In-Network Processing (INP) is an effective way to aggregate and process data from different sources and forward the aggregated data to other nodes for further processing until it reaches the end user. There is a trade-off between energy consumption for processing data and communication energy spent on transferring the data. An essential requirement in the INP process is to ensure that the user expectation of quality of information (QoI) is delivered during the process. Using wireless sensor networks for illustration and with the aim of minimizing the total energy consumption of the system, we study and formulate the trade-off problem as a nonlinear optimization problem where the goal is to determine the optimal data reduction rate, while satisfying the QoI required by the user. The formulated problem is a Signomial Programming (SP) problem, which is a non-convex optimization problem. We propose two solution frameworks. First, we introduce an equivalent problem which is still SP and non-convex as the original one, but we prove that the strong duality property holds, and propose an efficient distributed algorithm to obtain the optimal data reduction rates, while delivering the required QoI. The second framework applies to the system with identical nodes and parameter settings. In such cases, we prove that the complexity of the problem can be reduced logarithmically. We evaluate our proposed frameworks under different parameter settings and illustrate the validity and performance of the proposed techniques through extensive simulation.

中文翻译：

---

网络内数据处理的分布式优化框架

网络内处理（INP）是一种有效的方法，可以聚合和处理来自不同来源的数据，并将聚合后的数据转发到其他节点进行进一步处理，直到到达最终用户为止。在处理数据的能耗与传输数据所花费的通信能量之间需要权衡。INP流程中的一项基本要求是确保在流程中达到用户对信息质量（QoI）的期望。使用无线传感器网络进行说明，并以最小化系统的总能耗为目标，我们将权衡问题研究和公式化为非线性优化问题，其目的是确定最佳数据缩减率，同时满足QoI用户要求。提出的问题是信号编程（SP）问题，这是一个非凸优化问题。我们提出两个解决方案框架。首先，我们引入一个等效的问题，即原来的问题仍然是SP和非凸，但是我们证明了强对偶性成立，并提出了一种有效的分布式算法，以在获得所需QoI的同时获得最佳数据缩减率。第二个框架适用于具有相同节点和参数设置的系统。在这种情况下，我们证明了问题的复杂性可以对数地降低。我们评估我们在不同参数设置下提出的框架，并通过广泛的仿真来说明提出的技术的有效性和性能。我们引入了一个等效的问题，即原来的问题仍然是SP和非凸，但我们证明了强对偶性成立，并提出了一种有效的分布式算法，以在获得所需QoI的同时获得最佳数据缩减率。第二个框架适用于具有相同节点和参数设置的系统。在这种情况下，我们证明了问题的复杂性可以对数地降低。我们评估我们在不同参数设置下提出的框架，并通过广泛的仿真来说明提出的技术的有效性和性能。我们引入了一个等效的问题，即原来的问题仍然是SP和非凸，但我们证明了强对偶性成立，并提出了一种有效的分布式算法，以在获得所需QoI的同时获得最佳数据缩减率。第二个框架适用于具有相同节点和参数设置的系统。在这种情况下，我们证明了问题的复杂性可以对数地降低。我们评估我们在不同参数设置下提出的框架，并通过广泛的仿真来说明提出的技术的有效性和性能。第二个框架适用于具有相同节点和参数设置的系统。在这种情况下，我们证明了问题的复杂性可以对数地降低。我们评估我们在不同参数设置下提出的框架，并通过广泛的仿真来说明提出的技术的有效性和性能。第二个框架适用于具有相同节点和参数设置的系统。在这种情况下，我们证明了问题的复杂性可以对数地降低。我们评估我们在不同参数设置下提出的框架，并通过广泛的仿真来说明提出的技术的有效性和性能。