Rapport de Stage Master Option : Réseaux et systèmes communicants Sujet : Déploiement efficace de réseaux de capteurs Etudiant : Cheikh Mbacke Thiam Superviseur: Dr Tan Hwee Pink 2011 - 2013 Déploiement efficace de réseaux de capteurs Tables des matières Introduction .4 1.1 Contexte 1.2 Énoncé du problème 1.3 Contributions 1.4 Organisation du rapport Etat de l’art 2.1 Couverture et Connectivité 2.2 Mécanismes de propagation du signal radio 11 Implémentation de SmartPloy .12 3.1 Architecture matérielle 13 3.2 Architecture Logicielle 15 Modélisation statistique 25 4.1 Procédure générique 27 4.2 Modélisation statistique de la puissance du signal 27 4.2.1 Collection de données sur la puissance du signal 29 4.2.2 Analyse Temporelle 31 4.3 Modélisation statistique du phénomène physique 35 4.3.1 Collection des données de bruit 35 4.3.2 Analyse temporelle 37 Conclusion et Perspectives 40 Références 41 IFI & I2R Page Déploiement efficace de réseaux de capteurs Tables des illustrations Figure 1: Motifs réguliers (gauche) & Déploiement avec obstacles (droite) Figure : Triangulation de Delaunay 10 Figure : Mécanismes de propagation du signal 12 Figure : Configuration et Lancement serveur 14 Figure : L'outil SmartPloy sans le serveur 15 Figure : Interface utilisateur pour configuration 16 Figure : Affichage d'une carte 17 Figure : Organigramme de chat 18 Figure : Capture des messages de chat 19 Figure 10 : Syncronisation entre Téléphones de SmartPloy 20 Figure 11 : Mesure des données 22 Figure 12 : Interface pour envoyer ou recevoir des données 23 Figure 13 : Communication dans SmartPloy 25 Figure 14 : Processus pour la mise en place d'un modèle 27 Figure 15 : Collection de données dans une zone sans obstacles 30 Figure 16 : Collection de données autour d'une route 31 Figure 17 : RSSI sur Distance, en zone sans obstacles 32 Figure 18 : RSSI sur Distance autour d'une route 32 Figure 19 : Régression vers la moyenne 33 Figure 20 : Comparaison avec la densité gaussienne 34 Figure 21 : Analyse des fréquences 36 Figure 22 : Analyse des fréquences (2) 36 Figure 23 : Collection de données de bruit 37 Figure 24 : Times series pour l'utilisateur 38 IFI & I2R Page Déploiement efficace de réseaux de capteurs Résumé Le déploiement de nœuds dans un réseau de capteurs est une question très importante et non négligeable dans les réseaux de capteurs sans fil (WSN) Le plan de déploiement détermine le nombre de capteurs qui est nécessaire dans la région d’intérêt, ainsi que l'emplacement exact de chacun de ces capteurs Un grand nombre de capteurs peut généralement être utilisé pour fournir un plus grand degré de redondance dans la zone d’intérêt, mais cela peut conduire une augmentation du coût global de déploiement du réseau de capteurs, d’où la nécessité de l’optimiser Un bon plan de déploiement doit satisfaire la fois la demande et les exigences du réseau - tels que la couverture et la connectivité des nœuds dans le réseau En outre, il convient de tenir en compte l'hétérogénéité des types de nœuds dans le réseau, ainsi que la variabilité de l'environnement physique dans lequel les nœuds sont déployés Par exemple, dans un environnement urbain où les bâtiments, les voitures, les arbres sont présents, il existe de nombreuses interférences de l'environnement qui peuvent affecter la portée de la communication et donc la connectivité des capteurs Dans ce travail, nous développons d'abord un outil d'analyse de site, qui nous permet d'acquérir efficacement des données sur l'environnement physique - comme la qualité du signal radio et le phénomène observer comme le bruit Nous appellerons cet outil SmartPloy Ensuite nous passons une étape de collection de données Ces données servirons construire des modèles statistiques qui devront être ensuite utilisés pour améliorer et optimiser le plan de déploiement de capteurs, prenant en compte ainsi les différentes contraintes physiques, et environnementales qui existent dans un milieu urbain IFI & I2R Page Déploiement efficace de réseaux de capteurs Introduction Un réseau de capteurs sans fil (WSN) est composé d'un grand nombre de nœuds servant surveiller les phénomènes physiques - comme la température, le son et la pression - et de transmettre les données détectées par le réseau un serveur situé dans le backend (arrière plan) Le réseau de capteurs sans fil a été motivé par les applications militaires telles que la surveillance de champ de batailles Cependant, ces réseaux sont également utilisés aujourd'hui dans de nombreuses