|
| Titre : |
Fault-tolerant communication strategy in UAV-aided networks |
| Type de document : |
texte imprimé |
| Auteurs : |
Wissam Ait Aissa, Auteur ; Mohamed Sami Tayeb ; Medani,Khedidja, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2024 |
| Importance : |
1 vol (66 f .) |
| Format : |
29 cm |
| Langues : |
Anglais (eng) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
UAVs
Drone
Capteurs
IoT
TSP
Tol´erance aux fautes
Apprentissage Automatique |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Les avanc´ees r´ecentes dans la technologie des v´ehicules a´eriens sans pilote (UAV : Unmanned
Aerial Vehicles), ´egalement connus sous le nom de drones, ont permis leur
efficacit´e dans plusieurs applications au sein des communaut´es de recherche et industrielles
actuelles. Cela est principalement dˆu `a leur haut degr´e de stabilit´e et d’agilit´e
dans des environnements difficiles. La coordination et la collaboration ad´equates de
multiples drones reli´es sans fil `a une station de base et `a un r´eseau de capteurs IoT
sont essentielles pour organiser les donn´ees et am´eliorer une large gamme de tˆaches,
dont la collecte fiable de donn´ees repr´esente un defi majeur, y compris des applications
comme l’agriculture intelligente. Cependant, le mod`ele de communication et d’envoi
des donn´ees ainsi que la tol´erance aux fautes restent les probl`emes les plus critiques
`a r´esoudre pour maintenir les exigences d’un syst`eme de collecte de donn´ees efficace
afin de garantir la fiabilit´e de ce syst`eme. Le but de ce travail est d’´etudier la communication
des donn´ees sur les r´eseaux de capteurs sans fil assist´es par drones. `A cette
fin, nous proposons un syst`eme o`u des capteurs sont d´eploy´es `a l’aide d’un algorithme
de clustering K-means am´elior´e et les drones sont dirig´es vers des points de collecte
optimis´es en utilisant notre approche QLDR (Q-learning-based Drones Routing), un
mod`ele de probl`eme du voyageur de commerce (TSP : Travelling Salesman Problem)
r´esolu par l’algorithme Q-learning. La simulation du syst`eme propos´e, r´ealis´ee `a l’aide
du simulateur de r´eseau NS3, a donn´e des r´esultats convaincants en termes de consommation
d’´energie, de temps de vol, de points de collecte et de taux de livraison des
paquets.. |
| Note de contenu : |
Sommaire
R´esum´e i
Table des mati`eres vii
Liste des figures ix
Liste des tables x
Liste des algorithmes xi
Liste des abbr´eviations xii
Introduction 1
1 R´eseaux assist´es par drones et tol´erance aux fautes 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 D´efinition des drones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Les diff´erents types des drones . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Domaines d’applications des drones . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Utilisation militaire . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Utilisation civil . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Utilisation en agriculture . . . . . . . . . . . . . . . . . . . . . . 8
1.5 L’importance des drones en agriculture moderne . . . . . . . . . . . . 8
1.5.1 Mobilit´e des drones . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 La capacit´e de charge . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.3 L’endurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Internet des objets/Capteurs . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Caract´eristiques de l’IoT . . . . . . . . . . . . . . . . . . . . . . 12
1.6.2 Utilisation des Capteurs dans l’IoT . . . . . . . . . . . . . . . . 14
1.6.3 Les applications des capteurs IoT . . . . . . . . . . . . . . . . . 15
1.7 Int´egration des drones et de l’IoT pour la collecte de donn´ees . . . . . . 16
1.7.1 Fonctionnement et composants cl´es . . . . . . . . . . . . . . . . 16
1.7.2 Technologies de communication . . . . . . . . . . . . . . . . . . 17
1.7.3 Applications et exemples concrets . . . . . . . . . . . . . . . . . 17
1.8 La tol´erance aux fautes . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.2 Les types de pannes . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.3 Le principe de la tol´erance aux fautes . . . . . . . . . . . . . . . 20
1.8.4 Approches de la Tol´erance aux Fautes . . . . . . . . . . . . . . 20
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Travaux connexes 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Travaux Connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Area Coverage Aware Approach for Data Communication in UAVs
Networks (2023) . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Trajectory design for uav-based data collection using clustering
model in smart farming (2021) . . . . . . . . . . . . . . . . . . . 26
2.2.3 UAV-assisted sleep scheduling algorithm for energy-efficient data
collection in agricultural Internet of things (2021) . . . . . . . . 27
2.2.4 UAV Swarm Deployment and Trajectory for 3D Area Coverage
via Reinforcement Learning (2023) . . . . . . . . . . . . . . . . 30
2.2.5 Advanced UAV-WSN system for intelligent monitoring in precision
agriculture (2020) . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Contribution 36
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Structure de r´eseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.1 Algorithme de clustering K-means . . . . . . . . . . . . . . . . . 38
3.2.2 Probl`eme de voyageurs de commerce . . . . . . . . . . . . . . . 39
3.2.3 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . 40
3.2.4 L’algorithme Q-learning . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Solution propos´ee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1 Groupement des capteurs . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 S´election de points de collecte (PC) . . . . . . . . . . . . . . . . 45
3.3.3 Planification de la trajectoire des drones . . . . . . . . . . . . . 46
3.3.4 Extension de l’Algorithme pour QLDR . . . . . . . . . . . . . . 49
3.3.5 Etape de maintenance . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Environnement de d´eveloppement et configuration de simulation . . . . 52
3.5 Simulation et analyse des performances . . . . . . . . . . . . . . . . . . 53
3.5.1 Analyse des r´esultats . . . . . . . . . . . . . . . . . . . . . . . . 53 |
