present the ESAWN framework, a highly customizable protocol for secure in-network data aggregation. The main contribution of ESAWN is providing gracefully degrading security guarantees, in particular dataauthenticity. Instead of providing ‘full’ authenticity, we only assure an aggregate to be authentic with a given probability. This is done by propagating aggregates on redundant paths, allowing other nodes to check correctness. Hence, a user can trade-off security against energy in a very fine-grained manner. We present both analytical and MICA2-based simulation results, showing the practicality of our approach. For example, with 10% compromised nodes, ESAWN saves, up to 70% energy while degrading authenticity by 5%.

ABSTRACT Constrained energy and computational resources of sensor nodes are the two most critical limitations of sensor networks. Moreover, sensor nodes are envisioned to be deployed at inaccessible, remote and harsh physical environments where exchanging node's power supply is not feasible. Therefore, it is essential for sensor network developers to thoroughly evaluate and fine-tune their applications from energy and timing perspectives. As incorrect energy estimates could result in underperformance or possible breakdown of real sensor deployments before fulfilling the desired operation. Modeling energy-states of each hardware device and the time duration it spends in each state is the basic requirement for accurate energy prediction in discrete event based simulations. In this article we present the architecture of our power related extensions to TimeTOSSIM – a TinyOS based simulation environment for sensor network evaluation. It employs fine grained, automated instrumentation of simulation models with cycle counts derived from application binaries to enable time accurate simulations. By instrumenting the simulation models with timing information we can capture the duty-cycle and energy-state of each hardware component. As a result, the energy consumption of each component of a sensor node can be computed. The presented approach achieves highly precise time accuracy when compared to emulation.

ABSTRACT Simulation is frequently used to evaluate the performance of networking algorithms and techniques in wireless communication networks. However, performance aspects such as the transmission delay, the channel utilization, or the throughput provide only limited information about the feasibility of the particular approach. This is especially the case when investigating Wireless Sensor Networks (WSNs), which stress energy-efficiency due to extremely limited power source in sensor nodes. Thus, a precise evaluation of the energy efficient performance is demanded. In this paper, we present a generic energy model developed for the simulation framework OMNeT++. The model allows to accurately evaluate the energy performance (in terms of energy consumption or network lifetime) of sensor networks (or in principle any wireless network), taking into account the energy consumption of both the radio transceiver and the CPU. The energy model can be calibrated to arbitrary types of sensor nodes if power measurements are available for the node type. The applicability of the developed energy model is demonstrated in a selected application scenario: the analysis of the energy consumption in IEEE 802.15.4 star networks. Additionally, we outline the need for more complex metrics compared to the energy consumption of single nodes to evaluate the lifetime of the whole sensor network.