applications industrielles et grand public - comme la surveillance industrielle, la surveillance environnementale et le suivi agricole Le déploiement de nœuds est un facteur important dans les réseaux de capteurs [5] et il peut être fait de manière aléatoire ou déterministe Dans les zones urbaines, le déploiement est généralement déterministe puisque les nœuds sont généralement statiques, et un déploiement déterministe permet de placer efficacement les nœuds afin d'optimiser la durée de vie du réseau Compte tenu de l'hétérogénéité des types de nœuds dans le réseau, ainsi que la variabilité de l'environnement physique dans lequel les nœuds sont déployés, le déploiement optimal est souvent un problème difficile résoudre Le plan de déploiement détermine le nombre de capteurs qui sont nécessaires dans la région d’intérêt, ainsi que l'emplacement exact de chacun de d’eux En milieu urbain, le déploiement est souvent une tâche laborieuse et difficile, car il existe de nombreux facteurs environnementaux qui influent sur le fonctionnement des nœuds - tels que la distance entre eux et la qualité des liens de communication sans fil 1.1 Contexte L'institut de recherche informatique I2R (Institute for Infocomm Research) est un membre de l’Agence pour la Science, la Technologie et la Recherche (A*STAR) Singapore A*STAR est un organisme officiel relevant du Ministère du Commerce et de l'Industrie de Singapore L'agence a été créée en 1991 pour encourager et élever le niveau la recherche scientifique et technologique Elle est composée de différents instituts de recherche Différents domaines de recherches comme le stockage de données, les matériaux, les produits chimiques, les sciences informatiques, la microélectronique, la fabrication de pointe et la métrologie y sont étudié pour relever les défis technologiques mondiaux et créer des industries futures son siège, IFI & I2R Page Déploiement efficace de réseaux de capteurs Fusionopolis qui est un centre emblématique de Singapore pour la recherche scientifique et technologique Fondée en 2002, la mission de I2R est d'être une source d’innovations en informatique grâce la recherche par des passionnés dédiés la réussite économique de Singapour I2R effectue de la recherche et du développement dans l'informatique Différents domaines sont explorés dans cet institut comme les réseaux de communication sans fil et optiques, les médias interactifs et numériques, le traitement du signal etc Dans le cadre de ce stage, nous travaillons dans cet institut, dans le cadre d’un programme de recherche sur les réseaux sans fil appelé S&S(Sense and Sensiblities) Le programme Sense and Sensibilities(S&S) L'urbanisation croissante exerce une pression sur les ressources foncières et la qualité de vie Comme les villes et les routes deviennent de plus en plus encombrées, des solutions urbaines sont tenus de fournir des informations en temps réel sur l'environnement pour aider les différentes agences gouvernementales prendre des décisions éclairées afin de fournir un milieu de vie sécuritaire et propre pour les habitants de la ville Avec la demande diverse et variée, les systèmes de détection doivent également répondre l'hétérogénéité en termes de modalités de capteurs, les technologies ainsi que les applications de l'utilisateur final Cependant, la plupart des solutions de dộtection d'aujourd'hui sont conỗus uniquement pour un domaine de problème particulier et un domaine d'application Le programme S&S de A*STAR fait de la recherche en vue de fournir une plateforme générique pour que le réseau puisse être utilisé par différentes applications avec différents besoins en infrastructure, dans différents domaines Le programme dirigé par le Dr Tan Hwee Pink implique plus de 20 chercheurs temps plein et d'ingénieurs ayant une expertise dans de nombreux domaines scientifiques, comme l'ingénierie électrique et électronique, l’informatique, les technologies de télécommunications, la physique et les mathématiques Cette équipe a une expertise dans différents types d'applications de détection, y compris la surveillance de bruit, de l’eau, de la qualité de l'air, de la surveillance de parking Voici une image de l’équipe qui vient de gagner un prix appelé « Award for Leading, Educating and Nurturing Talent », offert pat A*STAR Localité Singapore IFI & I2R Page Déploiement efficace de réseaux de capteurs Equipe S&S, Avril 2014 1.2 Énoncé du problème L'objectif du plan de déploiement est de trouver les endroits les plus appropriés pour surveiller les phénomènes physiques d'intérêts et d'obtenir des données significatives, tout en tenant compte des contraintes physiques de l’environnement, ainsi que les exigences d'application et de réseau Pour déployer les nœuds, plusieurs questions peuvent se poser:  Où doivent être placé les nœuds, de sorte que la qualité du phénomène physique mesurer donne une précision satisfaisante et acceptable ?  