Ent?te

Logo du LIFL

Depuis le 1er janvier 2015 le LIFL et le LAGIS forment le laboratoire CRIStAL

  1. Formation doctorale

Thèse de

Alia Ghaddar

vendredi 2 décembre 2011

Amélioration de la qualité d'agrégation par l'analyse de données dans les réseaux de capteurs

Les réseaux de capteurs sans fil (WSNs) sont largement adoptés dans divers secteurs comme la médecine, la domotique, le contrôle de processus industriels, la localisation des objets, etc. Les domaines d'application de ces réseaux continuent à croître grâce à l'émergence de capteurs de plus en plus petits et de plus en plus intelligents dans notre vie quotidienne. Ces dispositifs interagissent avec l'environnement ou d'autres périphériques, pour analyser les données et produire de l'information. En plus de créer de l'information, les réseaux de capteurs permettent de créer des ponts entre le monde physique et le monde virtuel. Les capteurs permettent, ainsi, une intégration transparente de la technologie virtuelle autour de nous. Il existe cependant plusieurs défis autour des réseaux de capteurs, notamment au niveau de l'autonomie énergétique des capteurs. La consommation énergétique de ces petits objets devient le principale verrou technologique empêchant leur déploiement à grande échelle. En effet, la plupart des réseaux de capteurs sont composés des nœuds de faible puissance et fonctionnant sur batterie. Ils sont souvent utilisé dans des zones géographiques dangereuse et peu accessible, tels que les volcans actifs, les champs de bataille, ou après une catastrophe naturelle etc. Ces zones critiques rendent le remplacement ou la recharge des batteries de chaque capteur difficile voire impossible. Ainsi, le principal défi dans les réseaux de capteurs est la gestion de la consommation énergétique, pour permettre d’accroître sa durée de vie.
Nous sommes intéressés à partie la plus consommatrice d'énergie dans les réseaux de capteurs : la communication ou l'envoi et la réception de données. Nous proposons des méthodes pour réduire les transmissions des nœuds en réduisant le volume de données à transmettre. Pour cela, nous observons la manière dont les données corrélées pour réduire le nombre de transmissions. Notre travail s'articule autour de trois axes fondamentaux: la prédiction des données, la détection de similarité des données et la détection des comportements anormaux. Les solutions utilisant les séries temporelles que nous avons développées permettent de prédire efficacement les données et de détecter des comportements anormaux. Nous proposons aussi un mécanisme d’agrégation de données dans lequel les nœuds intermédiaires (entre la source et la destination des données) observent la corrélation entre les valeurs pour effectuer une fusion efficace de ces données, afin de minimiser la quantité de données envoyées. Dans notre travail, nous essayons de trouver l'équilibre entre l'économie d'énergie et qualité des données car toute prédiction ou fusion provoque des pertes.
Nous avons lancés des expérimentations sur différentes séries de données. Les résultats ont montré que notre solution de prédiction permet de réduire le taux de transmission jusqu’à 70% par rapport à une solution sans prédiction. Quant à la qualité des données, les résultats montrent que les erreurs relatives de prédiction sont compris entre 2% et 8% par rapport aux valeurs réelles. Ce qui montre que les données peuvent être reconstruites avec précision u niveau de la destination. L'erreur relative entre les estimations des nœuds source et du puits se situe entre [10-8, 10-6]. Enfin, notre algorithme de détection des anomalies permet de détecter jusqu'à 90% des valeurs anormales.

Ours

UMR 8022 - Laboratoire d'Informatique Fondamentale de Lille - Copyright © 2012 Sophie TISON - Crédits & Mentions légales

Page respectant XHTML et CSS.

Pour tout commentaire / Comments and remarks : webmaster