Soutenance mémoire
Vers une adaptation dynamique autonome
Une radio consomme des ressources lorsqu’elle communique. Certaines ressources sont personnelles (e.g. énergie) alors que d’autres sont partagées entre tous les utilisateurs (e.g. spectre radio). Les objectifs/contraintes de conception ne cessent d’augmenter avec la popularité croissante des communications sans fils et les exigences toujours plus grandes de qualité de service (QoS : Quality of Service). Il est donc nécessaire d’assurer une gestion toujours plus efficace des ressources disponibles. Cet objectif d’optimisation peut être atteint en suivant deux approches différentes mais complémentaires. La première approche consiste à développer de nouvelles techniques pour transmettre l’information plus rapidement avec une plus grande fiabilité (e.g. modulations avancées, principe turbo, traitements multi-antennes). Cette approche a longtemps été privilégiée. La seconde approche passe par le développement d’équipements plus flexibles. Les concepteurs du système disposent alors d’un certain nombre de paramètres que l’équipement peut modifier en ligne pour s’adapter à son environnement. Les variations de l’environnement ne sont donc plus considérées comme un handicap mais comme une opportunité d’optimiser l’usage des ressources en fonction de la difficulté de la situation. La radio peut ainsi profiter de conditions favorables pour diminuer sa consommation d’énergie, réduire son empreinte spectrale (et ainsi augmenter la capacité du réseau) et/ou améliorer la QoS délivrée à l’utilisateur. Cette approche est susceptible de limiter énormément le gaspillage de ressource. Son intérêt n’est donc pas nouveau. Les systèmes de communication de seconde génération (e.g. GSM) peuvent déjà adapter leurs opérations aux conditions de propagation. Le contrôle de puissance à l’émission permet de garantir une fiabilité minimum du lien radio tout en réduisant les interférences générées. En réception, les performances du système sont optimisées à l’aide d’algorithmes adaptatifs capables d’ajuster leur complexité en fonction des variations du canal (e.g. égaliseur MLSE pour la norme GSM). L’adaptation reste cependant encore limitée. L’adaptation passe à un niveau supérieur avec l’arrivée d’architectures matérielles plus flexibles. Pour atteindre des débits toujours plus élevés, les radios peuvent désormais ajuster leur schéma de modulation et de codage en fonction des informations remontées par le récepteur sur la qualité du canal (e.g. 802.11, GPRS, EDGE, HSDPA). Les réseaux de troisième génération gagnent aussi en flexibilité et peuvent allouer dynamiquement les ressources en fonction de leur charge. La norme HSDPA permet ainsi d’affecter jusqu’à 15 codes à un utilisateur afin d’augmenter le débit de la communication. Les propriétés d’adaptation ne cessent de s’améliorer avec les nouveaux standards de communication mais le lien radio reste encore loin d’être complètement optimisé. Les mécanismes d’adaptation actuels sont définis sur des périmètres d’action étroits (accès au spectre contraint, flexibilité limitée des équipements, standards définis pour des tâches spécifiques). La radio réagit suivant une logique simple en fonction d’un nombre limité d’événements anticipés. L’algorithme de décision prend généralement la forme d’une suite d’expressions conditionnelles de type IF-THEN-ELSE [6]. Les règles utilisées s’appuient sur une table de correspondance associant une action prédéterminée à un ensemble de valeurs de l’espace d’entrée (comportement déterministe). Le schéma de modulation et de codage appliqué varie par exemple avec la valeur du rapport signal sur interférences plus bruit (SINR : Signal to Interferenceplus-Noise Ratio) estimé. Les valeurs seuils sont déterminées lors de la phase de conception du système à partir de simulations intensives. La table n’est plus susceptible d’évoluer en sortie de production.