À quelle distance les nœuds doivent être placés entre eux, de sorte que le nombre de paquets reỗus soit suffisant et la connectivitộ de l'ensemble du rộseau puisse être assurée ?  Comment le nombre de nœuds déployée peut être minimisée, de telle sorte que la couverture de détection soit maximale et le coût de déploiement soit réduit au minimum ?  Si les nœuds utilisent l'énergie solaire pour recharger leurs batteries, quels sont les endroits où ils peuvent recevoir assez de lumière pour recharger leurs batteries et se maintenir en vie ? IFI & I2R Page Déploiement efficace de réseaux de capteurs Si les nœuds sont placés trop près l'un de l'autre, les données recueillies par les nœuds seront fortement corrélées, et la zone de couverture sera faible D'autre part, si les nœuds sont placés trop loin les uns des autres, la connectivité entre nœuds sera médiocre Par conséquent, plusieurs contraintes physiques et environnementales doivent être respectées afin de trouver les meilleurs emplacements possibles pour les nœuds Pour satisfaire toutes ces contraintes, il est donc nécessaire d'observer et de modéliser la variation spatio-temporelle du canal de communication et les phénomènes physiques d'intérêt (tel que le bruit) En outre, l'observation de ces phénomènes doit résulter de l'analyse de données recueillies sur le terrain afin que les modèles statistiques soient aussi proches de la réalité que possible 1.3 Contributions Notre objectif est d'établir un processus qui nous permet de déployer efficacement les réseaux de capteurs dans les zones urbaines Nous avons d'abord élaboré un outil de sondage du site qui est capable de collecter : (i) lintensitộ du signal reỗu (RSSI) entre deux points quelconques ; (ii) le signal du phénomène physique observer un endroit donné Une bonne compréhension de la propagation radioélectrique est essentielle pour proposer un design approprié et des stratégies de déploiement du réseau sans fil C'est la nature du canal radio qui rend les réseaux sans fil beaucoup plus compliqués que leurs homologues filaires Les caractéristiques de la propagation radio sont assez liées au site de déploiement et peuvent varier considérablement en fonction du terrain, de la fréquence d’envoie, des sources d’interférence, et d'autres facteurs La caractérisation du canal radio par le biais de modèle mathématique disposant de paramètres est importante pour prédire la couverture de signal et déterminer les meilleurs emplacements pour les nœuds L'outil de sondage se compose d'une application Android installé sur un tablet, un module XBee [17], une carte Arduino[16] sur lequel un capteur de son est placé pour mesurer le phénomène physique qui est ici le bruit, et un serveur accessible via Internet Ce serveur permet de régler les paramètres de configuration de l'application et aide synchroniser les différents utilisateurs en ligne Grâce cet outil, nous avons mené plusieurs expériences pour recueillir des données sur l’environnement En utilisant les données recueillies, on a construit un modèle de régression qui représente la variation temporelle du canal sans fil et d'un modèle auto-régressif qui représente la IFI & I2R Page Déploiement efficace de réseaux de capteurs variation temporelle du phénomène physique d'intérêt 1.4 Organisation du rapport Le reste de ce rapport sera organisé comme suit : le chapitre sera consacré aux travaux existants dans la littérature sur la couverture et la connectivité dans les réseaux de capteurs, ainsi qu'aux mécanismes de propagation radio Dans le chapitre 3, nous détaillerons les implémentations techniques de l'outil de sondage de terrain Au chapitre suivant, nous discuterons des modèles statistiques que nous avons construits partir des données recueillies, lors de différents scénarios de collecte Le chapitre conclura ce rapport avec des discussions concernant les travaux futurs Etat de l’art 2.1 Couverture et Connectivité Dans la littérature, il existe de nombreux domaines de recherche actifs qui mettent l'accent sur la couverture et la connectivité des réseaux de capteurs En général, la couverture dans un