Numérisation, compression et reconstruction d'un trafic radio large échelle pour l'internet des objets

Digitization, compression and reconstruction of a large-scale radio traffic for the Internet of Things

• Auteur / Autrice : Esteban Selva
• Direction : Yves Louët, Apostolos Kountouris
• Type : Thèse de doctorat
• Discipline(s) : Télécommunications (STIC)
• Date : Soutenance le 10/06/2021
• Etablissement(s) : CentraleSupélec
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes)
• Jury : Président / Présidente : Benoît Geller
• Jury : Examinateurs / Examinatrices : Claire Goursaud, Damien Roque, Laurent Ros
• Jury : Rapporteur / Rapporteuse : Claire Goursaud, Damien Roque

Mots clés

Mots clés contrôlés

Filtrage du signal

Internet des objets

Traitement du signal

Mots clés libres

Traitement de signal parcimonieux

Echantillonnage Comprimé

Infrastructure d’échantillonnage

Internet des Objets

Sparse signal processing

Compressed Sensing

Multi-Rate Sampler

Sampling infrastructure

Internet of Things

Résumé

La multiplication des cas d’utilisation dans le cadre de l’Internet des Objets appelle au développement de nouveaux protocoles de télécommunications et de nouvelles modulations. Cependant, la nécessité de déployer une infrastructure dédiée à la collecte et au traitement des données envoyées par les appareils connectés peut freiner le développement de nouveaux standards de télécommunications. Dans cette thèse, nous proposons et étudions une infrastructure ne dépendant pas de la technologie de communication choisie, dont le but est de collecter et traiter les données émises par des appareils connectés déployés sur le terrain. Comme les communications des appareils connectés peuvent être sporadiques, notamment dans le cas des réseaux de capteurs, nous considérons que les signaux reçus par les points d’accès de l’infrastructure sont parcimonieux en temps et/ou en fréquence. Sous cette condition, le cadre de l’Echantillonnage Comprimé (EC) offre la possibilité d’abaisser le taux d’échantillonnage, par rapport au taux d’échantillonnage de Nyquist standard. Pour cela, notre infrastructure proposée de collecte de données s’appuie sur l’Echantillonneur Multi-Taux (EMT), un schéma d’échantillonnage fondé sur l’EC qui permet la réduction du taux d’échantillonnage et la relaxation de contraintes matérielles liées à l’échantillonnage à haute fréquence. Dans cette thèse, nous proposons une analyse poussée afin de dimensionner de manière adéquate une infrastructure fondée sur l’EMT. Parmi les résultats majeurs se trouvent le paramétrage, à l’aide de nombres premiers entre eux, des taux d’échantillonnage de l’EMT, l’estimation de la variance du bruit et du support spectral fréquentiel pour des signaux parcimonieux en fréquence, et une analyse complète des performances de l’EMT en fonction de plusieurs paramètres (nombre d’échantillonneurs, niveau de parcimonie du signal, taux d’erreur binaire, et autres).

The multiplicity of novel use cases for the Internet of Things (IoT) calls for new telecommunications protocols and modulations. However, the necessity to roll out a dedicated infrastructure to collect and process data sent by IoT devices can hinder the development of new standards for communications. In this thesis, we propose and study a technology-agnostic infrastructure aimed at collecting and processing information transmitted by IoT devices deployed on the field. Because communications from IoT devices can be sporadic, in particular when sensor networks are concerned, we consider that the signals received by the infrastructure access points are sparse in the time and/or frequency domains. Under such a condition, the Compressed Sensing (CS) framework offers the possibility to lower the sampling rate from the standard Nyquist rate. Our proposed infrastructure for data collection relies on the Multi-Rate Sampler (MRS), a CS-based sampling scheme that permits the reduction of the sampling rate and a relaxation of hardware constraints related to high-speed sampling. In this thesis, we provide a comprehensive analysis to adequately size an MRS-based infrastructure. Major results include a provision based on coprime integers to define the sampling rates of the MRS, the estimation of the noise variance and of the frequency-domain spectrum support for frequency-sparse signals, and a complete analysis of the MRS performance depending on a variety of parameters (number of samplers, signal sparsity level, bit error rate, and others).