Concept et champs d’application de la radio cognitive
La radio cognitive est un concept technologique poussant vers une adaptation totale et autonome des équipements vis-à-vis de leur contexte opérationnel. Une radio cognitive s’appuie sur une observation intelligente de son environnement pour adopter la meilleure ligne de conduite en toutes circonstances à l’aide d’actions réactives et proactives. Elle prend ses décisions dans le meilleur intérêt de l’utilisateur et du réseau et elle apprend de ses expériences pour toujours améliorer ses performances. La radio passe ainsi d’un simple exécuteur aveugle de protocoles prédéfinis à un agent intelligent, sensible au domaine radio et autonome. La radio cognitive a attiré une grande attention depuis son introduction en 1999 par Mitola [16]. La vision de Mitola projette le concept loin dans l’avenir en considérant le terminal radio comme un assistant personnel capable d’anticiper les besoins de l’utilisateur pour y répondre de la meilleure façon. Cette vision futuriste a depuis laissé place à des visions plus technologiques permettant une meilleure organisation des efforts de recherche sur le sujet. Nous noterons cependant qu’il aura fallu un certain temps à la communauté pour se mettre d’accord sur la définition et les propriétés attendues d’une radio cognitive [17, 18, 19, 20]. Encore maintenant, il est préférable de raisonner en termes de degrés de cognition pour distinguer les solutions proposées en fonction de leurs capacités intrinsèques [17, 21, 8]. La radio cognitive reste un sujet de recherche très vaste, stratégique pour tout acteur travaillant dans le domaine des télécommunications. Le concept de radio intelligente a donné naissance à un grand nombre d’applications particulièrement prometteuses [22] comme par exemple :
• L’accès opportuniste au spectre : Maximiser l’efficacité spectrale par une allocation dynamique des fréquences et une gestion efficace des interférences (reçues et émises) dans le respect du cadre de régulation.
• La conception cognitive du lien radio : Optimiser les performances du système radio en sélectionnant les blocs de traitement du signal les plus appropriés.
• La sélection de la meilleure technologie d’accès radio : Identifier le réseau d’accès répondant au mieux aux besoins de l’utilisateur pour un coût aussi faible que possible.
• L’adaptation de la topologie d’un réseau : Augmenter la couverture et la capacité d’un réseau par une coopération entre les radios. Étant donné son champ d’application, la radio cognitive est un sujet fortement multidisciplinaire exigeant des compétences en traitement du signal, réseau, analyse statistique, ingénierie logicielle et matérielle, prise de décision autonome, et apprentissage artificiel pour en citer quelques unes. Elle demande aussi de revisiter la régulation du spectre [23] ainsi que les modèles économiques développés pour les communications sans fils [24].
Contexte opérationnel d’une radio
Le contexte opérationnel regroupe l’ensemble des conditions sous lesquelles la radio opère. Il peut être analysé selon cinq dimensions :
• La dimension du régulateur : L’accès au spectre radio est contrôlé par un ensemble de lois définies par des organismes de régulation. Ces lois dictent les règles de bonne conduite qu’il est obligatoire de respecter pour utiliser le spectre. En fonction du temps et du lieu, elles interdisent certaines régions spectrales réservées à des utilisateurs prioritaires comme les équipements d’intervention d’urgence (policiers, pompiers, médecins) ou les radios traditionnelles opérant sur des bandes fréquentielles achetées et contrôlées par un fournisseur de service. De plus, ces lois assurent un comportement policé des radios opportunistes qui ne peuvent transmettre sur une bande fréquentielle si elle est détectée comme déjà occupée pour une autre communication. Elles contingentent aussi la quantité d’interférences que la radio peut s’autoriser à générer dans et en dehors de la bande sélectionnée/négociée. De part son aspect réglementaire, cette dimension impose des contraintes strictes sur la conception du lien radio notamment en termes de puissance maximale d’émission et de bande passante atteignable.
1. Une radio opportuniste peut se contenter d’adopter une politique prédéfinie déclenchée en fonction des mesures sur le spectre radio. Nous ne partageons pas cette idée couramment admise. Nous pensons en effet que l’apprentissage reste un élément important dans une optique d’optimisation des performances.
2. Nos travaux vont au-delà de cette recommandation puisque nous avons mis en place une méthode simple et efficace d’acquisition incrémentale des connaissances.
• La dimension de l’opérateur : L’opérateur doit respecter rigoureusement le cadre de régulation en vigueur mais il peut à son tour imposer des contraintes plus ou moins souples afin de répartir correctement les ressources spectrales entre ses abonnés. Il cherche avant tout à maximiser la capacité de son réseau afin d’accueillir un nombre toujours plus grand d’utilisateurs dans les meilleures conditions possibles. Cette dimension va donc influencer la phase de conception en orientant la radio vers des configurations plus ou moins gourmandes en ressources spectrales en fonction de la charge du réseau.
