Exploiter la similarité des capteurs pour améliorer la collecte de données dans les réseaux IoT massifs

Exploiting sensor similarity to enhance data collection in massive IoT networks

• Auteur / Autrice : Gwen Maudet
• Direction : Laurent Toutain, Mireille Batton-Hubert
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 23/11/2023
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Objets communicants pour l'Internet du futur - Département Systèmes Réseaux, Cybersécurité et Droit du numérique - Institut de recherche en informatique et systèmes aléatoires (Rennes)
• Jury : Président / Présidente : Alexandre Guitton
• Jury : Examinateurs / Examinatrices : Laurent Toutain, Mireille Batton-Hubert, Alexandre Guitton, Julien Montavont, Kinda Khawam, Patrick Maillé
• Jury : Rapporteurs / Rapporteuses : Alexandre Guitton, Julien Montavont
• DOI : 10.70675/9047f6d8zcfe2z4e33zbda5z996450d3de29

Mots clés

Mots clés contrôlés

Économies d'énergie

Réseaux de capteurs (technologie)

Efficacité

Internet des objets

Mots clés libres

Internet des objets massif

Efficacité pour l’IoT

Gestion des collections d’observations

Massive internet of thing

IoT efficiency

Observation collection management

Résumé

L’Internet des objets (IoT) est couramment utilisé pour surveiller diverses grandeurs physiques. Dans l’approche innovante du Massive IoT (MIoT), un déploiement massif de capteurs très contraints est envisagé, afin de réduire les coûts de déploiement et de maintenance. Conformément à ce scénario, cette thèse se concentre sur le développement de mécanismes visant à réduire la consommation d’énergie des capteurs. La méthode repose sur le principe de similarité : les capteurs peuvent être considérés comme similaires s’ils fournissent des observations semblables. Cette approche permet la transmission d’un sous-ensemble de capteurs répondant aux exigences de surveillance. Tout d’abord, nous avons identifié et synthétisé les méthodes existantes provenant de la littérature basées sur le principe de similarité. Nous avons établi que ce type d’approche peut être décomposé en trois composantes, que nous avons étudiées dans le contexte du MIoT. Ensuite, nous avons examiné les méthodes de gestion des observations des capteurs permettant de maintenir une quantité constante de messages au fil du temps. Notre première méthode permet de transmettre en round-robin un nombre spécifié de capteurs. La deuxième méthode atteint des résultats de précision comparables à la première tout en réduisant le nombre de mises à jour des capteurs lorsque la flotte de capteurs change. Enfin, nous proposons une solution pour former des groupes de capteurs identifiés comme similaires en analysant leurs observations. À cet effet, nous introduisons une nouvelle mesure de similarité basée sur l’interpolation, associée à une méthode de regroupement hiérarchique.

The Internet of Things (IoT) are commonly employed for monitoring various physical quantities. In the innovative approach of MassiveIoT (MIoT), a massive deployment of highly constrained sensors is considered to reduce deployment and maintenance costs. Aligned with this scenario, this thesis focuses on the development of mechanisms to reduce sensor energy consumption. The method relies on the principleof similarity: sensors can be considered similar if they provide similar observations. This approach enables the transmission of a subset of sensors to fulfill the monitoring requirements. First, we identified and synthesized existing methods from the literature based on the principle of similarity. We established that this approach can be decomposed into three components, which we studied in the context of MIoT. Next, we examined methods for managing sensor observations to maintain a constant stream of messages over time. Our first method involves transmitting a specified number of sensors in a round-robin fashion. The second method achieves precision results comparable to the first while reducing the number of sensor updates when the sensor fleet changes. Finally, we propose a solution to form groups of sensors identified as similar by analyzing their observations. To this end, we introduce a new similarity measure based on interpolation, coupled with a hierarchical clustering method.