| Côte titre : |
MAI/0833 |
Fault-tolerant communication strategy in UAV-aided networks [texte imprimé] / Wissam Ait Aissa, Auteur ; Mohamed Sami Tayeb ; Medani,Khedidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (66 f .) ; 29 cm. Langues : Anglais ( eng)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
UAVs
Drone
Capteurs
IoT
TSP
Tol´erance aux fautes
Apprentissage Automatique |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Les avanc´ees r´ecentes dans la technologie des v´ehicules a´eriens sans pilote (UAV : Unmanned
Aerial Vehicles), ´egalement connus sous le nom de drones, ont permis leur
efficacit´e dans plusieurs applications au sein des communaut´es de recherche et industrielles
actuelles. Cela est principalement dˆu `a leur haut degr´e de stabilit´e et d’agilit´e
dans des environnements difficiles. La coordination et la collaboration ad´equates de
multiples drones reli´es sans fil `a une station de base et `a un r´eseau de capteurs IoT
sont essentielles pour organiser les donn´ees et am´eliorer une large gamme de tˆaches,
dont la collecte fiable de donn´ees repr´esente un defi majeur, y compris des applications
comme l’agriculture intelligente. Cependant, le mod`ele de communication et d’envoi
des donn´ees ainsi que la tol´erance aux fautes restent les probl`emes les plus critiques
`a r´esoudre pour maintenir les exigences d’un syst`eme de collecte de donn´ees efficace
afin de garantir la fiabilit´e de ce syst`eme. Le but de ce travail est d’´etudier la communication
des donn´ees sur les r´eseaux de capteurs sans fil assist´es par drones. `A cette
fin, nous proposons un syst`eme o`u des capteurs sont d´eploy´es `a l’aide d’un algorithme
de clustering K-means am´elior´e et les drones sont dirig´es vers des points de collecte
optimis´es en utilisant notre approche QLDR (Q-learning-based Drones Routing), un
mod`ele de probl`eme du voyageur de commerce (TSP : Travelling Salesman Problem)
r´esolu par l’algorithme Q-learning. La simulation du syst`eme propos´e, r´ealis´ee `a l’aide
du simulateur de r´eseau NS3, a donn´e des r´esultats convaincants en termes de consommation
d’´energie, de temps de vol, de points de collecte et de taux de livraison des
paquets.. |
| Note de contenu : |
Sommaire
R´esum´e i
Table des mati`eres vii
Liste des figures ix
Liste des tables x
Liste des algorithmes xi
Liste des abbr´eviations xii
Introduction 1
1 R´eseaux assist´es par drones et tol´erance aux fautes 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 D´efinition des drones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Les diff´erents types des drones . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Domaines d’applications des drones . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Utilisation militaire . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Utilisation civil . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Utilisation en agriculture . . . . . . . . . . . . . . . . . . . . . . 8
1.5 L’importance des drones en agriculture moderne . . . . . . . . . . . . 8
1.5.1 Mobilit´e des drones . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 La capacit´e de charge . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.3 L’endurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Internet des objets/Capteurs . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Caract´eristiques de l’IoT . . . . . . . . . . . . . . . . . . . . . . 12
1.6.2 Utilisation des Capteurs dans l’IoT . . . . . . . . . . . . . . . . 14
1.6.3 Les applications des capteurs IoT . . . . . . . . . . . . . . . . . 15
1.7 Int´egration des drones et de l’IoT pour la collecte de donn´ees . . . . . . 16
1.7.1 Fonctionnement et composants cl´es . . . . . . . . . . . . . . . . 16
1.7.2 Technologies de communication . . . . . . . . . . . . . . . . . . 17
1.7.3 Applications et exemples concrets . . . . . . . . . . . . . . . . . 17
1.8 La tol´erance aux fautes . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.2 Les types de pannes . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.3 Le principe de la tol´erance aux fautes . . . . . . . . . . . . . . . 20
1.8.4 Approches de la Tol´erance aux Fautes . . . . . . . . . . . . . . 20
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Travaux connexes 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Travaux Connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Area Coverage Aware Approach for Data Communication in UAVs
Networks (2023) . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Trajectory design for uav-based data collection using clustering
model in smart farming (2021) . . . . . . . . . . . . . . . . . . . 26
2.2.3 UAV-assisted sleep scheduling algorithm for energy-efficient data
collection in agricultural Internet of things (2021) . . . . . . . . 27
2.2.4 UAV Swarm Deployment and Trajectory for 3D Area Coverage
via Reinforcement Learning (2023) . . . . . . . . . . . . . . . . 30
2.2.5 Advanced UAV-WSN system for intelligent monitoring in precision
agriculture (2020) . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Contribution 36
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Structure de r´eseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.1 Algorithme de clustering K-means . . . . . . . . . . . . . . . . . 38
3.2.2 Probl`eme de voyageurs de commerce . . . . . . . . . . . . . . . 39
3.2.3 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . 40
3.2.4 L’algorithme Q-learning . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Solution propos´ee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1 Groupement des capteurs . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 S´election de points de collecte (PC) . . . . . . . . . . . . . . . . 45
3.3.3 Planification de la trajectoire des drones . . . . . . . . . . . . . 46
3.3.4 Extension de l’Algorithme pour QLDR . . . . . . . . . . . . . . 49
3.3.5 Etape de maintenance . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Environnement de d´eveloppement et configuration de simulation . . . . 52
3.5 Simulation et analyse des performances . . . . . . . . . . . . . . . . . . 53
3.5.1 Analyse des r´esultats . . . . . . . . . . . . . . . . . . . . . . . . 53 |
| Côte titre : |
MAI/0833 |
|
Ajouter le résultat dans votre panier Affiner la recherche