• La dimension de l’utilisateur : L’utilisateur est directement concerné par la qualité du service fourni par le lien radio. La qualité d’un service est une notion qualitative prenant un sens quantitatif différent pour chaque application. Les applications temps-réel valorisent les communications de faible latence alors que l’efficacité du lien radio se mesure en termes de débit pour les applications non temps-réel. Étant donné que l’utilisateur attend la meilleure QoS possible, cette dimension impose des objectifs de performance pour la radio.
• La dimension de l’équipement : La radio a un périmètre d’action délimité par la flexibilité et l’agilité de sa plateforme matérielle. Elle ne peut émettre au-delà de la puissance maximale de son amplificateur et elle ne dispose que d’un nombre limité de traitements à appliquer. Cette dimension limite donc les capacités d’adaptation de la radio. Au-delà de ses possibilités de reconfiguration, une radio cognitive doit aussi être sensible à sa consommation d’énergie (et au temps de batterie restant), à sa puissance de calcul et à ses capacités mémoire. Cette dimension va alors infléchir sur le processus de conception en favorisant les configurations qui maximisent l’autonomie de la batterie (par exemple).
• La dimension associée à l’environnement radio : L’environnement radio fournit le support de communication utilisé par le système. Son influence sur les performances de la communication dépend de la forme d’onde développée et du récepteur mis en place. Le lien radio gagnera en efficacité si le signal est modulé sur une large bande passante à moins qu’il ne soit perturbé par une ou plusieurs sources d’interférence. De la même manière, la QoS sera fortement dégradée si la radio évolue dans un canal très sélectif sans une structure complexe de récepteur. Un récepteur plus simple serait par contre envisageable en présence d’un trajet direct. Cette dimension permet donc d’établir les frontières de décision entre les alternatives disponibles [19].
Organisation interne d’une radio cognitive
Le comportement intelligent d’une radio est dû à l’introduction d’un moteur cognitif structurant les opérations de modélisation, de prise de décision et d’apprentissage nécessaires au contrôle dynamique du processus de reconfiguration. Le système de communication alimente le moteur cognitif avec les informations qu’il récupère sur son contexte opérationnel (e.g. mesures sur l’environnement radio, indicateurs de performance, politiques diffusées, niveau de batterie restant). Le moteur cognitif analyse les exigences de l’utilisateur et de l’opérateur, les régimes de régulation ainsi que le lien physique afin d’identifier les objectifs de conception et les contraintes applicables. Il se base ensuite sur cette compréhension du contexte pour adapter les paramètres de la pile protocolaire du système de communication. Le cadre de régulation est défini à l’aide de politiques mémorisant les contraintes d’accès au spectre dans un langage compréhensible par la machine. Les politiques sont diffusées localement et les contraintes peuvent évoluer en fonction du temps et du lieu. La radio doit respecter en permanence le cadre de régulation. Elle dispose pour cela d’un moteur d’inférence (policy engine) capable de bloquer toute solution violant les règles de régulation locales. Le moteur d’inférence est un composant cognitif appliquant un raisonnement déductif à partir d’informations exprimées dans un langage machine standardisé. Les capacités d’inférence du moteur peuvent être mises à profit pour d’autres activités. Par exemple, le moteur cognitif peut faire appel à lui pour analyser les possibilités de reconfiguration des objets communicants, pour identifier les objectifs opérationnels, voire pour proposer une stratégie de communication adaptée. Le moteur d’inférence sera exploité plus ou moins intensément en fonction de l’approche cognitive adoptée (cf. 2.4). Ce composant est néanmoins obligatoire ne serait-ce que pour garantir la légalité des propositions du moteur cognitif vis-à-vis du cadre de régulation
Modélisation de l’environnement radio
L’environnement radio a un impact majeur sur les performances des configurations et les exigences de QoS sont plus ou moins difficiles à atteindre en fonction des conditions de propagation. L’égalisation est, par exemple, nécessaire lorsque le canal fait apparaître de l’interférence inter-symboles. Si le canal n’est pas sélectif, elle devient plus handicapante qu’utile en raison de la complexité des traitements appliqués. Le moteur cognitif a besoin de modéliser l’environnement radio afin d’estimer l’adéquation des configurations aux objectifs de QoS. Le modèle est voulu aussi fidèle et compact que possible afin de guider le raisonnement logique avec efficacité tout en limitant la complexité du processus de décision. Le canal radio est un milieu de propagation que l’on peut caractériser par de nombreuses mesures (e.g. rapport signal sur interférences plus bruit, réponse impulsionnelle du canal). Ces mesures sont traditionnellement utilisées par le récepteur (e.g. égalisation) et l’émetteur (e.g. adaptation de modulation et de codage). L’analyse du spectre radio requiert en revanche plus d’efforts de recherche car les radios actuelles ne sont dotées d’aucune sensibilité spectrale, l’accès au spectre étant contrôlé par un processus centralisé et déterministe (i.e. la station de base dispose d’un nombre limité de canaux physiques alloués dynamiquement en fonction de leur disponibilité).
