Amélioration de l’algorithme de clustering

Comme nous l‟avons déjà vu, l‟intervalle de clustering représente la durée pendant laquelle est maintenu un cluster. Nous avons choisi pour cet intervalle une durée égale à trois fois l‟intervalle d‟émission des messages Hello. D‟après les résultats des simulations de la section précédente nous avons remarqué que le système de clustering se montre beaucoup plus stable avec un intervalle de clustering de trois fois l‟intervalle des Hello. Et pour voir le comportement de notre algorithme avec d‟autres valeurs de l‟intervalle de clustering nous avons effectué des mesures pour des intervalles de 6 fois et 9 fois l‟intervalle d‟émission des messages Hello.

Partie 2 Contributions

103 Figure 4. 11 - nbr clusters = f( nbr nœuds) v = 10m/s

La figure 4.11 présente le nombre de clusters formés durant la simulation en fonction du nombre des nœuds dans le réseau ; la vitesse des nœuds ne dépasse pas les 10 m/s. Nous remarquons que le nombre de clusters diminue chaque fois que l‟intervalle de clustering devient important ce qui prouve que notre algorithme se comporte bien avec l‟évolution de l‟intervalle de clustering. Pour améliorer ce comportement pour des réseaux denses (réseaux avec plus que 70 nœuds) ; nous proposons de rendre automatique le choix de l‟intervalle de clustering.

Figure 4. 12 - durée d‟un cluster = f(nbr nœuds) v = 10m/s

La figure 4.12 présente la durée de vie d‟un cluster en fonction du nombre des nœuds dans le réseau ; la vitesse des nœuds ne dépasse pas les 10 m/s. Nous remarquons que les clusters durent plus longtemps pour un intervalle de 9 fois que pour les intervalles de faibles valeurs.

Chapitre 5 Auto-organisation des réseaux ad hoc

104

Figure 4. 13 - nbr clusters = f( vitesse) avec 70 nœuds

La figure 4.13 montre le comportement du système de clustering pour un réseau de 70 nœuds avec des vitesses allant de 1 m/s jusqu‟à 40 m/s. la figure présente le nombre de clusters formés durant la simulation en fonction de la vitesse des nœuds. Bien évidement, nous remarquons que toujours l‟intervalle de 9 fois donne de meilleurs résultats par rapport aux faibles valeurs de l‟intervalle de clustering.

Figure 4. 14 - durée d‟un cluster = f( vitesse) avec 70 nœuds

Sur la figure 4.14, nous observons le comportement du système de clustering dans un réseau de 70 nœuds avec des vitesses allant de 1 m/s jusqu‟à 40 m/s. cette figure donne la durée pendant laquelle est maintenu un cluster en fonction de la vitesse des nœuds dans le réseau. Encore une fois, l‟intervalle de 9 fois donne de meilleurs résultats par rapport aux faibles valeurs de l‟intervalle de clustering.

Améliorations

D‟après les résultats présentés dans cette section, nous remarquons que le système de clustering se comporte presque de la même façon pour des réseaux à faible densité (nombre de nœuds inférieur à 60). Mais à partir de 70 nœuds, les courbes commencent à s‟écarter, et la différence devient notable. Ce qui veut dire que le nombre de clusters formés durant la simulation augmente, quand le nombre de nœuds dans le réseau augmente aussi. Et inversement, la durée pendant laquelle est maintenu un cluster diminue, quand le nombre de nœuds dans le réseau augmente.

Partie 2 Contributions

105 Pour contrôler ce comportement, nous proposons une gestion intrinsèque au protocole, qui permettra d‟automatiser le contrôle et le choix de l‟intervalle de clustering. Ainsi, le protocole surveillera le nombre de nœuds dans le réseau, et suivant ce paramètre il peut choisir l‟intervalle le plus convenable pour maximiser le rendement du système de clustering. Cette amélioration peut faire l‟objet de perspective de ces travaux.

