Thèse soutenue

un schéma efficace de dissémination des informations urgentes pour les réseaux véhiculaires émergents
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Raoua Chakroun
Direction : Thierry VillemurSlim Abdellatif
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 30/11/2022
Etablissement(s) : Toulouse, INSA
Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS
Jury : Président / Présidente : Marie-Pierre Gleizes
Examinateurs / Examinatrices : Ernesto José Exposito Garcia
Rapporteurs / Rapporteuses : Nazim Agoulmine, Toufik Ahmed

Résumé

FR  |  
EN

Les applications et les technologies des véhicules connectés envisagées dans le cadre des Systèmes de Transport intelligent (ITS) doivent pouvoir répondre à une grande variété de besoins. En particulier, elles assistent les conducteurs pour anticiper les accidents potentiels et elles aident les utilisateurs et les opérateurs du système de transport à effectuer des choix intelligents, économiques voire écologiques, réduisant ainsi les retards de voyage, diminuant les embouteillages, et fournissant des services de sécurité et de divertissement aux personnes sur la route.Les besoins en communication nécessaires aux applications liées aux véhicules connectés sont supportés par des réseaux véhiculaires Vehicular Ad hoc NETwork (VANET), qui combinent différentes technologies d'accès et d’architectures réseau. Deux principaux types de technologies VANET sont actuellement rencontrés : les véhicules peuvent actuellement se connecter les uns aux autres selon le schéma Véhicule-à-Véhicule (V2V) ou bien se connecter à l'infrastructure selon le schéma Véhicule-à-Infrastructure (V2I).Parmi l’ensemble des services de communication utilisables, nous nous sommes focalisés sur ceux requis par les applications de sécurité telles que la sensibilisation coopérative (par exemple, avertissement de véhicule d'urgence, alerte en cas d'accident, etc.) car ces services nécessitent des besoins de diffusion et de dissémination de messages d’alerte efficaces, sans perte et avec une couverture suffisamment importante.A l’origine, dans les réseaux VANET, la dissémination des messages d'alerte était effectuée en invitant les véhicules à rediffuser à l’aveugle les messages d'alerte. Cependant, cette inondation inefficace provoque une quantité massive de retransmissions et de collisions inutiles, gaspille la bande passante, augmente le délai de diffusion et réduit au final le taux de livraison des paquets. Face à ce problème, diverses approches coordonnant la dissémination de messages d'urgence ont été proposées afin d'atténuer le problème de la tempête de diffusion et ses effets indésirables.Notre travail de thèse s’inscrit dans ce cadre. Nous développons une nouvelle procédure de dissémination des messages d’alerte basée sur la localisation pour les futurs réseaux véhiculaires, qui exploite principalement les liens V2I pour diffuser largement les messages d'alerte et qui se poursuit par des rediffusions V2V basées sur une technique de sélection de relais. Trois contributions sont développées.La première définit notre nouvelle procédure de dissémination des messages d’alerte. Cette procédure se base sur la définition de zones de diffusion. Dans chaque zone, notre algorithme se charge d’élire un véhicule relai en fonction de sa localisation, relai qui sera chargé de la rediffusion.La seconde contribution améliore la précédente en affinant le calcul du placement des relais et en le rendant plus dynamique. Nous développons une approche basée sur l’apprentissage par renforcement. Cette approche est capable d’ajuster le placement optimal des points/zones de rediffusion où les véhicules peuvent relayer le message afin d’atteindre les véhicules roulant dans des zones qui souffrent d’une mauvaise/absence de couverture réseau (zones grises) et donc conduire à une couverture d’information le plus optimale possible.La troisième contribution propose un service d’estimation de la qualité de liens basé sur des techniques d’apprentissage automatique (Machine Learning). Ce service vise à offrir une vision potentielle de l’état futur du réseau, ce qui permet aux fonctions de contrôle réseau de mettre à jour au besoin les points relais afin d’assurer une meilleure couverture d’information.