réseau peut être classé en trois catégories différentes : ( i ) la couverture de zone ; ( ii ) la couverture de point; et ( iii ) la couverture de barrière La couverture de zone décrit comment couvrir une surface donnée avec les nœuds La couverture de point permet de couvrir un ensemble de points situes dans la zone surveiller La couverture de barrière se réfère la détection d'événements qui peuvent survenir différents endroits La connectivité peut être définie comme la capacité des nœuds de capteurs atteindre le serveur situé au niveau du backend Si aucun itinéraire n'est disponible partir d'un nœud vers le serveur, cela peut entrner une perte de données Chaque nœud dispose d'une plage de communication qui définit le domaine dans lequel un autre nœud doit être placé pour pouvoir recevoir des données de lui Ceci est différent de la plage de détection, qui définit la zone que peut observer un nœud Pour déployer un réseau de capteurs, il ya beaucoup de propositions qui utilisent des motifs réguliers populaires tels que l'hexagone(a), la grille carrée(b) , le losange(c) , et le triangle équilatéral(d) visible dans la figure gauche , en raison de la commodité de déploiement et le degré de connectivité qu'ils peuvent atteindre [9] [10] [11] Tous ces travaux utilisant des motifs ont des performances différentes en fonction de la valeur de la plage de la communication ( rc ) et la plage de détection ( rs ) Une étude de la connectivité dans un réseau de capteurs effectué dans l’article IFI & I2R Page Déploiement efficace de réseaux de capteurs [2] , établit que lorsque ≤ rc / rs ≤ , le modèle basé sur le losange est mieux que les trois autres Quand 1,14 ≤ rc / rs ≤ , le modèle carré, est mieux Lorsque rc / rs ≤ 1.14 , le motif de l'hexagone est mieux En considérant une région avec obstacles, il existe des travaux comme [3], qui d'abord, divisent la région en sous-régions qui sont composées de lignes Une liste de capteurs est suffisante pour couvrir la totalité d'une ligne tout en maintenant la connectivité Les distances entre les nœuds dépendent de la plage de communication et la plage de détection S’il y a un obstacle, plusieurs rangées autour de cet obstacle sont considérées comme une seule région, et ils essaient de maximiser la région couverte en utilisant un motif de cercles Leurs solutions proposées ne tiennent compte que de l’environnement l'intérieur d'un bâtiment Figure 1: Motifs réguliers (gauche) & Déploiement avec obstacles (droite) Désirant améliorer les études effectuées dans [3], un autre travail portant sur la disposition des nœuds dans un milieu avec obstacles utilise la méthode de triangulation de Delaunay [4] Les auteurs de ce travail ont d'abord posé des nœuds autour des obstacles, comme le montre la figure droite Ensuite, la méthode de la triangulation de Delaunay est utilisée pour placer des nœuds dans les zones restantes La triangulation de Delaunay est une partition d'une surface en polygones d'une manière telle que, les points l'intérieur d'un polygone sont plus proches du centre du polygone que tous les centres des autres polygones Il représente une décomposition particulière d’un espace métrique déterminée par les distances un ensemble discret d’objets de l’espace, en IFI & I2R Page Déploiement efficace de réseaux de capteurs 4.1 Procédure générique Pour établir un modèle statistique, nous pouvons suivre la procédure qui nous permettra de sélectionner le modèle approprié pour caractériser la communication dans les réseaux de capteurs Cette procédure consiste sélectionner un modèle statistique au démarrage du processus Si on ne dispose pas de données, on doit passer l'étape collections de données Une fois que les données sont disponibles, on essaye de trouver les paramètres du modèle correspondant aux données disponibles Si le modèle ne correspond pas bien aux données recueillies, nous répétons l'ensemble du processus en sélectionnant un nouveau modèle statistique Ce parcours est répété jusqu’à ce que le modèle proposé corresponde aux données Ce processus est illustré dans la figure suivante : Figure 14 : Processus pour la mise en place d'un modèle 4.2 Modélisation statistique de la puissance du signal La communication la plus simple que nous pouvons considérer se déroule dans un espace libre de IFI & I2R Page 27 Déploiement efficace de réseaux de capteurs tout obstacle entre émetteur et récepteur Dans ce cas simple, l'énergie du signal transmis s'atténue en se propageant naturellement après son émission vers le