08.09.2026, 12:00 Uhr
Universität Wien
Besprechungsraum 6.35
Währinger Str. 29
1090 Wien
Titel: Sustaining Edge AI Training Under Intermittent Power:
Migration Strategies for Energy-Harvesting Devices
Kurzfassung:
Edge Devices, die in abgelegenen Orten eingesetzt werden, sind zunehmend auf Strom
aus erneuerbaren Energien angewiesen, um die lokalen Berechnungen und das Training
von KI-Modellen aufrechtzuerhalten. Die durch Energy Harvesting gewonnene Energie
ist jedoch von Natur aus unzuverlässig, weshalb die Ausführung von KI-Modellen durch
unvorhersehbare Energieausfälle jederzeit unterbrochen werden kann. Daher stellt die
Persistenz des Trainingsfortschritts über solche Ausfälle eine grundlegende Herausforderung
in Edge Computing Szenarien dar, in denen eine stabile Verbindung zur Cloud nicht
gewährleistet oder gänzlich unverfügbar ist.
Diese Arbeit untersucht, wie das KI-Training auf Edge Devices aufrechterhalten werden
kann, indem die Workloads, bestehend aus dem KI-Modell selbst oder den Trainingsdaten,
vor einem Informationsverlust auf benachbarte, aktive Edge Devices migriert werden.
Zu diesem Zweck werden 3 verschiedene Migrationsstrategien evaluiert, welche eine
reaktive, eine proaktive und eine hybride Strategie umfassen. Die reaktive Strategie
basiert auf einem serverzentrierten Heartbeat-Monitoring, welches die Erstellung eines
Checkpoints des KI-Modells oder der Trainingsdaten auslöst und diesen bei Bedarf auf
einen verfügbaren Partner überträgt. Der proaktive Ansatz hingegen lässt die Edge
Devices ihre eigene Energieversorgung überwachen. Diese Devices verwenden einen
definierten Schwellenwert in der Stromzufuhr als Auslöser, um eine vollständige Migration
des KI-Modells oder der gesamten Datenmenge einzuleiten. Die hybride Strategie hingegen
kombiniert schließlich beide vorangegangenen Mechanismen indem die Edge Devices ihre
eigene Energieversorgung überwachen. Sobald der Schwellenwert unterschritten wird, wird
ein Checkpoint erstellt und ein Partner mit ausreichender Rechenkapazität ausgewählt,
welcher den Checkpoint übernimmt und die Ausführung fortsetzt. Dabei setzt die hybride
Strategie auf eine uneingeschränkte Partnerwahl, variable KI-Modell Limits pro Gerät
und dynamische Stromschwellenwerte. Ergänzend wird untersucht, welchen Einfluss
Optimierungsmaßnahmen wie Load Balancing und die Erweiterung der Edge Devices um
eine Batterie auf die Gesamtperformance haben.
Die Evaluierung dieser Arbeit erfolgt mithilfe einer Simulation, welche auf real gemessenen
Solar- und Winddaten basiert. Diese Daten stammen aus dem Datensatz "UK Power
Networks Photovoltaic Solar Panel Energy Generation" von der Regionalverwaltung des
Großraums Londons [Aut]. Der Datensatz umfasst 69.480 Einträge mit 38 Attributen und
wurde an 5 verschiedenen Messstationen in London über einen Zeitraum von November
2013 bis zum November 2014 erhoben. Da die Simulation auf empirischen Messdaten und
nicht auf synthetischen Daten beruht, bildet der experimentelle Aufbau die Gewinnung
von Solar- und Windenergie realitätsnah ab.
Die Ergebnisse der Experimente zeigen, dass die reaktive Strategie nur bei einer
großen Anzahl an Partnern eine hohe Zuverlässigkeit erreicht. Grundsätzlich ist die
proaktive Strategie dadurch eingeschränkt, dass Schwankungen in der Stromversorgung
nicht zuverlässig von tatsächlichen Stromausfällen unterschieden werden können, weshalb
häufig falsch-positive Migrationen eingeleitet werden. Dem gegenüber erzielt die hybride
Strategie, sowohl für die Datenmigration als auch für die Migration von KI-Modellen, die
höchste Migrationserfolgsrate (MSR) von etwa 99.4% im Durchschnitt. Darüber hinaus
steigert das Load Balancing die MSR der reaktiven Strategie auf 96% und reduziert
die Migrationshäufigkeit der proaktiven Strategie um 39% bis 45%. Die Einführung
einer kleinen Batterie verringert die Migrationshäufigkeit über alle 3 Strategien hinweg,
während die dynamischen Stromschwellenwerte der hybriden Strategie einen gegenteiligen
Effekt auf das Migrationsverhalten aufweisen.
Hinsichtlich der Kontinuität der KI-Modellausführung, gemessen am kumulativen
Program Counter aller 9 KI-Modelle, erzielt die hybride Strategie mit einem Wert von
8932 von maximal 9000 die höchste Leistung. Die reaktive Strategie erreicht maximal
einen Program Counter von 8776, während die proaktive Strategie maximal 4598 erzielt.
Die Erweiterung der Geräte um eine kleine Batterie verbessert den Program Counter bei
der reaktiven und proaktiven Strategie erheblich und versetzt die hybride Strategie in die
Lage, die vollständige Ausführung aller KI-Modelle über die gesamte Simulation hinweg
zu gewährleisten.