4.2.5.2. Profondeur de la densité du clustering

Dans notre solution de clustering, les clusters sont formés autours des nœuds ayant le plus dense voisinage; c'est-à-dire que le nœud qui dispose du plus grand nombre de voisins symétriques à un saut est considéré comme tête de cluster. De cette façon, la tête de cluster est représentée par le nœud qui couvre le plus grand nombre de nœuds dans le cluster. Ainsi nous avons nommé « Densité d‟un nœud i », le nombre de voisins symétriques à un saut du nœud i qui est notée Di. Le réseau sera ainsi divisé en des clusters de profondeur 1. C'est-à-dire que tous les membres d‟un cluster sont à un saut de la tête du cluster.

Le fait de choisir le voisinage à un saut produit un grand nombre de clusters dans le réseau. Pour améliorer ce paramètre, nous proposons d‟approfondir le niveau des clusters en choisissant des voisinages symétriques à deux sauts. L‟information de nombre de voisins symétriques à deux sauts peut être comptabilisée à partir des messages de contrôle du protocole OLSR [80]. L‟élection des têtes de clusters portera sur les nœuds ayant le plus dense voisinage à 1 et à deux sauts.

Nous notons (D2i) la somme du nombre de voisins symétriques à un saut et des voisins symétriques à deux sauts du nœud i. Le choix de la tête du cluster portera donc sur le nœud ayant la plus grande valeur de D2.

Nous avons implémenté cette amélioration sur le réseau OLSR, et comme le montre les graphes suivants, nous avons obtenu de meilleurs résultats.

Figure 4. 15 - nbr clusters = f( nbr nœuds) v = 10m/s

Sur la figure 4.15, nous observons le nombre de clusters (NC) formés durant la simulation en fonction du nombre de nœuds dans le réseau ; la vitesse maximale des nœuds est de 10 m/s. Nous remarquons bien une très grande amélioration du système de clustering dans le cas d‟une profondeur de niveau 2 (D2) où le nombre de clusters formés reste autour de 10 clusters ; alors qu‟il tourne autour de 50 pour une profondeur de niveau 1.

Chapitre 5 Auto-organisation des réseaux ad hoc

106

Figure 4. 16 - durée d‟un cluster = f(nbr nœuds) v = 10m/s

La figure 4.16 montre la durée de vie moyenne d‟un cluster en fonction du nombre de nœuds dans le réseau; la vitesse maximale des nœuds est de 10 m/s. Nous constatons une très grande amélioration de ce paramètre avec une profondeur de niveau 2. Cette figure montre que les clusters durent beaucoup plus longtemps avec une profondeur de niveau 2 qu‟avec une profondeur de niveau 1.

Figure 4. 17 - nbr clusters = f( vitesse) avec 70 nœuds

La figure 4.17 montre le nombre de cluster formés durant les simulations avec des vitesses allant de 1 m/s jusqu‟à 40 m/s pour un réseau de 70 nœuds. Il est clair à partir du graphe, que pour le même nombre de nœuds dans le réseau, le nombre de clusters formés durant les simulations pour une profondeur de niveau 2, est beaucoup moins inferieur que pour une profondeur de niveau 1.

Partie 2 Contributions

107 Figure 4. 18 - durée d‟un cluster = f( vitesse) avec 70 nœuds

Sur la figure 4.18, nous observons la durée moyenne pendant laquelle est formé un cluster pour des vitesses allant de 1 m/s jusqu‟à 40 m/s avec un réseau de 70 nœuds. Nous remarquons que pour une profondeur D2, la durée moyenne d‟un cluster est 7 fois plus grande que pour une profondeur D1.

D‟après les résultats présentés dans cette section, nous concluons que le passage d‟un voisinage à un saut vers un voisinage à deux sauts, a remarquablement amélioré les performances de l‟algorithme de clustering. Le nombre de clusters formés dans le réseau a diminué par un facteur de 10 ; et la durée de vie d‟un cluster a augmenté par un facteur de 10. Donc, les performances du système de clustering se sont multipliées presque par un facteur de 10.

Perspectives d’amélioration

Comme perspective, nous proposons de passer d‟une profondeur de niveau 2 vers une étendue de niveau 3. Nous proposons donc d‟augmenter l‟étendue d‟un cluster pour atteindre le voisinage à 3 sauts tout en gardant pour l‟élection des têtes de cluster le critère du voisinage le plus dense à deux sauts. Mais pour appliquer cette amélioration au protocole OLSR, il faut changer dans la structure des messages de contrôle, ou bien créer d‟autres messages pour effectuer les opérations de clustering.