destinataire Théoriquement, la puissance tombe en proportion du carré de la distance Dans la pratique, elle tombe plus rapidement, généralement ou fois la puissance de la distance En général, une formule empirique commune pour l'estimation de l'énergie une certaine distance, dans un espace sans obstacles, est [14]: 𝑑𝑜 𝑃𝑟 = 𝑃𝑡 𝑃𝑜 𝑑 𝛼 Où 𝑃𝑡 est l'énergie transmise, 𝑃𝑜 est l'énergie a la distance, 𝑑𝑜 est la distance de référence, 𝛼 est appelé “path loss exponent” ou exposant de l’affaiblissement du signal L'affaiblissement de trajet, appelé “Path Loss” est donnée par la formule suivante d'après [14] : 𝑃𝐿 𝑑 = 𝑃𝐿 𝑑𝑜 + 10𝛼𝑙𝑜𝑔 𝑑 𝑑𝑜 Où 𝑃𝐿 𝑑𝑜 est l'affaiblissement du trajet moyen la distance𝑑𝑜 S'il ya des objets (tels que des bâtiments ou des arbres ou des voitures) sur le chemin suivi par le signal, une partie du signal transmise est perdu par réflexion, diffusion ou bien diffraction Le modèle précédant qui prédit la perte de la puissance du signal, peut être adapté comme suit, lorsque le signal se propage dans une zone urbaine Il est formellement exprimé comme suit: 𝑃𝐿 = 𝑃𝑇𝑥 − 𝑃𝑅𝑥 = 𝑃𝐿 𝑑𝑜 + 10𝛼𝑙𝑜𝑔 𝑑 +𝜔 𝑑𝑜 Où 𝑃𝑇𝑥 et 𝑃𝑅𝑥 constitue respectivement l'ộnergie transmise te l'ộnergie reỗue et est une variable aléatoire gaussienne distribués et représente l'effet de shadowing À la suite de l'affaiblissement du signal, la puissance reỗue au niveau des points qui sont la même distance de l'émetteur peut être différente et est appelé une distribution log-normale [13] Dans ces modèles, nous avons plusieurs paramètres que nous devons estimer Pour ce faire, nous avons mené plusieurs expériences où nous avons recueilli des données réelles Et une fois que les données sont disponibles, nous avons suivi le processus suivant: IFI & I2R Page 28 Déploiement efficace de réseaux de capteurs Obtenir une estimation des paramètres comme 𝛼 et 𝜔 Calculer l'intervalle de confiance (marge d’erreur estimant la précision de l’estimation) Estimer les résidus (différences entre valeurs prédites et valeurs observées) Tester si les résidus suivent une distribution gaussienne 4.2.1 Collection de données sur la puissance du signal Nous voulons recueillir entre deux points quelconques d'une zone donnée, la valeur de l'intensité du signal Ces données seront utilisées pour la vérification du modèle statistique qui va nous aider déployer nos nœuds de meilleurs endroits améliorant ainsi la connectivité du réseau Donc, nous concevons un scénario qui nous permet de recueillir des données dont nous avons besoin et nous essayons de voir si le modèle proposé est utilisable dans notre contexte Scenario Pour la localisation des utilisateurs, nous utilisons le système GPS qui n’est pas précis, cause entre autres des interférences (gros bâtiments) dans un milieu urbain Aussi, nous voulons voir si les données fournies par SmartPloy sont cohérentes Donc l'objectif de ce scénario est de voir, si les résultats que nous obtenons avec SmartPloy sont conformes aux objectifs attendus dans une zone sans obstacle (dans ce genre d'environnement, nous nous attendons ce que la puissance du signal (RSSI) diminue avec la distance, conformément la formule déjà décrit précédemment) Donc, la zone choisie fait 167m X 100m, et est situé Fusionopolis way, Singapore Deux personnes ont été impliquées dans cette expérience Le premier utilisateur était statique (icone vert figure 15) et le deuxiốme se dộplaỗait de faỗon circulaire dans la zone considérée (icone rouge), comme visualisé dans la figure suivante Les deux outils envoyaient paquets par seconde, et l'expérience a duré 30 minutes IFI & I2R Page 29 Déploiement efficace de réseaux de capteurs Figure 15 : Collection de données dans une zone sans obstacles L'icône verte indique l'emplacement d'un utilisateur qui est statique pendant la collecte L'icône rouge indique la position du deuxième utilisateur qui se déplace, en utilisant les coordonnées GPS Scenario Dans ce scénario, notre but est de recueillir des données réelles dans un environnement réel (le genre d'environnement où nous allons déployer les capteurs) Comme nous l'avons dit, nous voulons voir le comportement de la force du signal en milieu urbain Donc nous somme aller Dover, une localité de Singapore pour cette collection Un utilisateur reste sur le bord de la route (icône verte dans la figure suivante) et l'autre se déplace autour du tronỗon de route Nous essayons de voir le comportement du signal dans le voisinage d'une route qui est très fréquentée par les voitures et les gens Nous utilisons les