Green Networking et apprentissage par renforcement

Réseaux de radio cognitive

Le développement de nouvelles technologies a toujours été dicté par les besoins du moment et la disponibilité de la technique. Ces dernières années ont vu l’apparition de nouvelles technologies et leur utilisation accrue par le grand public, surtout dans la téléphonie mobile. Ce fait, certaines bandes de fréquence et réseaux (GSM, Wifi) sont chères et déjà surchargés. Cependant, l’utilisation du spectre de fréquence n’est pas uniforme : Une bande fréquentielle peut être surchargée pendant qu’une autre reste inutilisée. L’idée a donc naturellement émergé de développer des outils permettant de mieux utiliser le spectre. La solution la plus reconnu est l’utilisation d’un système radio cognitif. C’est le concept qui permet de répondre à ce défi : mieux utiliser le spectre et aussi augmenter les débits. Mais ce développement a conduit à l’émission de gaz carbonique qui a conduit à la pollution. Pour éliminer ce problème, un nouveau concept a émergé « Green Networking » qui pourra révolutionner les processus de communication et les TIC (Technologies de l’lnformation et de la Communication) de façon général. Ce chapitre est consacré à la présentation de la radio cognitive dans ses différents aspects principes, architecture, fonction et les différents domaines d’application…etc.

Relation entre RC et SDR

Une radio cognitive doit être capable de réaliser trois tâches essentielles. Elle doit surveiller l’environnement (capacité cognitive), analyser les informations collectées (capacité d’auto-organisation) et s’adapter à l’environnement (capacité d’auto-configuration). La SDR (Radio logicielle restreinte) est capable d’offrir les fonctionnalités de flexibilité, de reconfigurabilité et de portabilité inhérentes à l’aspect d’adaptation de la RC. Par conséquent, cette dernière doit être mise en oeuvre autour d’une SDR. En d’autres termes, la SDR est une technologie habilitante pour la radio cognitive [4]. Bien que de nombreux modèles différents soient possibles l’un des plus simples qui décrit la relation entre la RC et la SDR est illustré dans la figure I.1. Dans ce modèle simple, les éléments de la RC entourent le support SDR. Le moteur cognitif représente la partie chargée de l’optimisation ou du contrôle du module SDR en se basant sur quelque paramètre d’entrée tels que les informations issues de la perception sensorielle ou de l’apprentissage de l’environnement radio, du contexte utilisateur, et de l’état du réseau.

Phase d’orientation

La phase d’orientation détermine l’importance d’une observation en liant à celle-ci une série connue de stimuli. Cette phase fonctionne à l’intérieure des structures de données qui sont analogues à la mémoire à court terme (STM), que les gens emploient pour s’engager dans un dialogue sans forcément se souvenir de tout à la même mesure que dans la mémoire à long terme (LTM). Le milieu naturel fournit la redondance nécessaire pour lancer le transfert de la STM à la LTM. La correspondance entre les stimuli courants et les expériences stockées se fait par reconnaissance des stimuli ou par reliure. La reconnaissance des stimuli se produit quand il y a une correspondance exacte entre un stimulus courants et une expérience antérieure. La réaction peut être appropriée ou dans l’erreur. Chaque stimulus est situé dans un contexte plus large, qui inclut d’autres stimuli et les états internes, y compris le temps. Parfois, la phase d’orientation provoque une action qui sera lancé immédiatement comme un comportement réactif “stimulus-réponse”. Une panne d’électricité, par exemple, peut directement invoquer un acte qui sauvegarde les données (le chemin “ immédiate ” de la phase action sur la figure). Une perte de signal sur un réseau peut invoquer une réaffectation de ressources. Cela peut être accompli via la voie marquée “urgent” dans la figure.

Efficacité énergétique dans les réseaux sans fil Un réseau sans fil est un réseau dans lequel au moins deux terminaux sont capables de communiquer entre eux grâce à des signaux radioélectriques. De manière générale, une connexion sans fil est recherchée par commodité (plus besoin de connexion physique), par économie (coût du lien physique) mais également pour s’affranchir des contraintes physiques (implantation dans des milieux dangereux, dans des lieux difficiles d’accès, au sein du corps humain…). Au sein d’une liaison de données sans fil, une problématique importante est la gestion de l’énergie. En effet, il faut pouvoir alimenter les équipements et transmettre l’information selon une puissance de transmission donnée. Cette puissance n’est qu’une énergie développée par le dispositif radio pour transmettre ses données d’où l’impact sur la consommation d’énergie puisque si on veut augmenter l’énergie développée (puissance de transmission) on aura besoin d’une énergie de base (grosse charge d’alimentation). Aussi et avec l’essor d’équipements de plus en plus miniaturisés et/ou difficilement rechargeables, il est nécessaire de réduire la consommation énergétique et donc le coût énergétique de ces liaisons qui vont devenir de plus en plus usitées.