Dépendance à un modèle analytique
Lorsqu’il est confronté à un nouveau problème, le moteur cognitif simule l’évolution du comportement de la radio avant de tester la configuration la plus prometteuse. Cette expérimentation virtuelle est réalisée en parallèle de la communication donc la radio n’est pas perturbée par les essais répétés du moteur cognitif. C’est un avantage en première analyse. Nous notons cependant que la qualité de l’expérimentation dépend fortement de la fidélité du modèle de simulation vis-àvis de la situation rencontrée. Lors de la phase d’évaluation, les performances des configurations sont estimées à l’aide d’expressions issues de modèles analytiques. Comme l’a souligné Baldo [31],ces modèles présentent des inconvénients dans un contexte de radio cognitive :
• Ils sont basés sur des hypothèses de modélisation (e.g. idéalisation du canal) qui ne s’appliquent pas toujours pour les scénarios de la vie réelle.
• Les résultats du modèle peuvent être biaisés par rapport aux performances réelles à cause du comportement non idéal de l’équipement, de la défaillance de certains composants ou encore de la présence de facteurs environnementaux non prévus.
• Des modèles analytiques ne sont pas disponibles pour toutes les situations.
• Certains modèles ne peuvent pas être implémentés dans le moteur cognitif sans introduire une complexité excessive limitant l’intérêt des algorithmes génétiques.
• A chaque fois que la radio intègre un nouveau composant, il est nécessaire de développer hors-ligne un nouveau modèle analytique puis de le charger dans le système. C’est un inconvénient majeur avec la flexibilité grandissante des équipements et la diversité des environnements radio amenés à être rencontrés. Cet inconvénient est d’autant plus fort si le développement du modèle requiert un effort humain important. Pour s’affranchir de ces problèmes, la radio cognitive doit intégrer des capacités de prédiction afin d’estimer l’impact réel de l’environnement radio sur les performances des configurations. L’intérêt d’un modèle prédictif apparaît plus clairement à la lecture de [33].
Scénario considéré pour l’évaluation du moteur cognitif
Le scénario adopté est illustré à la figure 3.1. Le moteur cognitif supervise la reconfiguration du lien radio en sélectionnant les blocs de traitement du signal dynamiquement en fonction de la difficulté du canal radio et des objectifs imposés. Le moteur cognitif prend ses décisions par rapport à trois objectifs de conception spécifiés en fonction du contexte. Les radios doivent maintenir en priorité une QoS donnée en garantissant un taux d’erreurs binaires (BER : Bit Error Rate) en dessous d’une valeur maximale. Le moteur cognitif cherche ensuite à maximiser le débit de données. Il peut aussi avoir à préserver l’énergie de la batterie en minimisant la complexité algorithmique des algorithmes de traitement du signal appliqués. Dans ce scénario, les équipements ont une flexibilité limitée mais suffisante pour déjà offrir une large gamme de compromis possibles entre les objectifs. Ils peuvent modifier leur modulation et leur code correcteur d’erreurs en fonction de la qualité du lien radio. Le récepteur peut aussi changer d’égaliseur en fonction de la sélectivité du canal. Ce second cas d’adaptation est très souvent suggéré dans l’état de l’art (e.g. [19]) mais il n’a pas encore été traité selon une approche cognitive à notre connaissance. Il présente en effet certaines difficultés pour les solutions reposant sur des modèles analytiques pour la prise de décision (e.g. approche exploratoire). Les expressions analytiques utilisées introduisent un biais de modélisation dans le calcul des performances des configurations. Le moteur cognitif peut alors sélectionner une configuration a priori satisfaisante pour se rendre compte qu’elle se comporte beaucoup moins bien en réalité. Les expressions analytiques sont simples à utiliser pour un canal à bruit blanc additif gaussien (AWGN : Additive White Gaussian Noise) [4] mais elles sont beaucoup plus difficiles à obtenir pour des modèles de canaux plus complexes [107]. De plus, les expressions dérivées sont souvent exigeantes en ressources algorithmiques ce qui pénalise la batterie de l’équipement. Cet inconvénient est amplifié pour l’approche exploratoire puisque le moteur cognitif évalue plusieurs solutions en parallèle sur plusieurs générations. Ce scénario de conception cognitive du lien radio nous apparaît donc intéressant pour mettre en valeur notre approche (basée sur une modélisation boîte noire) et la valider à l’aide de résultats expérimentaux. Le moteur cognitif est testé sur sa capacité à résoudre un problème de conception donné. Chaque problème est caractérisé par :
• un état particulier du canal radio,
• un ensemble de politiques guidant et contraignant les choix du moteur cognitif.
