Gérer les interférences des utilisateurs dans les réseaux LoRa

Dealing with interfering users in LoRa Networks

• Auteur / Autrice : Angesom Ataklity Tesfay
• Direction : Laurent Clavier, Éric Simon
• Type : Thèse de doctorat
• Discipline(s) : Electronique, microélectronique, nanoélectronique et micro-ondes
• Date : Soutenance le 01/10/2021
• Etablissement(s) : Université de Lille (2018-2021)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'Electronique, de Microélectronique et de Nanotechnologie
• Jury : Président / Présidente : Laurent Ros
• Jury : Examinateurs / Examinatrices : Mohammad-Ali Khalighi, Nathalie Mitton, Joumana Farah Francis
• Jury : Rapporteurs / Rapporteuses : Matthieu Crussière, Lina Mroueh

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage profond

Détection du signal

Communications par étalement du spectre

Internet des objets

Systèmes de communication sans fil

Mots clés libres

Réseau LoRaWAN

Accès multiple non orthogonal (NOMA)

LoRa. LoRaWAN

IoT

Multiuser Detector

Scalability. Deep-Learning

Serial Interference Cancellation

Power Allocation. Chirp Spread Spectrum

Résumé

La technologie de l'Internet des objets (IoT) est devenue omniprésente dans de nombreuses applications et son utilisation se développe très rapidement. Cependant, l'expansion de l'IoT se heurte à une difficulté importante d'évolutivité, c'est-à-dire que le déploiement très dense d'appareils communicants est actuellement limité. Cette thèse se concentre sur la fourniture de solutions aux problèmes liés à l'évolutivité des réseaux de type LoRa dans les deux sens de communication, la liaison montante et la liaison descendante. Dans les réseaux longue portée, comme LoRa, la liaison descendante est critique car elle limite le nombre d'accusés de réception pouvant être envoyés, et par conséquent, la fiabilité. Cela limite également la possibilité de mettre à jour les appareils, ce qui pourrait être critique lorsqu'ils sont déployés pendant des décennies. Pour surmonter ces problèmes, nous proposons une solution, inspirée des techniques d'accès multiple non orthogonal (NOMA), pour augmenter d'au moins un ordre de grandeur le nombre de dispositifs pouvant être adressés. Si l'approche différencie les appareils par la puissance qui leur est allouée, elle diffère de la grande majorité des travaux antérieurs sur le domaine de puissance NOMA car elle ne nécessite pas d'annulation des interférences. Au lieu de cela, il bénéficie de l'étalement spectral du schéma de modulation (chirp spread spectrum), où, à la fin de la phase de décodage, l'information portée par un symbole se retrouve à la position d'un pic dans le domaine de Fourier.Dans la plupart des cas, les informations provenant de différents utilisateurs entraînent des positions de pic différentes, ne créant aucune interférence. En ce sens, on se rapproche des schémas d'évitement comme le saut de temps ou de fréquence, mais sans utiliser de code. Cette thèse propose une nouvelle solution s'appuyant sur du NOMA dans le domaine de la puissance qui ne souffre pas des limitations induites par les résidus d'annulation d'interférence. Le système proposé, y compris la détection de préambule et l'estimation de canal, est présenté et évalué par des simulations. Nous montrons que notre schéma permet d'augmenter le nombre d'appareils connectés d'un ordre de grandeur par rapport au système actuel, tout en maintenant une compatibilité totale avec la norme de couche physique LoRa.Concernant la liaison montante, nous présentons un nouveau récepteur capable de démoduler plusieurs utilisateurs transmis simultanément sur le même canal de fréquence avec le même facteur d'étalement. Du point de vue de l'accès multiple non orthogonal, il est basé sur le domaine des puissances et utilise l'annulation des interférences en série. Les résultats de simulation montrent que le récepteur permet une augmentation significative du nombre d'appareils connectés dans le réseau.Enfin, cette thèse traite de la détection de signaux, en liaison montante, d'un réseau LoRa à travers une approche basée sur l'apprentissage profond. Deux stratégies sont proposées : la régression pour la détection de bits basée sur un réseau de neurones deep feedforward et la classification pour la détection de symboles basée sur un réseau de neurones convolutif. Ces récepteurs peuvent décoder les signaux d'un utilisateur sélectionné lorsque plusieurs utilisateurs émettent simultanément sur la même bande de fréquences avec le même facteur d'étalement. Les résultats de simulation montrent que les deux récepteurs surpassent le LoRa classique en présence d'interférences. De plus, les résultats montrent que l'approche introduite est pertinente pour traiter la question de l'évolutivité.

Internet of Things (IoT) technology has become ubiquitous in many applications, and its use is growing very fast. However, the expansion of IoT faces a significant difficulty of scalability, which is, the very dense deployment of communicating devices is currently limited. This thesis focuses on providing solutions to issues related to the scalability of LoRa-like networks in both communication directions, the uplink, and downlink. In long-range networks, such as LoRa, the downlink is critical because it limits the number of acknowledgments that can be sent, and consequently, reliability. It also limits the possibility of updating the devices, which could be critical when deployed for decades. To overcome those problems, we propose a solution, inspired by Non-Orthogonal Multiple Access (NOMA) techniques, to increase by at least one order of magnitude the number of devices that can be addressed. While the approach differentiates the devices by the power allocated to them, it differs from the vast majority of previous works on power domain NOMA because it does not require interference cancellation. Instead, it benefits from the spectrum spreading of the modulation scheme (chirp spread spectrum), where, at the end of the decoding phase, the information carried by a symbol is found in the position of a peak in the Fourier domain.In most cases, the information from different users results in different peak positions, not creating any interference. In that sense, we get closer to avoidance schemes such as time or frequency hopping, but without using a code. This thesis proposes a new solution for NOMA in the power domain that does not suffer from the limitations induced by interference cancellation residues. The proposed system, including preamble detection and channel estimation, is presented and evaluated by simulations. We demonstrate that our proposed scheme increases the number of devices by one order of magnitude compared to the current system, which allows addressing only one user at a time and maintains full compatibility with the LoRa physical layer standard.In addition to that, we present a new receiver design, which significantly improves performance in the uplink communication of LoRa networks, i.e., having asynchronous transmissions. The proposed receiver is able to demodulate multiple users simultaneously transmitted over the same frequency channel with the same spreading factor. From a non-orthogonal multiple access point of view, it is based on the power domain and uses serial interference cancellation. Simulation results show that the receiver allows a significant increase in the number of connected devices in the network. Finally, this thesis deals with signal detection in the uplink of a LoRa network through a deep learning-based approach. Two strategies are proposed: regression for bit detection based on a deep feedforward neural network and classification for symbol detection based on a convolutional neural network. These receivers can decode a selected user's signals when multiple users simultaneously transmit over the same frequency band with the same spreading factor. Simulation results show that both receivers outperform the classical LoRa one in the presence of interference. Furthermore, the results show that the introduced approach is relevant to deal with the scalability issue.