Green Networking dans les réseaux de radio cognitive

Le green Networking peut profiter du large paradigme de la radio cognitive. Haykin, dans [2] a défini avec précision l’équipement CR comme un émetteur radioélectrique cognitif qui apprendra de l’environnement et adaptera ses états internes aux variations statistiques des stimuli existants de la radiofréquence. Pour cela, il faut ajuster les paramètres de transmission (par exemple, la bande de fréquence, le mode de modulation et la puissance de transmission) en temps réel. A cela s’ajoute les possibilités cognitives pour détecter le spectre disponible ainsi que la capacité de reconfiguration pour accéder dynamiquement à ce spectre. Le système de communication intelligent de la radio cognitive augmente l’agilité de spectre et l’efficacité énergétique [21]. Dans la littérature, il y a peu de travaux portant sur la santé de l’utilisateur de la technologie « green » dans la radio cognitive. En particulier, ici, nous souhaitons citer les travaux de Palicot [22 ; 23] qui mettent l’accent sur l’effet nocif de l’utilisation des antennes omnidirectionnelles dans des bornes sans fil. Ceci expose le corps et en particulier la tête aux quantités élevées de rayonnement électromagnétique. Les idées et les suggestions proposées dans ce document pour réduire l’exposition au rayonnement comportent notamment l’utilisation des antennes directionnels.

En effet, un besoin de configuration dynamique des antennes apparait, ainsi que des puissances de transmission et d’autres paramètres physiques liés aux signaux émis. Cependant, il peut être très difficile de mettre en application de telles adaptations, bien que techniquement faisables avec la radio cognitive dans le cas d’un utilisateur mobile et/ou de propriétés changeantes des canaux de transmission. En revanche, de nombreux travaux de recherches ont été menés dans le but de réduire la consommation d’énergie, en particulier pendant l’étape de détection. Ainsi dans [24], les auteurs proposent un système de sommeil et de censure combinée pour améliorer l’efficacité énergétique lors de la détection du spectre dans un réseau de capteurs cognitifs. Ils ont analysé la performance de détection de ce système en dérivant théoriquement les probabilités globales de détection et de fausses alarmes. Leur objectif est de minimiser la consommation d’énergie nécessaire à une détection distribuée (distributed sensing), étant donné les contraintes pesant sur les probabilités globales de détection et de fausse alarme, en désignant de manière optimale un taux de sommeil et un seuil de censure.

Dans [25] les auteurs ont étudié la conservation de l’énergie et la performance du système d’allocation des ressources décentralisées dans les réseaux radio cognitive fondés sur des utilisateurs secondaires compétitifs. Dans l’approche qu’ils ont proposée, ils appliquent le jeu de la minorité (Minority Game) à la phase la plus importante de l’accès opportuniste au spectre qui est la phase de détection. Les auteurs ont essayé de réaliser une coopération dans un environnement non coopératif sans échange d’informations. Ils ont étudié la solution d’équilibre de Nash pour des stratégies pures et totalement mixtes, en se servant des algorithmes d’apprentissage distribués qui permettent aux utilisateurs cognitifs d’apprendre l’équilibre de Nash. Pour conclure, ils fournissent des résultats numériques pour les approches proposées.

Table des matières

LISTE DES FIGURES
LISTE DES TABLEAUX
LISTE DES ABRÉVIATIONS
INTRODUCTION GÉNÉRALE
CHAPITRE I : Réseaux de radio cognitive
I.1 Introduction
I.2 Radio cognitive
I.2.1 Historique
I.2.2 Définition de la radio cognitive
I.2.3 Relation entre RC et SDR
I.2.4 Principe de la radio cognitive
I.2.5 Cycle de cognition
I.2.6 Fonctionnement de la radio cognitive
I.2.7 Composantes de la radio cognitive
I.2.8 Domaines d’application de la radio cognitive
I.3 Conclusion
CHAPITRE II : Green Networking et apprentissage par renforcement
II.1 Introduction
II.2 Green Networking
II.2.1 Définition
II.2.2 Efficacité énergétique dans les réseaux sans fil
II.2.3 Modèles de la consommation d’énergie
II.2.4 Green Networking dans les réseaux de radio cognitive
II.3 Apprentissage par renforcement
II.3.1 Apprentissage par renforcement dans les réseaux de radio cognitive
II.4 Conclusion
CHAPITRE III : Implémentation de l’application et évaluation des résultats
III.1 Introduction
III.2 Les outils de développement
III.2.1 Le langage Java
III.2.2 L’IDE NetBeans 8.2
III.2.3 L’API JFreeChart 1.0.19
III.3 Présentation de l’application
III.3.1 L’interface principale
III.3.2 Mécanisme de recherche dans la RC classique
III.3.3 Apprentissage par renforcement « Q-Learning »
III.3.3.1 L’algorithme Q-Learning
III.3.4 Résultats obtenus
III.3.4.1 Comparaison par rapport au temps de recherche
III.3.4.2 Comparaison par rapport à la consommation d’énergie
III.4 Conclusion
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES

Télécharger le rapport complet