Environnement de simulation et scénarios considérés

Nous considérons le même environnement de simulation présenté dans la section 2.4. Le modèle proposé est implémenté en utilisant le solveur Gurobi, et ses performances sont évaluées en utilisant le scénario de mobilité LuST, avec les métriques présentées auparavant.

L’objectif principal est de montrer les avantages d’une approche adaptative dans le contexte SDVN. Nous nous focalisons sur la latence entre contrôleurs et nœuds d’ache- minement (capturé en utilisant la métrique de distance (nombre de véhicules par saut)). Afin de mesurer l’impact des changements de placement sur les performances du réseau, nous mesurons deux métriques additionnelles, i) le nombre de contrôleurs ajoutés et/ou supprimés, et ii) le nombre d’entités RSU réaffectées à d’autres contrôleurs (exprimé en %, par rapport au nombre total d’entités RSU du réseau).

Nous considérons deux scénarios, Dynamic-1 et Dynamic-2, avec et sans l’intégration du coût de replacement, respectivement. Le premier pour mettre en avant les apports de l’approche dynamique par rapport à l’approche statique, et le second pour montrer comment on peut minimiser le surcout généré par l’approche dynamique.

Dans les deux scénarios, le placement est calculé à intervalles réguliers (toutes les 4h) pendant la journée, à chaque fois avec de nouvelles informations de mobilité.

2.6. Évaluation expérimentale 67

2.6.2 Résultats de simulation

2.6.2.1 Scénario Dynamic-1

La figure 2.11 indique le nombre total de véhicules situés à une distance donnée de leur contrôleur (nombre de sauts entre le contrôleur et les véhicules) durant la journée. On peut remarquer que la majorité des véhicules sont proches de leur contrôleur (moins de 3 sauts), même aux heures de pointe, comparativement à un placement statique (précédemment présenté dans la figure 2.8a).

Figure 2.11: Nombre de véhicules par saut—Dynamic-1

Afin de montrer les avantages d’un placement dynamique, nous le comparons avec le placement statique décrit auparavant. Les figures 2.12a, 2.12b montrent respectivement, l’écart-type de la charge des contrôleurs et le nombre de véhicules situés à 3 sauts (dis- tance maximale), pour les stratégies de placement statique et dynamique. Nous pouvons remarquer que le nombre de véhicules à 3 sauts diminue d’une moyenne d’environ 600 à 250 véhicules aux heures de pointe, grâce aux réajustements du placement des contrô- leurs. En outre, l’ajout de nouveaux contrôleurs entraîne une réduction de l’écart type de la charge des contrôleurs, comme le montre la figure 2.12a.

Le gain apporté par l’approche dynamique comparée à la stratégie statique est dû à un ajustement du nombre et du placement des contrôleurs durant la journée. Dans le cas statique, le nombre de contrôleurs est fixe (13 contrôleurs), comme le montre la figure 2.7, alors que dans l’approche dynamique le nombre de contrôleurs varie de 11 à 16 selon la période de la journée, comme le montre la figure 2.13 (axe des ordonnées rouge à droite). Ces changements génèrent un sur-coût de transmission réseau (network

overhead), comme expliqué dans la section 2.5.

Pour quantifier l’impact du replacement des contrôleurs sur les performances du réseau, nous mesurons le nombre de nœuds concernés par un changement de placement à un

(a) Écart-type de la charge des contrôleurs (b) Nombre de véhicules situés à 3 sauts

Figure 2.12: Comparaison des stratégies de placement, statique et dynamique.

instant donné. La figure 2.13 (axe des ordonnées bleu à gauche) indique le pourcentage de nœuds réaffectés (changement de contrôleur) à chaque modification du placement des contrôleurs. On peut remarquer qu’un nombre significatif de nœuds RSU est affecté à chaque nouveau placement.

Figure 2.13: Pourcentage des entités RSU réaffectées, et nombre de contrôleurs

2.6.2.2 Scénario Dynamic-2

Dans ce deuxième scénario, nous montrons comment minimiser l’impact du réajus- tement du placement (souligné dans le scénario Dynamic-1 ). Pour cela, nous intégrons le coût de replacement dans le modèle afin de minimiser ces changements, tout en

2.6. Évaluation expérimentale 69

s’adaptant aux fluctuations du trafic.

Nous avons exécuté la simulation avec les mêmes paramètres que ceux du modèle du scénario Dynamic-1. En outre, nous intégrons le coût de replacement dans la fonction objectif du modèle. Un poids (γ) très faible est affecté à ce terme.

La figure 2.14a montre le pourcentage de nœuds réaffectés à chaque nouveau repla- cement, pour les scénarios Dynamic-1 et Dynamic-2. On peut remarquer que dans le scénario Dynamic-2, le nombre de changements a considérablement diminué par rapport au scénario Dynamic-1. Par exemple, le pourcentage de changements pendant le place- ment 2 est passé de 47% à 0%. Et une diminution de changements de plus de la moitié pour les placements (4, 5 et 6).

En outre, nous avons analysé l’évolution du nombre de contrôleurs, durant la journée pour les deux scénarios (Dynamic-1 et Dynamic-2). Nous constatons que le nombre de contrôleurs évolue presque de la même manière pour les deux scénarios, à l’exception des placements 2 et 3 (deux contrôleurs en moins), comme le montre la figure 2.14b (points rouges). Nous remarquons également que, le nombre de contrôleurs remplacés est significativement réduit dans le scénario Dynamic-2, par rapport à Dynamic-1. Cela réduit considérablement le sur-coût de synchronisation entre contrôleurs.

(a) Pourcentage des nœuds réaffectés (b) Nombre des contrôleurs modifiés

Figure 2.14: Réduction de l’impact de réajustement du placement des contrôleurs

En plus, nous analysons l’impact de la réduction des changements de replacement sur les performances du modèle, en terme d’adaptabilité aux fluctuations du trafic routier. Les figures 2.15a et 2.15b montrent respectivement l’écart type de la charge des contrô- leurs, et le nombre de véhicules situés à 3 sauts pour les deux scénarios (Dynamic-1 et

Dynamic-2). Ces résultats sont comparés aux performances du placement statique.

On peut remarquer que le nombre de véhicules situés à 3 sauts, évolue à peu près de la même manière, pour les deux scénarios. La même tendance se dégage pour l’écart-type de la charge des contrôleurs. Ceci signifie que nous pouvons obtenir des performances

similaires, tout en réduisant considérablement le nombre de changements (Network Ove-

rhead).

Par ailleurs, il est clair que le fait de minimiser les modifications de replacement, restreint les possibilités d’adaptation aux nouveaux changements de trafic routier. Par conséquent, cela pénalise les autres objectifs, notamment la latence entre les nœuds et les contrôleurs. Le coefficient γ peut être ajusté de manière appropriée afin de trouver un bon compromis entre les deux objectifs.

(a) Écart-type de la charge des contrôleurs (b) Nombre de véhicules situés à 3 sauts

Figure 2.15: Comparaison des stratégies de placement, statique et dynamique