Clustering et les réseaux de radio cognitive

Radio Cognitive

Le terme « Radio Cognitive » a toujours été relié à la capacité d’accès dynamique au spectre, cela veut dire que la radio peut utiliser une zone du spectre électromagnétique qui n’est pas utilisé par autres radios, cela sans le moindre problème d’interférence. Cependant, le spectre étant une ressource mal utilisée car selon les études de [1] qui montrent que moins de 5% du spectre en dessous de 3 GHz est utilisé en termes de fréquence, espace et temps. De même il existe un spectre qui peut ne pas être exploité que pendant quelques fractions de temps. Vu que le spectre est une ressource importante pour les utilisateurs ainsi que pour les gouvernements, il est sujet d’une agression de compétition commerciale et de régulation gouvernementale, comme au Etat Unis de l’Amérique le revenu total de la location du spectre est estimé aux environs de 60 billions de dollars [2], ce gain n’est que l’image d’une compétition et une demande inégalée à la location de bandes spectrales, cette demande qui fait face à un spectre mal géré et presque complètement loué . De ce fait, la radio cognitive est reconnue comme étant une solution aux problèmes de disponibilité du spectre grâce à sa capacité de percevoir son environnement, détecter le spectre sous-utilisé (trou) à un temps et endroit spécifique puis à ajuster la transmission selon l’opportunité, sans dégrader la qualité de transmission de l’utilisateur primaire.

Le concept de la radio cognitive a été premièrement introduit par Joseph Mitola et G.Q.Maquire en 1999 [3] puis raffiné en 2000 par Mitola où une radio doit avoir une conscience de sois même, de l’environnement et posséder des connaissance; puis vient le IEEE en 2008 [4] qui ajoute à cette définition l’aspect décisionnel grâce à des données primaires et un objectif prédéfini. Puis en 2011 vient ITU «le group de l’étude de la radio communication» qui valide une définition améliorée par HAYKIN [5]: la radio cognitive est un système de communication sans fil intelligent conscient de son environnement et se sert de méthodes de compréhension par construction afin d’apprendre de son environnement et s’adapter à ses états internes aux variations statistiques des stimuli RF entrants en faisant les changements correspondant à des paramètres opérationnels de la puissance de transmission, fréquence et modulation; en temps réel avec deux objectifs primordiaux:

Clustering et les réseaux de radio cognitive

Pour les réseaux de radio cognitive, il est bien connu que le Clustering mène à un fonctionnement plus stable du réseau, cela est du à plusieurs points, premièrement en formant des Cluster la capacité d’observation s’améliore cela prévient des interférences venant des SU vers les PU, aussi le routage devient simplifier si des Clusters sont formé dans un réseau de radio cognitive [22]. D’un autre angle, l’activité des PU est généralement imprévisible pour les SU, donc la connectivité entre un ensemble de SU n’est pas garantie du au fait que à chaque détection d’activité primaire les SU vont basculer vers un autre canal, ce qui potentiellement générera une perte de connexion, un Clustering génère une dépendance entre les canaux libres et ceux utilisés dans un Cluster ce qui a un impact sur la stabilité, outre il détermine aussi la connectivité intra-Cluster ce qui décrit la robustesse de tout l’ensemble. L’une des fonctionnalités désirées du Clustering est la robustesse de la connectivité, ce qui est équivalant à former des Clusters où les membres du Cluster se partagent un grand nombre de canaux et les Clusters se diffèrent aussi en termes de nombre de canaux [23]. Dans ce domaine, plusieurs études ont été faites pour adapter des algorithmes de Clustering à la formation des réseaux de radio cognitive basées sur plusieurs facteurs dont on peut citer des travaux basés sur la variance des canaux où le Cluster est formé selon les canaux disponibles pour tel SU par rapport à son voisinage à un seul saut, d’autres sur la variance du canal de contrôle qui est basé sur le plus grand ensemble de canaux communs entre les membres du Cluster, dans une autre version le Clustering est basé sur la notion du spectre disponible, le voisinage et les bornes du Cluster [24] .

