De la Routine Humaine vers des Réseaux Mobiles Plus Efficaces

From Human Routine to More Efficient Mobile Networks

• Auteur / Autrice : Eduardo Mucelli Rezende Oliveira
• Direction : Aline Carneiro Viana
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2015
• Etablissement(s) : Palaiseau, Ecole polytechnique

Mots clés

Mots clés contrôlés

Réseaux corporels sans fils

Mobilité sociale

Mots clés libres

Routine humaine

Trafic de données

Déchargement de données

Résumé

L’omniprésence des communications a entraîné une récente augmentation des volumes de données mobiles, pour laquelle les opérateurs n’étaient pas toujours préparés. Les smartphones sont les plus gros consommateurs de données mobiles. Ces appareils peuvent être considérés comme méchants à cause d’un tel traffic, mais d’un point de vue analytique ils fournissent, aujourd’hui un des meilleurs moyens afin de collecter les données sur le comportement de consommation et de mobilité de grande échelle. Comprendre le comportement des utilisateurs sur leur mobilité et leur connectivité est nécessaire à la création d’un système de communication effectifs. Nous sommes routiniers. Ces cycles routiniers sont une grande partie de nos interactions avec le monde. Par exemple, nos habitudes definissent ce que l’on va faire le samedi ou les sites que nous consultons le lundi matin. Ces comportements répétés reflètent nos déplacements et activités en ligne. Dans cette thèse, nous allons nous concentrer sur les demandes de traffic générées par les usagers métropolitains durant leurs activités quotidiennes. Nous présentons une étude détaillée des usagers selon les comportements routiniers de mobilité ou d’activité sur internet. Dans une étude de cas, ou cette enquête serait utile, nous proposons une stratégies de déploiement de points de accès qui prendra en compte les aspects routiniers de la mobilités des utilisateurs. Nous étudirons en premier lieu, les modèles de mobilité en milieu urbain. Nous analyserons les données de mobilité à grande échelle dans de grandes villes comme Beijing, Tokyo, New York, Paris, San Francisco, London, Moscow, Mexico City. Cette contribution se fait en deux étapes. Premièrement, nous observerons les similitudes des déplacements peu importe la ville concernée. Ensuite, nous mettrons en évidence trois caractéristiques présentes dans les déplacements d’une population urbaine typique: Répétivité, utilisation de raccourcis, confinement. Ces caractéristiques sont dues à la tendance qu’ont les personnes à revisiter les même rues en utilisant les trajectoires proches du chemin le plus court. D’ailleurs, les personnes ont une mobilité quotidienne inférieure à dix kilomètres par jour. Nous avons ensuite étudié les modèles de demandes de traffic en utilisant une base de données comprenant les données de 6. 8 millions d’utilisateurs. Pour cela nous avons principalement deux contributions. Premièrement, une caractérisation précise des comportements de consommation des utilisateurs agrégés par modèle. Nous pouvons voir comment les routines quotidiennes impactent nos demandes de connections et la similarité de ce traffic en fonction des jours. En suite, nous fournirons un moyen de reproduire artificiellement mais avec cohérence les modèles des utilisateurs de données mobiles. Ces données synthétisées ont l’avantage de permettre la planification du réseau sans information sur la vie privées de utilisateurs comme les bases de données d’origine. Afin d’évaluer l’efficacité de ces informations dans un scénario grandeur nature, nous proposerons une stratégie de deploiement de points de accès qui prend en compte les caractéristiques routinières en terme de déplacement et de demande de trafic dans le but d’améliorer la décharge de données mobile. Déployer correctement des points de accès WiFi peut être moins cher que d’améliorer l’infrastructure de réseaux mobiles, et peut permettre d’améliorer considérablement la capacité du réseau. Notre approche améliore l’évacuation de trafic comparée aux autres solutions disponibles dans la littérature.

The proliferation of pervasive communication caused a recent boost up on the mobile data usage, which network operators are not always prepared for. The main origin of the mobile network demands are smartphone devices. From the network side those devices may be seen as villains for imposing an enormous traffic, but from the analytical point of view they provide today the best means of gathering users information about content consumption and mobility behavior on a large scale. Understanding users' mobility and network behavior is essential in the design of efficient communication systems. We are routinary beings. The routine cycles on our daily lives are an essential part of our interface with the world. Our habits define, for instance, where we are going Saturday night, or what is the typical website for the mornings of Monday. The repetitive behavior reflects on our mobility patterns and network activities. In this thesis we focus on metropolitan users generating traffic demands during their normal daily lives. We present a detailed study on both users' routinary mobility and routinary network behavior. As a study of case where such investigation can be useful, we propose a hotspot deployment strategy that takes into account the routine aspects of people's mobility. We first investigate urban mobility patterns. We analyze large-scale datasets of mobility in different cities of the world, namely Beijing, Tokyo, New York, Paris, San Francisco, London, Moscow and Mexico City. Our contribution is this area is two-fold. First, we show that there is a similarity on people's mobility behavior regardless the city. Second, we unveil three characteristics present on the mobility of typical urban population: repetitiveness, usage of shortest-paths, and confinement. Those characteristics undercover people's tendency to revisit a small portion of favorite venues using trajectories that are close to the shortest-path. Furthermore, people generally have their mobility restrict to a dozen of kilometers per day. We then investigate the users' traffic demands patterns. We analyze a large data set with 6. 8 million subscribers. We have mainly two contributions in this aspect. First, a precise characterization of individual subscribers' traffic behavior clustered by their usage patterns. We see how the daily routine impacts on the network demands and the strong similarity between traffic on different days. Second, we provide a way for synthetically, still consistently, reproducing usage patterns of mobile subscribers. Synthetic traces offer positive implications for network planning and carry no privacy issues to subscribers as the original datasets. To assess the effectiveness of these findings on real-life scenario, we propose a hotspot deployment strategy that considers routine characteristics of mobility and traffic in order to improve mobile data offloading. Carefully deploying Wi-Fi hotspots can both be cheaper than upgrade the current cellular network structure and can concede significant improvement in the network capacity. Our approach increases the amount of offload when compared to other solution from the literature.