coordonnées GPS pour calculer la distance entre deux points IFI & I2R Page 30 Déploiement efficace de réseaux de capteurs Figure 16 : Collection de données autour d'une route 4.2.2 Analyse Temporelle Pour les données du scenario Pour l’expérience que nous avons réalisé dans un espace ouvert, nous avons recueilli la puissance en réception du signal (RSSI), afin de voir si les données sont conformes (nous nous attendions de obtenir des valeurs plus faibles de RSSI si la distance augmente) Ainsi comme on s’y attendait, la valeur du RSSI, en ordonnée, diminue lorsque la distance augmente, en abscisse, comme on peut le voir sur la figure 17 suivante IFI & I2R Page 31 Déploiement efficace de réseaux de capteurs Figure 17 : RSSI sur Distance, en zone sans obstacles Pour les données du scenario Comme nous l'avons dit précédemment, nous avons recueilli des données le long d'une route et affichons cette figure montrant le RSSI sur la distance Figure 18 : RSSI sur Distance autour d'une route IFI & I2R Page 32 Déploiement efficace de réseaux de capteurs Nous calculons la régression vers la moyenne La régression vers la moyenne est la méthode selon laquelle, si une variable est extrême sur sa première mesure, il aura tendance être plus proche de la moyenne sur la seconde mesure, et, paradoxalement, si elle est extrême sur sa deuxième mesure, il aura tendance avoir été proche de la moyenne sur le premier [12,13] Ce phénomène statistique signifie que des mesures répétées dans une même population tendront davantage vers la moyenne Il met en évidence la tendance se diriger vers la moyenne et s'éloigner des extrêmes Nous obtenons le résultat observable dans la figure suivante : Figure 19 : Régression vers la moyenne Comme nous pouvons le voir sur la figure 19, nous avons un intervalle de confiance de 95%, l'intervalle d'incertitude Afin de comparer avec la distribution gaussienne, nous traỗons la figure 20 suivante IFI & I2R Page 33 Déploiement efficace de réseaux de capteurs Figure 20 : Comparaison avec la densité gaussienne Sur cette figure, nous comparons notre densité empirique des résidus obtenus avec la densité normale (gaussienne) Ainsi, nous pouvons constater que notre modèle correspond assez bien aux données réelles que nous avons recueillies dans notre deuxième expérience Ainsi on peut déduire que ce modèle pourrait bien convenir nos préoccupations, et notre contexte A partir de il faudra collecter encore beaucoup plus de données et effectuer une validation croisée (on divise l'échantillon de taille n en échantillon d'apprentissage [> 60 % de l'échantillon] et échantillon de test Le modèle est bâti sur l'échantillon d'apprentissage et validé sur l'échantillon de test), pour pouvoir mieux valider le modèle IFI & I2R Page 34 Déploiement efficace de réseaux de capteurs 4.3 Modélisation statistique du phénomène physique Puisque nous ne connaissons pas les propriétés du phénomène physique qui est ici le bruit, nous proposons de collecter donc cette donnée Ensuite nous essayerons de faire une analyse temporelle des données et voir comment on pourrait améliorer le déploiement du réseau de capteurs 4.3.1 Collection des données de bruit Scenario Nous avions déroulé cette expérience afin d'observer le comportement de notre outil dans un environnement réel, et de commencer faire de simples analyses des données recueillies Nous avons commencé collecter des données côté d'un chantier de construction près d'une intersection de route, et dans un restaurant sur une durée de 40 minutes chaque endroit Pour analyser ces données que nous avons obtenues du restaurant (figure 21 gauche) et du site de construction (figure 21 droit), nous montrons la variation temporelle sur plusieurs fréquences (10 fréquences) On voit pour chacune des fréquences, la quantité d'énergie enregistré par rapport au temps Nous obtenons des résultats plus clairs avec la figure suivante (figure 22) Et on observe que les basses fréquences dans le chantier de construction contiennent beaucoup plus d'énergie que ce que nous enregistrons dans le restaurant IFI & I2R Page 35 Déploiement efficace de réseaux de capteurs Figure 21 : Analyse des fréquences Figure 22 : Analyse des fréquences (2) IFI & I2R Page 36 Déploiement efficace de réseaux de capteurs Scenario Le but de cette expérience est de recueillir des données de bruit dans un environnement réel où nous allons déployer le réseau de capteurs Une fois les données collectées, nous allons essayer de faire une analyse temporelle et voir comment