Dimensionnement d'un réseau cellulaire IoT en utilisant des techniques de géométrie stochastique et d'apprentissage automatique

Dimensioning cellular IoT network using stochastic geometry and machine learning techniques

• Auteur / Autrice : Tuan Anh Nguyen
• Direction : Philippe Martins Goncalves
• Type : Thèse de doctorat
• Discipline(s) : Informatique et réseaux
• Date : Soutenance le 13/07/2021
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom Paris (Palaiseau, Essonne ; 1878-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Jury : Président / Présidente : Laurent Decreusefond
• Jury : Examinateurs / Examinatrices : Philippe Martins Goncalves, Nadjib Ait Saadi, Xuan Nam Tran, Lina Mroueh, Thi-Mai-Trang Nguyen
• Jury : Rapporteurs / Rapporteuses : Nadjib Ait Saadi, Xuan Nam Tran

Mots clés

Mots clés contrôlés

Systèmes de communication sans fil

Internet des objets

Mots clés libres

Géométrie stochastique

Apprentissage automatique

NB-IoT

Probabilité de couverture

Dimensionnement

Reconnaissance des modèles de trafic

Stochastic geometry

Machine learning

NB-IoT

Coverage probability

Dimensioning

Traffic pattern recognition

Résumé

L'Internet des objets à bande étroite (NB-IoT) est une technologie de réseau étendu à faible consommation d'énergie, qui a été normalisée dans 3GPP, spécifie une nouvelle procédure d'accès aléatoire et un nouveau schéma de transmission pour l'IoT. Les avantages du réseau NB-IoT sont une couverture étendue, une faible consommation d'énergie et la prise en charge d'un grand nombre de connexions. En particulier, le réseau NB-IoT peut connecter efficacement jusqu'à 50 000 dispositifs par cellule de réseau NB-IoT. Nous concentrons notre travail sur l'étude du dimensionnement des réseaux NB-IoT. À cet égard, nous utilisons des techniques de géométrie stochastique et d'apprentissage automatique et cette thèse caractérise les indicateurs de performance clés du réseau NB-IoT, tels que la probabilité de couverture, le nombre de blocs de ressources radio nécessaires, ainsi que la reconnaissance et la prédiction des modèles de trafic sur la base des informations de contrôle en liaison descendante. La thèse est divisée en trois études principales. Premièrement, nous dérivons les performances de la probabilité de couverture de la liaison montante dans un réseau NB-IoT à cellule unique et à cellules multiples. Les expressions analytiques de la couverture et des probabilités d'accès réussi dans un réseau NB-IoT mono-cellulaire sont présentées en considérant la distribution d'arrivée des paquets. Dans le scénario multi-cellules, une prédiction de la probabilité de couverture est déterminée directement à partir des paramètres du réseau en utilisant un réseau neuronal profond. L'analyse suivante consiste en un modèle analytique permettant de calculer les blocs de ressources radio nécessaires dans le réseau NB-IoT multi-cellules et de déterminer la probabilité de panne du réseau. Ce modèle est bénéfique pour les opérateurs car il clarifie la façon dont ils doivent gérer le spectre disponible. Enfin, la thèse aborde les problèmes de reconnaissance et de prédiction du type de trafic en utilisant les données collectées à partir des informations de contrôle de la liaison descendante. Un large groupe d'algorithmes d'apprentissage automatique est mis en œuvre et comparé pour identifier celui avec les meilleures performances. L'analyse menée dans cette thèse démontre que la géométrie stochastique et les techniques d'apprentissage automatique peuvent servir d'outils puissants pour analyser les performances du réseau NB-IoT. Les framewoks développés dans ce travail fournissent des outils analytiques généraux qui peuvent être facilement étendus pour faciliter d'autres recherches sur les réseaux 5G.

Narrowband Internet of Things (NB-IoT) is a Low Power Wide Area technology, which was standardized in the Third Generation Partnership Project release, specifies a new random access procedure and a new transmission scheme for IoT. The advantages of the NB-IoT network are providing deep coverage, low power consumption, and support of a huge number of connections. Especially, NB-IoT can efficiently connect up to 50,000 devices per NB-IoT network cell.We focus our work on the study of NB-IoT network dimensioning. In this regard, we use stochastic geometry and machine learning techniques along with the thesis to characterize key performance indicators of the NB-IoT network, such as coverage probability, the number of required radio resource blocks, and the traffic pattern recognition and prediction based on the downlink control information. The thesis is divided into three major studies. Firstly, we derive the performance of uplink coverage probability in single-cell and multi-cell of NB-IoT network. The analytical expressions of the coverage and successful access probabilities in a single-cell NB-IoT network are presented by considering the packet arrival distribution. In the multi-cell scenario, a prediction of coverage probability is determined directly from the network parameters by using a Deep Neural Network. The subsequent analysis consists of an analytical model to calculate the required radio resource blocks in the multi-cell NB-IoT network and determine the network outage probability. This model is beneficial for operators because it clarifies how they should manage the available spectrum. Finally, the thesis addresses the recognition and prediction traffic type problems using the data collected from the Downlink Control Information. A wide group of machine learning algorithms are implemented and compared to identify the highest performances.The analysis conducted in this thesis demonstrates that stochastic geometry and machine learning techniques can serve as powerful tools to analyze the performance of the NB-IoT network. The frameworks developed in this work provide general analytical tools that can be readily extended to facilitate other research in 5G networks.