d'énergie d'énergie (EM) Gestionnaire
3.4 Autres contributions
3.4.1 Gestion d’énergie distribuée pour les réseaux multi-sauts
Le problème du calcul distribué des taux de génération de paquets des nœuds formant un ré-seau multi-saut et organisés dans une topologie en arbre a été formulé sous la forme d’un problème d’optimisation convexe. Dans le cas de réseaux multi-sauts, chaque nœud effectue des mesures pour produire des données et relaie des paquets de données provenant d’autres nœuds. Dans [aitaou-dia17wcl], nous avons proposé un algorithme distribué pour le calcul des taux de générations de paquets équitables. Le problème du calcul des taux de génération est formulé comme un problème d’optimisation convexe, et en utilisant l’algorithme des directions alternées rapide (Fast ADMM -Alternating Direction Method of Multipliers), le problème original est décomposé en sous-problèmes plus petits pouvant être résolus en parallèle. Le Figure 3.9 montre les deux approches : centralisée,
49
(a) Approche centralisée : le puits résout le
pro-blème d’optimization convexe. (b) Approche distribuée : chaque nœud calculeson résidu et transmet le cumul des résidus. Figure 3.9 – Résolution centralisée vs distribuée. du calcul équitable des taux de génération de paquets.
où toutes les données sont transmises au puits pour une résolution centralisée du problème, et dis-tribuée, où seuls des résidus sont transmis mais convergent itérativement. Des simulations utilisant des traces réelles d’énergie lumineuse montrent que l’algorithme atteint des précisions importantes pour un nombre d’itérations relativement faible.
3.4.2 Architecture de récupération d’énergie multi-source
La plupart des solutions existantes de récupération d’énergie reposent sur une seule source d’énergie, ce qui réduit potentiellement la fiabilité du capteur. Dans [gleonec16ogc], nous présentons un circuit qui commute entre plusieurs sources d’énergie hétérogènes et utilise un seul bloc de conditionnement de puissance (PIMC - Power Management Integrated Component). La Figure 3.10 présente l’architecture de ce circuit. Un prototype a été développé et validé avec une plateforme de capteurs sans fil existante, développée par la l’entreprise Wi6labs, utilisant le protocole de radio longue portée LoRa. Les mesures montrent que la commutation entre les sources d’énergie peut combiner efficacement deux sources d’énergie afin d’augmenter l’autonomie du dispositif et/ou la qualité du service.
Figure 3.10 – Architecture de commutation de sources d’énergie.
3.4.3 Application de la gestion d’énergie à des nœuds LoRa
Les algorithmes de gestion d’énergie ont été principalement été implémentés et évalués par si-mulation. Nous avons évalué la mise en œuvre de ces algorithmes dans des conditions réelles de déploiements de nœuds de capteurs pour IoT. Ainsi, nous avons évalué les performances des diffé-rentes méthodes d’estimation du budget énergétique sur la plateforme LoRa. Présenté dans [gleo-nec18ict], les résultats montrent que dans ce cas d’utilisation, le choix de l’algorithme affecte la qualité de service du système de moins de 15%, permettant ainsi l’utilisation de méthodes à faible complexité d’implémentation.
50
La Figure 3.11 montre l’évolution du budget énergétique eb en fonction de l’état de charge er.
Ce graphique donne un aperçu rapide du comportement des différents algorithmes pour des états de charge faible et élevé, indiquant quel algorithme est plus ou moins conservateur.
Figure 3.11 – Budget énergétique en fonction de l’état de charge.
3.5 Conclusion
L’énergie est le principal goulot d’étranglement au déploiement à long terme d’applications de réseaux de capteurs sans fil, car les nœuds sont typiquement alimentés par batteries qui ne peuvent stocker qu’une quantité finie d’énergie. Une solution prometteuse est de permettre à chaque nœud de récupérer de l’énergie directement de son environnement. Les sources d’énergie étant dynamiques et incontrôlées, il est nécessaire d’adapter continuellement les performances des nœuds afin d’optimiser la qualité de service des applications tout en évitant les pannes de courant.
Dans ce chapitre, deux nouveaux gestionnaires d’énergie sont proposés. Le premier, Fuzzyman, utilise la théorie du contrôle flou pour calculer un budget énergétique en fonction de l’énergie récu-pérée et de l’énergie résiduelle. Cet algorithme nécessite cependant un réglage fin de ses paramètres en fonction de la source et du matériel. De plus, il utilise l’énergie résiduelle qui est une quantité difficile à mesurer en pratique. Pour s’abstraire de ces contraintes, nous avons proposé un deuxième algorithme, RLman, reposant sur la théorie de l’apprentissage par renforcement. Enfin, nous avons appliqué la gestion d’énergie au cas pratique du standard LoRa, montrant ainsi la faisabilité de l’alimentation par récupération d’énergie pour développer des applications autonomes en énergie.
Les perspectives directes de ces travaux consistent en l’amélioration des algorithmes proposés. Pour adapter Fuzzyman aux variations de l’environnement, un contrôleur adaptatif doit permettre de modifier dynamiquement les paramètres du contrôleur flou (e.g. ceux de l’ensemble de règles ou ceux des fonctions d’appartenance) en fonction des entrées et des sorties du système. Une amélio-ration de RLman passe par l’ajout d’autres entrées au système permettant d’augmenter l’espace d’exploration en y associant les fonctions d’approximations adéquates. L’utilisation d’autres ré-compenses peut aussi être envisagée. Enfin, l’extension de ces travaux à des gestionnaires d’énergie distribués dans le cas de réseaux ad-hoc doit permettre une gestion globale de l’énergie et une équité entre les nœuds.
Un problème rencontré lors de l’évaluation d’algorithmes de gestion d’énergie utilisant des simulations est le manque de traces d’énergie récupérée. Une perspective importante serait donc de fournir à la communauté un ensemble de traces d’énergie pour différentes sources et différents environnements. La valorisation d’un générateur de traces permettrait également d’atteindre cet objectif.