Mobilité et clustering

La performance d'un protocole de réseau ad hoc peut changer de manière significative quand il est testé avec différents modèles de mobilité, mais aussi quand le même modèle de mobilité est utilisé avec différents paramètres. De plus, le choix d'un modèle exige un modèle de trafic de données qui influence aussi sur la performance du protocole. La performance d'un protocole de réseau ad hoc devrait être évaluée avec le modèle de mobilité qui est le plus proche du scénario réel prévu, ce qui peut faciliter l‟amélioration du protocole de réseau ad hoc.

Pour évaluer les performances de notre algorithme de clustering, nous avons effectué des simulations pour quatre types différents de modèles de mobilité : Random waypoint, RPGM, Manhattan et Gauss Markov.

Random Waypoint(RWP) : Ce modèle était d'abord utilisé par Johnson et Maltz dans l'évaluation du protocole de routage DSR [92] et était ensuite raffiné par les mêmes auteurs. Le Random Waypoint sert pour modéliser les scénarios dans lesquelles, les nœuds se déplacent vers une destination, prennent un repos en arrivant, avant de se déplacer vers une autre destination, et ainsi de suite. Dans ce modèle chaque nœud choisit aléatoirement, comme destination un point de coordonnées (x, y) dans la surface de simulation, et une vitesse entre 0 et Vmax.

Chapitre 5 Auto-organisation des réseaux ad hoc

100

Le nœud voyage vers la destination choisie avec la vitesse choisie. A l'arrivée, le nœud prend un temps de repos avant de choisir à nouveau une nouvelle destination et une nouvelle vitesse pour répéter le même processus.

Le modèle de mobilité de groupe avec point de référence noté RPGM (Referenced Point Group Mobility Model) [93] [94] représente le mouvement aléatoire d'un groupe de nœuds aussi bien que le mouvement aléatoire de chaque nœud individuellement dans le groupe. Les mouvements du groupe sont basés sur le chemin parcouru par un centre du groupe qui est utilisé pour calculer le mouvement du groupe par l'intermédiaire d'un vecteur de mouvement GM qui peut être choisi aléatoirement ou être prédéfini. Le mouvement du centre du groupe caractérise complètement le mouvement de son groupe (la direction et la vitesse). Les nœuds individuels se déplacent aléatoirement par rapport à leurs propres points de référence prédéfinis, dont les mouvements dépendent du mouvement du groupe.

Le modèle de mobilité Manhattan est proposé pour modéliser les mouvements dans les zones urbaines [95]. Dans ce modèle, les nœuds mobiles sont autorisés à se déplacer suivant des chemins horizontaux ou verticaux dans la carte urbaine. A l‟intersection d‟une rue horizontale et une rue verticale, le nœud mobile peut tourner à gauche, à droite ou aller droit devant. La probabilité de continuer sur le même chemin est de 0.5, la probabilité de tourner à droite est de 0.25 et la probabilité de tourner à gauche est de 0.25. Le modèle de mobilité Manhattan met le point sur les nœuds qui se déplacent suivant des chemins horizontaux ou verticaux, ce qui n‟est pas suffisant pour modéliser les nœuds qui se déplacent à travers des chemins non horizontaux et non verticaux. En plus le modèle Manhattan ne convient pas pour modéliser les mouvements qui se produisent dans les intersections des systèmes à grandes voies de communication, qui sont plus complexes que les rues locales.

Le modèle de mobilité Gauss Markov été proposé dans [96]. C‟est un modèle à mémoire, dans le sens où la position et la vitesse d'un nœud à tout instant (t+at), dépendent de la position et de la vitesse à l'instant t ; ce qui crée un mouvement plus souple des nœuds. La position (x,y)du mobile et sa vitesse v sont mises à jour chaque unité de temps (at). Pour s'assurer qu'un nœud ne reste pas près d'un bord de la simulation, les nœuds sont poussés loin du bord quand ils sont à moins d'une certaine distance du bord.

Pour observer le comportement de notre algorithme, nous avons repris les simulations pour les quatre modèles de mobilité. Pour générer les différents scenarios de modèles de mobilité, nous avons utilisé le générateur de scénarios de mobilité de l‟université de Bonn BonnMotion5.

Partie 2 Contributions

101 Ci après, les résultats obtenus pour les différents modèles de mobilité.

Figure 4.7- nbr clusters = f( nbr n œuds) v = 10m/s

La figure 4.7 montre le nombre de clusters formés le long des simulations en termes de nombre de nœuds dans le réseau. Nous notons que notre solution de clustering donne de meilleurs résultats avec le modèle de Manhattan, parce que les nœuds se déplacent dans ce modèle d‟une manière beaucoup plus organisée que dans les autres modèles.

Figure 4. 8 - durée d‟un cluster = f(nbr nœuds) v = 10m/s

La figure 4.8 montre la durée d‟un cluster en termes de nombre de nœuds dans le réseau. Nous notons que le comportement de l‟algorithme de clustering est pratiquement le même pour tous les modèles, sauf le modèle Manhattan qui donne la meilleure durée.

Chapitre 5 Auto-organisation des réseaux ad hoc

102

La figure 4.9 montre le nombre de clusters formés durant la simulation en fonction de la vitesse maximale des nœuds pour un réseau de 70 nœuds. Comme dans les cas précédents, et pour les mêmes raisons que nous avons citées, le modèle Manhattan affiche un bon résultat.

Figure 4. 10 durée d‟un cluster = f( vitesse) avec 70 nœuds

La figure 4.10 montre la durée de vie moyenne des clusters formés durant la simulation en fonction de la vitesse maximale des nœuds pour un réseau de 70 nœuds. Toujours, et pour les mêmes raisons que nous avons citées, le modèle Manhattan affiche le meilleur résultat.

D‟une manière générale, le comportement de l‟algorithme de clustering se justifie par la nature du modèle de mobilité avec lequel il tourne. Le modèle Manhattan donne les meilleurs résultats parce que les nœuds suivent toujours les mêmes trajets ce qui donne au réseau une topologie plus au moins organisée que les autres modèles de mobilité. Les modèles RandomWayPoint et GaussMarkov se rapprochent dans leurs résultats avec une amélioration dans le cas du modèle GassMarkov parce que ce dernier est plus réaliste que le modèle RandomWaypoint.

4.2.5. Amélioration de l’algorithme de clustering