Optimisation de la liaison montante pour un réseau de capteurs sans fil avec la contrainte d'énergie

Energy optimization of the uplink for a wireless sensor network with the energy constraint

• Auteur / Autrice : Manel Kortas
• Direction : Vahid Meghdadi Neyshabouri, Tahar Ezzedine
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 18/07/2020
• Etablissement(s) : Limoges en cotutelle avec Systèmes de Communications (Tunis)
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)
• Partenaire(s) de recherche : Laboratoire : XLIM
• Jury : Président / Présidente : Taoufik Aguili
• Jury : Examinateurs / Examinatrices : Vahid Meghdadi Neyshabouri, Tahar Ezzedine, Rabah Attia, Ammar Bouallegue, Oussama Habachi
• Jury : Rapporteurs / Rapporteuses : Samir Saoudi, Ridha Bouallegue

Mots clés

Mots clés contrôlés

Économies d'énergie

Acquisition automatique des données

Réseaux de capteurs (technologie)

Mots clés libres

Réseaux de capteurs sans fil

Acquisition comprimée

Complétion de matrice

Collecte de données

Interpolation de données

Efficacité énergétique

Wireless sensor networks

Compressive sensing

Matrix completion

Data gathering

Data interpolation

Energy efficiency

Résumé

Dans cette thèse, nous nous intéressons à la collecte de données avec la contrainte d'énergie pour les réseaux de capteurs sans fil (RCSFs). En effet, il existe plusieurs défis qui peuvent perturber le bon fonctionnement de ce type de réseaux. Par exemple, les applications des RCSFs doivent faire face aux capacités très limitées en termes d’énergie, de mémoire et de traitement des nœuds de capteurs. De plus, à mesure que la taille de ces réseaux continue de croître, la quantité de données à traiter et à transmettre devient énorme. Dans de nombreux cas pratiques, les capteurs sans fil sont répartis sur un champ physique afin de surveiller les phénomènes physiques à forte corrélation spatio-temporelle. Par conséquent, l'objectif principal de cette thèse est de réduire la quantité de données traitées et transmises dans le scénario de collecte de données. Dans la première partie de cette thèse, nous utilisons le Compressive Sensing (CS), une technique prometteuse pour exploiter cette corrélation afin de limiter le nombre de transmissions et ainsi augmenter la durée de vie du réseau. En règle générale, nous nous intéressons à la topologie de réseau maillé, où le point de collecte de données n'est pas situé dans le rayon de communication du capteur transmetteur et des schémas de routage doivent être alors appliqués. Nous proposons le Space-Time Compressive Sensing (STCS) en exploitant conjointement la dépendance de données inter-capteurs et intra-capteur. De plus, comme le routage et le nombre de retransmissions affectent de manière significative la consommation totale d’énergie, nous introduisons le routage dans notre fonction de coût afin d’optimiser la sélection des capteurs de transmission. Les simulations montrent que cette méthode surpasse les méthodes existantes et confirment la validité de notre approche. Dans la deuxième partie de cette thèse, nous tentons de traiter un désign d’économie d’énergie presque similaire à celui proposé dans la première partie avec l’utilisation de la méthodologie de Matrix Completion (MC). Précisément, nous supposons qu'un nombre limité de nœuds de capteurs sont sélectionnés pour être actifs et représenter l'ensemble du réseau, tandis que les autres nœuds restent inactifs et ne participent pas du tout à la détection et à la transmission de leurs données. Bien que l'application d'un taux de compression des données élevé réduit considérablement la consommation d'énergie globale du réseau, la durée de vie du réseau n'est pas nécessairement prolongée en raison de l'épuisement inégal des batteries des nœuds de capteurs. A cette fin, dans la troisième partie de cette thèse, nous développons l'approche de collecte de données Energy-Aware Matrix Completion (EAMC), qui désigne les nœuds actifs en fonction de leurs niveaux d'énergies résiduelles. De plus, étant donné que nous sommes principalement intéressés par les scénarios de perte de données élevées, la quantité limitée de données fournies doit être suffisante en termes de qualité informative qu'elle détient afin d'atteindre une précision de récupération bonne et satisfaisante pour l'ensemble des données du réseau. Pour cette raison, l'EAMC sélectionne les nœuds qui peuvent représenter le mieux le réseau en fonction de leur inter-corrélation ainsi que de l'efficacité énergétique du réseau, avec l'utilisation d'une métrique combinée qui est éco-énergétique et basée sur la corrélation. Cette fonction de coût, qu'on a introduit, change avec le type d'application que l'on veut effectuer, dans le but d'atteindre une durée de vie plus longue pour le réseau.

In this dissertation, we are interested in the data gathering with energy constraint for Wireless Sensor Networks (WSNs). Yet, there exist several challenges that may disturb a convenient functioning of this kind of networks. Indeed, WSNs' applications have to deal with limited energy, memory and processing capabilities of sensor nodes. Furthermore, as the size of these networks is growing continually, the amount of data for processing and transmitting becomes enormous. In many practical cases, the wireless sensors are distributed across a physical field to monitor physical phenomena with high space-time correlation. Hence, the main focus of this thesis is to reduce the amount of processed and transmitted data in the data gathering scenario. In the first part of this thesis, we consider the Compressive Sensing (CS), which is a promising technique to exploit this correlation in order to limit the number of transmission and therefore increase the lifetime of the network. Typically, we are interested in the mesh network topology, where the sink node is not in the range of sensors and routing schemes must be applied. We propose a joint Space-Time Compressive Sensing (STCS) by exploiting jointly the inter-sensors and intra-sensor data dependency. Moreover, since the routing and the number of retransmission affect significantly the total energy consumption, we introduce the routing in our cost function in order to optimize the selection of the transmitting sensors. Simulation results show that this method outperforms the existing ones and confirm the validity of our approach. In the second part of this thesis, we attempt to address nearly the same twofold energy saving scheme that is investigated in the first part with the use of the Matrix Completion (MC) methodology. Precisely, we assume that a restricted number of sensor nodes are selected to be active and represent the whole network, while the rest of nodes remain idle and do not participate at all in the data sensing and transmission. Furthermore, the set of active nodes' readings is efficiently reduced, in each time slot, according to a cluster scheduling with the Optimized Cluster-based MC data gathering approach (OCBMC). Relying on the existing MC techniques, the sink node is unable to recover the entire data matrix due to the existence of the completely empty rows that correspond to the inactive nodes. Although applying a high data compression ratio extremely reduces the overall network energy consumption, the network lifetime is not necessarily extended due to the uneven energy depletion of the sensor nodes' batteries. To this end, in the third part of this thesis, we have developed the Energy-Aware Matrix Completion based data gathering approach (EAMC), which designates the active nodes according to their residual energy levels. Furthermore, since we are mainly interested in the high data loss scenarios, the limited amount of delivered data must be sufficient in terms of informative quality it holds in order to reach good and satisfactory recovery accuracy for the entire network data. For that reason, the EAMC selects the nodes that can best represent the network depending on their inter-correlation as well as the network energy efficiency, with the use of a combined energy-aware and correlation-based metric. This introduced active node cost function changes with the type of application one wants to perform, with the intention to reach a longer lifespan for the network.