nous pouvons faire des recommandations pour le déploiement Elle a été réalisée coté d’une route de Dover, avec utilisateurs situés comme indiqué dans la figure 23 Dans ce scénario, nous pouvons identifier la source du bruit L'emplacement du premier utilisateur est proximité d'un chantier de construction générant beaucoup de bruit, le deuxième est situé 20 mètres plus loin du premier, et le troisième utilisateur est situé 20 mètres du second utilisateur L'expérimentation a duré 30 minutes et a commencé 10 heures L'intervalle de temps entre chaque mesure est de secondes Figure 23 : Collection de données de bruit 4.3.2 Analyse temporelle Afin de voir s’il y a des corrélations entre les données, nous utilisons les mesures de corrélation IFI & I2R Page 37 Déploiement efficace de réseaux de capteurs partielle La corrélation partielle mesure le degré d'association entre deux variables aléatoires, après avoir contrôlé l'effet perturbateur d'une ou de plusieurs autres variables [18] Dans la figure 24 le premier histogramme qui appart en haut est l'énergie mesurée en fonction du temps par l'utilisateur Au milieu, nous avons la courbe d'auto corrélation L'auto corrélation est la corrélation croisée d'un signal par lui-même Elle peut détecter des régularités, de motifs répétés dans un signal comme un signal périodique perturbé par du bruit, ou une fréquence fondamentale d'un signal qui ne contient pas ce fait fondamental [19] Ainsi nous pouvons voir qu'il y a des corrélations entre les variables Le dernier histogramme de la même figure 24 nous montre les coefficients de variables corrélées Ainsi, la position de l'utilisateur 1, avec le bruit X ( t -1 ) enregistre au temps (t – 1) , nous pouvons prédire le bruit X ( t ) au temps t (le temps est en seconde): X ( t ) = 0.7 * X ( t-1 ) Noise as a Function Time Auto Correlation Function Partial Correlation Function Figure 24 : Times series pour l'utilisateur IFI & I2R Page 38 Déploiement efficace de réseaux de capteurs Par la même méthode décrit précédemment, nous avons déduit, pour la position de l'utilisateur 2, l'expression suivante : X (t) = 0.56 * X (t-1) + 0.1 * X (t-2) X (t) la valeur du bruit l’ instant t Pour la position de l’utilisateur 3, on a l’expression suivante : X (t) = 0.6 * X (t - 1) + 0.1 * X (t-2) + 0.1 * X (t-3) Avec ces résultats on pourrait prédire la valeur mesurée sur une période de secondes En collectant plus de données, plus représentatives, on pourrait estimer le temps maximal pour mesurer une donnée et ainsi économiser de l’énergie, ce qui va améliorer la durée de vie du réseau IFI & I2R Page 39 Déploiement efficace de réseaux de capteurs Conclusion et Perspectives Le déploiement de réseaux de capteurs sans fil s’effectue, dans le cas des travaux dans la littérature que nous avons étudié, sans réelle politique d’optimisation Leurs auteurs posent leurs nuds de faỗon rendre le rộseau redondant, mais cela a un impact important sur le cout financier Nous avons eu montrer aussi que l’utilisation des motifs n’est pas envisageable dans un milieu urbain Au cours de ce stage, nous avons développé une application qui permet de collecter des données de bruit et des données sur la puissance du signal qui ont servi construire des modèles statistiques Cette application peut être utilisée par des utilisateurs, mobiles, afin de collecter les données Nous utilisons également un serveur en ligne pour la synchronisation des utilisateurs Sur le plan technologique, ce travail pourra permettre, via un téléphone android d’envoyer des requêtes un capteur, et lui demander tout type d’informations, ou même de le configurer distance Donc cela peux être très utile pour la gestion des réseaux de capteurs Les modèles statistiques ont permit de faire des prédictions sur une courte durée donc peuvent permettre de déterminer un intervalle de temps dans lequel le nœud pourra collecter les données environnementales comme le bruit Des informations plus importantes encore, et plus pertinentes peuvent être déduites de ces travaux une fois que les modèles seront validés Durant ce travail, nous avons rencontré quelques difficultés Au début nous avions collecté beaucoup de données durant plusieurs expériences (plus d’une dizaine) qui se sont avérées inutilisables Il y avait plusieurs questions importantes auquel nous ne faisions pas attention comme par exemple quel heure commencer, combien de temps, combien de paquets envoyer, quel est la vitesse d’envoi, devons nous être statique ou dynamique Donc au fur et