Conclusion générale

La Radio cognitive étant une technologie nouvelle visant la résolution du problème de la pénurie du spectre, elle offre une variété de contexte d’étude dont la gestion coopérative du spectre et la connectivité font partie. La variance de la disponibilité du canal est un facteur décisive sur la qualité de la connectivité et la robustesse du réseau de la radio cognitive, afin de le bien gérer, le Clustering s’avère nécessaire. Autrement dit, former des Clusters permettra de former des réseaux de radio cognitive qui se composent de noeuds homogènes ce qui améliorera leurs coopérativités. Ainsi, pour notre modeste étude, nous nous sommes servis de la localisation comme critère de sélection dans deux algorithmes de Clustering basée sur K-means mais qui se servirons de la diffusion, la distribution et l’exécution parallèle, tout en optant pour une structuration de l’ensemble des noeuds selon un modèle de diffusion dans deux architectures différentes ; la première en étoile et la deuxième en anneau. Notre simulation approuve les résultats souhaités et obtenus de l’étude comparative, montrant un gain important en termes de temps d’exécution et en nombre de messages échangés. Finalement et comme perspective, nous pouvons améliorer notre travail en implémentant un algorithme de gestion de mobilité sachant que les noeuds radio cognitive sont en mouvement ce qui implique que le Clustering dois être maintenu en temps réel. La variance de la disponibilité du canal pour les noeuds radio cognitive dégrade la connectivité et la robustesse d’un réseau de radio cognitive, l’utilisation du « Clustering » est une approche efficace pour répondre à ce défi. Le Clustering permettra un accès coopératif au spectre; grâce à sa capacité de former des Clusters dynamiques qui assureront une meilleure connectivité et robustesse du réseau de radio cognitive.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Sommaire
Table des illustrations
Introduction générale
Problématique
Objectifs
Chapitre I: Radio Cognitive
I.1 Introduction
I.2 Historique
I.3 Définitions de la radio cognitive
I.3.1 Composantes de la radio cognitive
I.3.1.1. Emetteur / Récepteur
I.3.1.2. Analyseur de spectre
I.3.1.3. Apprentissage et extraction de connaissances
I.3.1.4. Prise de décision
I.3.2 Cycle de cognition et fonctionnement de la radio cognitive
I.3.2.1 Phase d’observation
I.3.2.2 Phase d’analyse
I.3.2.3 Phase de décision
I.3.3 Reconfigurabilité de la radio cognitive
I.3.3.1 La gestion du spectre
I.3.3.2 La mobilité du spectre
I.3.4 Réseaux de radio cognitive
I.3.4.1 La disponibilité dynamique du canal
I.3.4.2 La diversité des canaux exploités
I.3.4.3 L’absence d’un canal de contrôle commun
I.3.4.4 Intégrer la découverte de la route avec la décision du canal
I.3.4.5 Minimisation du temps de changement et de repos du canal
I.3.4.6 Transmission multiple pour les Broadcaste et les Multicast
I.3.4.7 L’hétérogénéité des SU
I.3.4.8 Mobilité des SU
I.3.4.9 Consommation d’énergie dans le réseau
I.3.4.10 L’apport entre les sauts et la performance du réseau de radio cognitive
I.4 Conclusion
Chapitre II: Algorithmes proposés
II.1 Introduction
II.1.1 L’intelligence artificiel
II.1.2 L’apprentissage non supervisé
II.1.3 Clustering
II.1.3.1 Distance intra-Cluster
II.1.3.2 Distance inter-Cluster
II.1.3.3 Métriques de distances
II.1.3.4 Fonction de critère de liaison
II.1.4 Algorithme K-means
II.1.5 Clustering et les réseaux de radio cognitive
II.1.6 L’indice de Davies-Bouldin
II.2 Présentations des deux algorithmes
II.3 Premier algorithme : K-means distribué utilisant la diffusion
II.3.1 Motivation
II.3.2 Assomption
II.3.3 Etapes de l’algorithme
II.3.3.1 Publication
II.3.3.2 L’écoute
II.3.3.3 L’inscription
II.3.3.4 La confirmation
II.3.3.5 La propagation
II.3.3.6 Les élections
II.3.3.7 Le couronnement
II.3.3.8 L’allégeance
II.3.4 Variables utilisées dans un noeud radio cognitive
II.3.5 Convergence :
II.3.6 Algorithme
II.4 Deuxième algorithme: K-means distribué sur un anneau
II.4.1 Motivation
II.4.2 Assomption
II.4.3 Etapes de l’algorithme
II.4.3.1 L’élection
II.4.3.2 L’évaluation
II.4.4 Structure de données du vecteur
II.4.5 Structure de données de l’indice de Davies-Bouldin
II.4.6 Convergence
II.4.7 Algorithme
II.5 Conclusion
Chapitre III: Présentation De L’application
III.1 Introduction
III.2 Bibliothèques utilisées
III.2.1 JADE
III.2.2 JFreeChart
III.3 Application développée
III.3.1 L’interface du premier algorithme: K-means distribué utilisant la diffusion
III.3.2 L’interface du deuxième algorithme: K-means distribué sur un anneau
III.4 Etude comparative
III.4.1 Comparaison en termes de nombre de messages
III.4.2 Comparaison en termes de temps d’exécution
III.5 Conclusion.
Conclusion Générale
Conclusion générale
Références