2 — Fundamentos de Sistemas Distribuídos e Consenso em Grafos
Para compreender corretamente os algoritmos de consenso em redes IoT e AIoT, é indispensável estabelecer primeiro o modelo matemático e conceitual no qual esses algoritmos operam. Diferentemente de sistemas centralizados, redes de sensores são descritas formalmente como sistemas distribuídos baseados em grafos, nos quais cada nó possui apenas conhecimento local e capacidade limitada de comunicação.
Uma rede IoT pode ser modelada como um grafo \( G = (V, E) \), onde o conjunto ( V ) representa os nós sensores e ( E ) representa os enlaces de comunicação entre eles. Dois nós são considerados vizinhos se existe um enlace direto entre eles. Essa modelagem é fundamental porque os algoritmos de consenso não assumem comunicação global, mas apenas trocas locais entre vizinhos. Em sistemas reais, isso reflete restrições físicas como alcance de rádio, topologia dinâmica e economia de energia.
Cada nó \( i \in V \) mantém um estado interno \( x_i(k) \), que pode representar diferentes grandezas: uma estimativa de temperatura média, o nível de ocupação de um canal de rádio, um parâmetro estatístico ou até o resultado parcial de uma inferência de aprendizado distribuído. O objetivo do consenso é fazer com que todos os estados \( x_i(k) \) converjam para um valor comum ou compatível, apesar de cada nó começar com medições diferentes.
Do ponto de vista matemático, a classe mais comum de algoritmos de consenso é descrita por dinâmicas iterativas lineares, da forma:
\[
x_i(k+1) = \sum_{j \in \mathcal{N}i \cup {i}} w{ij} , x_j(k)
\]
onde \( \mathcal{N}i \) é o conjunto de vizinhos do nó \( i \) e \( w{ij} \) são pesos associados às conexões. Essa equação expressa uma ideia simples, porém poderosa: cada nó atualiza seu estado como uma combinação ponderada do seu próprio estado e dos estados dos vizinhos. Sob condições adequadas de conectividade do grafo e escolha dos pesos, essa dinâmica garante convergência.
Em redes IoT e AIoT, essa formulação é particularmente atrativa porque:
- não exige sincronização global rigorosa;
- tolera atrasos e perdas de pacotes;
- é naturalmente escalável;
- pode ser implementada em microcontroladores com recursos limitados.
É importante destacar que o consenso não significa necessariamente igualdade exata de valores em todos os nós em tempo finito. Em muitos sistemas embarcados, a convergência é assintótica, e o critério prático de consenso é atingir um erro aceitável dentro de limites de tempo e energia compatíveis com a aplicação.
Outro ponto central é a conectividade do grafo ao longo do tempo. Em IoT real, enlaces podem falhar, nós podem dormir para economizar energia ou se mover fisicamente. A literatura mostra que o consenso ainda é possível se o grafo for conectado em média ao longo do tempo, conceito conhecido como conectividade conjunta. Essa propriedade é crucial para aplicações móveis e redes auto-organizáveis.
Por fim, em sistemas AIoT, o consenso deixa de ser apenas um mecanismo de agregação de dados e passa a ser um bloco estrutural para inteligência distribuída. Ele é utilizado como base para aprendizado federado, inferência cooperativa, fusão sensorial distribuída e adaptação cognitiva do sistema como um todo. Dessa forma, compreender esses fundamentos é essencial antes de analisar os algoritmos específicos.