Les politiques de conception sont mises au point par le moteur d’inférence lors de la phase d’analyse du contexte. De manière générale, nous distinguons deux types de politiques. Les politiques de restriction limitent l’espace de conception en imposant des contraintes à vérifier (cadre de régulation, capacités des équipements, exigences de QoS). Les politiques d’optimisation définissent des préférences entre les objectifs afin de quantifier le compromis recherché (e.g. préférer les configurations simples pour préserver l’énergie de la batterie). Les radios profitent de la période d’initialisation de la communication pour réaliser des mesures sur leur environnement radio (e.g. SNR, profil du canal). Elles communiquent au départ avec une configuration prédéfinie (généralement robuste). Ce lien radio initial leur permet d’échanger des informations pour la mise au point des objectifs opérationnels. Ces informations sont exprimées dans un langage standard afin de favoriser leur traitement. Elles concernent le cadre de régulation, la flexibilité des équipements engagés, les préférences des utilisateurs (de l’opérateur pour une station de base) et les contraintes énergétiques des équipements portables. Le moteur d’inférence entretient une base de connaissances mémorisant les politiques de régulation diffusées, les profils matériels des équipements fréquemment rencontrés, les profils des applications disponibles ainsi qu’un modèle de l’utilisateur :
• Les politiques de régulation spécifient quelles sont les bandes accessibles ainsi que le niveau de puissance d’émission maximal autorisé.
• Le profil d’un équipement indique quels sont les paramètres sur lesquels le moteur cognitif peut jouer.
• Le profil de l’application précise quelles sont les performances minimales attendues pour délivrer correctement le service. La notion de performance prend un sens différent pour chaque application. Elle se traduit par un ensemble de valeurs cibles pour les indicateurs de performance jugés clés pour le service considéré (e.g. garantir un BER en dessous de 10−3). Le profil peut proposer plusieurs niveaux de QoS en fonction des codes source applicables (cf. sec. 2.3). Il peut aussi donner des consignes d’optimisation pour mieux guider le processus de conception (e.g. augmenter le débit de transmission pour une application de transfert de fichiers).
• Le modèle de l’utilisateur mémorise ses préférences qualitatives vis-à-vis des critères le concernant (e.g. QoS, autonomie énergétique, coût). Un professionnel recherche, par exemple, à obtenir la meilleure QoS pour travailler efficacement malgré un coût élevé (e.g. pour louer une large bande fréquentielle [108]). Il sera par contre plus sensible au coût du service dans un contexte non professionnel. La phase d’analyse du contexte est réalisée en grande partie selon une approche experte : le moteur cognitif s’appuie sur la logique événementielle du moteur d’inférence pour identifier les politiques de conception s’appliquant au contexte. Le moteur cognitif pourrait néanmoins profiter de modèles prédictifs pour caractériser plus précisément son contexte et ainsi dériver des objectifs plus en adéquation avec les mesures récoltées. Des études plus poussées sont cependant nécessaires dans cette direction. 8 A titre d’exemple, Koutsorodi et al. [109] utilisent des réseaux bayésiens pour modéliser les préférences de l’utilisateur.