mesure, nous avons amélioré les scénarios de collections de données et cela nous a permis d’avoir de meilleurs résultats Pour le travail futur, il s’agira de planifier de meilleurs scénarios et de collecter encore plus de données pour pouvoir améliorer les modèles statistiques et pouvoir en tirer des résultats plus pertinents pour le déploiement Nous avions prévu d’effectuer une analyse spatiale des données collectés mais malheureusement nous n’avons pas pu le faire Cela fait parti des travaux effectuer dans le futur IFI & I2R Page 40 Déploiement efficace de réseaux de capteurs Références [1] S Bapat, V Kulathumani, and A Arora Analyzing the Yield of ExScal, a Large Scale Wireless Sensor Network Experiment In 13th IEEE International Conference on Network Protocols (ICNP), Boston, MA, 2005 [2] X Bai, S Kumar, D Xuan, Z Yun, TH Lai , Deploying Wireless Sensors to Achieve Both Coverage and Connectivity, Proceedings of the 7th ACM Proceedings of the 7th ACM international symposium on Mobile ad hoc networking and computing Pages 131-142 [3] Rahmani, Naeim; Nematy, Farhad; Rahmani, Amir Masoud; Hosseinzadeh, Mehdi, Node Placement for Maximum Coverage Based on Voronoi Diagram Using Genetic Algorithm in Wireless Sensor Networks, Australian Journal of Basic & Applied Sciences 2011, Vol Issue 12, p3221-3232 12p Diagrams, Charts, Graphs [4] Chun-Hsien Wu,Kuo-Chuan Lee,Yeh-Ching Chung , A Delaunay Triangulation based method for wireless sensor network deployment , Computer Communications,Volume 30, Issues 14–15, 15 October 2007, Pages 2744–2752 [5] Chellappan, S., X Bai, B Ma, D Xuan, C Xu, 2007 Mobility limited flip-based sensor networks deployment, IEEE Transactions on Parallel and Distributed Systems, 18(2): 199-211 [6] ] Rahmani Hsiao-Hwa Chen,Yang Yang, Network Coverage and Routing Schemes for Wireless Sensor Networks, Volume 30, Issues 14–15, Pages 2697-2994 (15 October 2007) [7] Xufei Mao; Xin Mia; Yuan He;Xiang-Yang Li,CitySee: Urban CO2 Monitoring with Sensors, INFOCOMM 2012 Proceedings IEEE [8] H ALPERIN , E., KORTSARZ , G., K RAUTHGAMER , R., S RINIVASAN , A., AND WANG , N Integrality ratio for group steiner trees and directed steiner trees In Proceedings of the fourteenth annual ACM-SIAM symposium on Discrete algorithms (2003), Society for Industrial and Applied Mathematics, pp 275–284 [9]Mahdie Fioozbaharami; Amir Masoud Rahmani,Suitable Node Deployment based on Geometric Patterns Considering Fault Tolerance in Wireless Sensor Networks, International Journal of Computer Applications,2012,IJCA [10] R.Iyengar, K Kar and S Banerjee Low-coordination Topologies for Redundancy in Sensor Networks In the Sixth ACM Annual International Symposium on Mobile Ad-Hoc Networking and Computing (MobiHoc), pages 332-342, Urbana-Champaign, IL, 2005 [11] Y.-C Wang, C.-C Hu, and Y.-C Tseng Efficient Deployment Algorithms for Ensuring Coverage and Connectivity of Wireless Sensor Networks In Wireless International Conference (WICON), Budapest, Hungary, 2005 [12] Everitt,B.S (2002) The Cambridge Dictionary of Statistics, CUP ISBN 0-521-81099-X Upton, G.,Cook, I (2006) Oxford Dictionary of Statistics, OUP ISBN 978-0-19-954145-4 [13] Stigler, Stephen M (1997) "Regression toward the mean, historically considered" Statistical Methods in Medical Research (2): 103–114 [14] Kaveh Pahlavan, Prashant Krishnamurthy, Networking fondamentals, wide, Local and Personal area Commuinications, edition 2009 Jhon Wiley & Sons Ltd [16] http://www.digi.com/support/productdetail?pid=3257&type=documentation [17] http://www.arduino.cc/en/Main/Documentation [18] Nien Fan Zhang (2006) Calculation of the uncertainty of the mean of autocorrelated measurements Metrologia 43:4, S276-S281 [19] Virginie Guemas, Ludovic Auger, Francisco J Doblas-Reyes (2014) Hypothesis Testing for Autocorrelated Short Climate Time Series Journal of Applied Meteorology and Climatology 53:3, 637-651 IFI & I2R Page 41 ... I2R Page Déploiement efficace de réseaux de capteurs Résumé Le déploiement de nœuds dans un réseau de capteurs est une question très importante et non négligeable dans les réseaux de capteurs. .. Téléphones de SmartPloy IFI & I2R Page 20 Déploiement efficace de réseaux de capteurs La figure 11 suivante permet de voir le flot de données lors de la collecte Lorsque l’utilisateur décide de commencer... & I2R Page 18 Déploiement efficace de réseaux de capteurs Figure : Capture des messages de chat  Collecter des données Avec SmartPloy, il est possible d'envoyer et de recevoir des paquets afin