Le second thème concerne les réseaux à grande échelle et à gestion décentralisée. L’objectif global est l’optimisation des ressources en termes d’énergie et de coût de communication.
Pendant ces trois dernières années nous nous sommes intéressés aux défis scientifiques suivants :
– Modélisation stochastique et évaluation des performances.
– Contrôle, apprentissage et traitement décentralisés.
– Conception de protocoles MAC auto-adaptifs et routage optimal multicritères
– Une modélisation adéquate des réseaux permet de prédire leurs comportements, de les influencer et d’optimiser les ressources qui leur sont allouées. Par exemple, la modélisation de la diffusion d’information dans les réseaux sociaux permet l’identification des noeuds d’influence dans le réseau, le choix des diffuseurs initiaux d’un contenu afin de maximiser sa propagation, ou encore l’identification des liens à supprimer pour limiter la diffusion d’un contenu jugé nuisible. Comme deuxième exemple, on peut citer les réseaux de capteurs, qui se retrouvent au coeur de nombreuses applications couvrant des domaines aussi variés que la gestion d’énergie, l’environnement, la santé, l’intelligence ambiante, les transports, la sécurité, et l’agronomie.
La géométrie stochastique s’est avérée être un outil générique pour la modélisation probabiliste macroscopique des réseaux de télécommunications et des réseaux de capteurs sans-fil. Dans cette approche, la configuration d’un réseau est modélisée par une famille d’objets aléatoires (ensembles de points, graphes et pavages).
A l’UIR, nous avons utilisé cette approche pour modéliser les réseaux de communication futurs qui sont caractérisés par l’hétérogénéité, la coopération entre les utilisateurs, une certaine décentralisation, et l’accès dynamique des ressources reposant sur le principe de la radio cognitive.
Pendant ces trois dernières années, nous nous sommes concentrés sur l’utilisation de la géométrie stochastique pour modéliser et évaluer les réseaux grande échelle relatifs aux applications considérés dans ce projet. Nous avons par ailleurs, développé des modèles hybrides capturant les propriétés spatiales et temporelles du réseau.
Les changements de la topologie du réseau peuvent empêcher d’atteindre l’objectif global de coordination. Au CRAN avec nos collègues de l’UIR, nous avons orientés nos objectifs vers la préservation de la connectivité du graphe d’interconnexion. Nous avons développé au CRAN des techniques de commande prédictive décentralisées. Celles-ci s’appuient sur la théorie des ensembles et ont comme objectifs de trouver les commandes qui permettent aux états de rester dans certains invariants.
Le déploiement à large échelle des réseaux de capteurs sans fil exclut toute solution centralisée. Les algorithmes distribués et auto-adaptifs constituent la base de notre approche.
La plupart des protocoles MAC pour les réseaux de capteurs sans fil adopte le fonctionnement avec « duty-cycle ». Si ces protocoles sont plus ou moins efficaces en terme d’énergie, ils ne le sont pas tous en terme de la qualité de service de transmission de données, surtout lorsqu’il s’agit du trafic en rafale. Dans le cadre du projet ANR Quasimodo nous avons développé un nouveau protocole MAC (iQueue-MAC) qui offre la meilleure performance par rapport à celle de l’état de l’art.
Pendant ce projet, nous avons étendu ce travail pour prendre en compte aussi des noeuds de capteurs dotés de modules de récupération de l’énergie ambiante (energy harvesting).