|
Table des matières
Table des figures
Liste des tableaux
Chapitre 1 Introduction
1.1 Contexte
1.1.1 Conception statistique d’un système radio
1.1.2 Vers une adaptation dynamique autonome
1.1.3 Concept et champs d’application de la radio cognitive
1.2 Objectifs de la thèse
1.3 Organisation du document
Chapitre 2 Intelligence artificielle appliquée aux télécommunications
2.1 Introduction d’un cycle cognitif dans une radio flexible
2.2 Conception d’un système de communication cognitif
2.2.1 Contexte opérationnel d’une radio
2.2.2 Organisation interne d’une radio cognitive
2.2.3 Axes de recherche
2.3 Conception d’un moteur cognitif
2.3.1 Détermination du problème de conception
2.3.2 Résolution du problème de conception
2.3.3 Synoptique d’un moteur cognitif
2.4 Approches cognitives existantes
2.4.1 Approche experte
2.4.2 Approche exploratoire
2.4.3 Approche prédictive
2.5 Approche adoptée dans nos travaux
Chapitre 3 Démarche de conception du moteur cognitif
3.1 Scénario considéré pour l’évaluation du moteur cognitif
3.2 Modélisation du problème de prise de décision autonome
3.2.1 Hiérarchisation des objectifs et étapes de résolution du problème
3.2.2 Introduction de relations d’ordre entre les alternatives
3.2.3 Formalisation de la prise de décision comme un problème de classification
3.2.4 Avantages du modèle proposé
3.3 Codification de l’expertise
3.4 Cadre d’apprentissage
3.4.1 Discussion sur les différentes formes d’apprentissage
3.4.2 Buts de l’apprentissage
3.5 Techniques d’intelligence artificielle choisies
3.5.1 Pour la prédiction des performances
3.5.2 Pour la gestion du dilemme exploration/exploitation
3.5.3 Pour la sélection de la configuration la plus adaptée
Chapitre 4 Mécanismes cognitifs pour la prise de décision autonome dans un espace de conception totalement ordonné
4.1 Organisation structurelle du moteur cognitif
4.2 Description des mécanismes cognitifs
4.2.1 Processus d’analyse prédictive
4.2.2 Processus de décision
4.2.3 Processus d’expérimentation
4.2.4 Processus d’apprentissage
4.2.5 Algorithme de supervision
4.3 Evaluation du moteur cognitif
4.3.1 Présentation des indicateurs de performance
4.3.2 Présentation des radios de référence
4.3.3 Résultats
Chapitre 5 Mécanismes cognitifs pour la prise de décision autonome dans un espace de conception partiellement ordonné
5.1 Organisation structurelle du moteur cognitif généralisé
5.2 Extension des mécanismes cognitifs
5.2.1 Processus d’analyse prédictive
5.2.2 Processus d’expérimentation
5.2.3 Processus d’apprentissage
5.2.4 Algorithme de supervision
5.3 Evaluation du moteur cognitif
5.3.1 Présentation d’indicateurs de performance supplémentaires
5.3.2 Résultats
Chapitre 6 Moteur cognitif complet fondé sur les concepts proposés
6.1 Améliorations du moteur à l’aide de mécanismes cognitifs avancés
6.1.1 Améliorations par des techniques existantes
6.1.2 Mécanismes proposés pour des améliorations supplémentaires
6.2 Gestion d’un environnement dynamique
6.2.1 Organisation structurelle du moteur cognitif
6.2.2 Organisation fonctionnelle du moteur cognitif
6.3 Gestion d’un espace de conception à complexité accrue
6.3.1 Prise en compte de plusieurs contraintes de performance simultanées
6.3.2 Augmentation de la flexibilité des équipements
6.4 Application des concepts à l’accès opportuniste au spectre
Chapitre 7 Conclusion et perspectives
7.1 Bilan des travaux réalisés
7.2 Contributions
Annexe A Modélisation analytique du système de communication reconfigurable
Annexe B Compléments d’information sur les mécanismes cognitifs
B.1 Processus d’expérimentation généralisé
B.2 Résultats supplémentaires
Glossaire
Références bibliographiques
Télécharger le rapport complet
