Vers un réseau LoRaWAN auto-configurable pour les applications de la ville intelligente

Toward a self reconfigurable LoRaWAN network for smart city applications

• Auteur / Autrice : Aghiles Djoudi
• Direction : Rami Langar, Laurent George
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/03/2023
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge
• Jury : Président / Présidente : Fabrice Théoleyre
• Jury : Examinateurs / Examinatrices : Rami Langar, Laurent George, Hakima Chaouchi, Assia Soukane, Mérouane Debbah, Nawel Zangar, Rafik Zitouni
• Jury : Rapporteurs / Rapporteuses : Hakima Chaouchi

Mots clés

Mots clés contrôlés

Qualité de Service (télécommunications)

Qualité -- Contrôle

Systèmes de communication sans fil

Apprentissage automatique

Villes intelligentes

Mots clés libres

Villes intelligentes

Clustering

QoS

Apprentissage

LoRaWAN

Smart Cities

Clustering

QoS

Machine learning

LoRaWAN

Résumé

De nos jours, les applications pour l’Internet des objets connaissent une évolution considérable, cela est dû à la croissance d‘utilisation des objets connectés. Ces objets ont besoin d’un réseau sans fil pour envoyer et recevoir les données qu’ils collectent. Les réseaux étendus à faible puissance (LPWAN) sont apparus comme des technologies sans fils prometteuses pour l’Internet des objets, ils offrent une faible consommation d’énergie lors de la transmission des données à longue distance. LoRa, Sigfox et NBIoT sont les technologies les plus connues qui répondent à ces exigences. Contrairement à Sigfox et NB-IoT, LoRa est plus accessible au monde académique car la spécification de LoRa est publique. Les émetteurs-récepteurs LoRa envoient des données selon la configuration d’un ensemble de valeurs de paramètres: le facteur d‘étalement du spectre (SF), la puissance de transmission, le taux de codage (CR) et la largeur de bande (BW). Ces paramètres doivent être ajustés, contrôlés et adaptés aux exigences des applications. Pour résoudre ce problème, notre première approche consiste à utiliser un mécanisme de segmentation pour regrouper les transmissions LoRa par niveau de qualité de service offerte. Nous utilisons un processus de segmentation flou pour obtenir le degré d’appartenance de chaque configuration de transmission aux types d’applications. L’avantage de l’utilisation de cet algorithme est la possibilité de savoir à quelle application une configuration de transmission LoRaWAN est plus adaptée. La matrice des degrés d’appartenance est utilisée par Q-learning pour représenter la probabilité qu’une configuration de transmission (action) puisse améliorer/détériorer le débit. Grâce à des simulations intensives et en utilisant différents nombres de capteurs et de passerelles avec différentes tailles et fréquence d’envoi des paquets, nous avons validé l’efficacité de notre solution dans plus de 256 scénarios (4 tailles de paquets * 4 taux de paquets * 4 nombres de capteurs * 4 nombres de stations de base). Après quoi, nous validons l’efficacité de notre solution en étudiant en profondeur deux scénarios avec 100 et 1000 capteurs. Nous mesurons dans chaque scénario d’autres métriques comme le temps de propagation et la consommation d’énergie en plus du PDR et le débit.Pour offrir une qualité de service personnalisée aux capteurs IoT, nous proposons, dans notre troisième contribution, d’améliorer la personnalisation des paramètres de transmission LoRaWAN en intégrant pleinement le résultat du clustering dans le processus d’apprentissage. En effet, même s’il offre une meilleure performance que les travaux de l’état de l’art, l’algorithme Q-learning ne tire pas profit de l’ensemble des connaissances fournies par le clustering puisqu’il met à jour ça politique en se basant uniquement sur l’état suivant observé sans prendre en compte tous les états suivants possibles. Pour cette raison, nous proposons d’initialiser complètement la matrice de transition d’état de MDP avec la connaissance fournie par FCM. L’avantage par rapport à la solution basée sur le Q-learning est la possibilité de fournir à l’agent d’apprentissage une vue globale de toutes les transitions d’état possibles après chaque itération. Comme nous explorons la qualité des paramètres de transmission à l’avance avant même de commencer le processus d’apprentissage en mode hors ligne, l’algorithme d’itération de politique exploitera directement les paramètres de transmission de haute qualité. Les résultats de la simulation montrent que la combinaison de l’exploration avec FCM et de l’exploitation avec MDP accélère le processus d’apprentissage tout en permettant l’adaptation du débit, du temps de propagation et de la consommation d’énergie de ces applications

Nowadays, Internet of things (IoT) applications are witnessing a tremendous evolution due to the increasing growth of IoT devices. To be able to transmit the measured data to the cloud, IoT devices need to send them through a reliable wireless technology. Among different wireless technologies, Low Power and Wide Area Networks (LPWAN) emerged as a promising wireless solution for IoT because they offer a low-power consumption while transmitting the data in a wide area (15 Km). Unlike Sigfox and NB-IoT, LoRa is more open for academic research since the specification that governs it is publicly available. Since LoRa transceivers use a Chirp Spread Spectrum (CSS) modulation scheme, they should be configured according to a set of transmission parameters: Spreading Factor (SF), Transmission Power, Coding Rate (CR) and Bandwidth (BW). These parameters must be tuned, controlled and adapted to application’s requirements to optimize the network performance especially in a dense network.To address this problem, our first contribution is to take advantage of the pattern recognition algorithms by using a clustering process to map LoRa transmission settings to different clusters with different QoS levels. For this purpose, we use a fuzzy clustering process rather than a hard clustering to get the membership of each transmission setting to different clusters. The advantage of using this algorithm is the ability to know at which level each transmissions setting is suitable to different IoT applications. Knowing the membership values of LoRa transmission settings is mandatory for the network server to rank them and assign the best one with the highest value to end devices. To this end, we formulate the problem of transmission settings selections as a Markov Decision Process (MDP) problem where actions are transmission settings and states are the recognized quality levels by Fuzzy C-Means (FCM). Thanks to pattern recognition tools, we estimate the link quality level at which each transmission setting leads, by clustering the quality of all possible transmission settings to three main clusters with different levels of qualities. This means that when we pick up one transmission setting from a cluster, FCM is able to recognize at which level the link state between end devices and the gateways will jump if we select such an action. Based on the offline learning process, the network server should be able to exploit the transmission settings with the highest quality to increase the data rate iteratively until the policy converges to a steady state.To offer a customized QoS to IoT devices, we propose, in our third contribution, to improve the customization of LoRaWAN transmission settings by fully integrating the clustering output in the learning process. In fact, even if it offers a better performance than the state of the art, Q-learning algorithm does not take advantage of the whole knowledge provided by the clustering output since it updates its actions based only on the observed next state without taking into account all possible next states. For this reason, we propose to completely initialize the state transition matrix of MDP with the knowledge provided by FCM. The advantage compared to the Q-learning based solution is the ability to provide to the learning agent an overall view of all possible state transitions after each iteration. Unlike Q-learning and value iteration algorithm, policy iteration algorithm is known for its highest convergence speed as it requires less iterations to converge. Simulation results show that combining exploration with FCM and exploitation with MDP speeds up the learning process while allowing the adaptation of the DR, the ToA and the E t x of these applications. Furthermore, results show that the quality of the generated traffic is improved compared to the existing strategies