Optimisation des LPWANs par apprentissage automatique : Spécifications et Amélioration des performances de LoRaWAN

Abstract

Les LPWANs (Low Power Wide Area Networks) se distinguent par des caractéristiques telles qu’une longue portée de transmission, une faible consommation énergétique des noeuds terminaux et un faible coût des dispositifs. Ils sont particulièrement adaptés à plusieurs applications de l’Internet des Objets (Internet of Things – IoT en anglais). Cependant, les LPWANs doivent continuer à évoluer et à être optimisés afin de répondre aux exigences croissantes des applications IoT telles que la capacité à gérer un grand nombre de dispositifs connectés sans compromettre la fourniture de services, la fiabilité de la communication, l’efficacité énergétique et bien d’autres. LoRaWAN (Long Range Wide Area Network) est l’un des LPWANs qui a suscité le plus d’intérêt ces dernières années. Il est conçu pour gérer un grand nombre de dispositifs terminaux. Le protocole intègre le mécanisme ADR (Adaptive Data Rate) afin de limiter les pertes de paquets malgré la densité du réseau. Ce mécanisme présente des limites notamment en termes d’adaptabilité à des environnements dynamiques, une convergence difficile ou lente vers des configurations optimales offrant de meilleures performances et un contrôle partiel des paramètres de transmission. Cette thèse vise à développer un mécanisme intelligent et flexible capable de prendre des décisions optimales et tout en prenant en compte à la fois l’optimisation du taux de réception des paquets et de la consommation énergétique. L’apprentissage automatique est l’approche employée pour concevoir le mécanisme amélioré pour remplacer l’ADR standard. Afin d’atteindre l’objectif général de cette thèse, une analyse complète des LPWANs est fournie, l’intégration de l’apprentissage automatique dans les LPWANs est étudiée, l’impact de la bande passante et du taux de codage sur les performances de LoRaWAN est modélisé et FlexADR (Flexible ADR), un mécanisme adaptatif intégrant de nouveaux paramètres via l’apprentissage automatique (Kmeans et SARSA), est développé. FlexADR est implémenté dans le simulateur OMNeT++ (Objective Modular Network Testbed in C++) à l’aide de FLoRa (Framework for LoRa) et AI-Toolbox une bibliothèque d’intelligence artificielle. Les résultats des simulations effectuées démontrent que FlexADR surpasse l’ADR en termes de taux de réception de paquets et d'efficacité énergétique. Cette thèse contribue à bâtir des réseaux plus performants et plus économes en énergie, offrant de nouvelles possibilités pour l’évolution des futurs réseaux IoT.