a d´etecter un nœud pathologique tandis qu’un faux positif (FP, False Positive) signifie que le
test a ´echou´e. Nous d´efinissons ´egalement la notion de vrai n´egatif (TN, True Negative) et de
faux n´egatif (FN, False Negative) pour la d´etection d’un nœud sain. Pour d´eterminer l’int´erˆet
et l’efficacit´e de la m´ethode, nous utilisons les facteurs de sensibilit´e (Sn) et de sp´ecificit´e (Sp)
d´efinis dans l’´equation 7.11.
Sn= T P
T P +F N Sp=
T N
T N+F P (7.11)
La sensibilit´e r´ev`ele la capacit´e du test diagnostic `a d´etecter les cas pathologiques : elle
corres-pond `a la proportion de tests positifs parmi tous les tests o`u les nœuds ´etaient pathologiques.
La sp´ecificit´e quant `a elle r´ev`ele la capacit´e du test diagnostic `a d´etecter les cas sains : elle
correspond `a la proportion de tests n´egatifs parmi tous les tests o`u les nœuds ´etaient sains.
Pendant une m´ethode de d´etection par seuil, la matriceM
entropyest seuill´ee pour d´eterminer les
nœuds pathologiques. Le test diagnostic offre un compromis entre sensibilit´e et sp´ecificit´e. Une
id´ee intuitive de ce compromis peut ˆetre obtenue en analysant deux cas extrˆemes en termes de
valeurs seuil. Dans un premier cas extrˆeme, la m´ethode d´etecte tous les nœuds comme
patholo-giques (valeur seuil fix´ee `a z´ero). Dans ce cas, la sensibilit´e est maximale (valeur de 1) alors que
la sp´ecificit´e est minimale (valeur nulle). Dans un second cas extrˆeme, la m´ethode d´etecte tous
les nœuds comme sains (valeur fix´ee `a l’infini). Dans ce cas, la sensibilit´e est minimale (valeur
nulle) alors que la sp´ecificit´e est maximale (valeur de 1).
Repr´esentation graphique ROC
Nous utilisons une repr´esentation graphique appel´ee ROC (Receiver Operating
Characteris-tic) [204] qui correspond `a la comparaison de la sensibilit´e (Sn) par rapport `a 1-sp´ecificit´e (1 - Sp)
permettant de rendre compte de ce compromis lorsque l’on souhaite comparer la performance
d’un test diagnostic. Une m´ethode de d´etection id´eale pr´esente une courbe ROC qui se situe
dans la partie en haut `a gauche du graphe, puisque la sensibilit´e (tous les tests positifs sont
vrais) et la sp´ecificit´e (tous les tests n´egatifs sont vrais) atteignent tous les deux des valeurs
7.5. R´esultats exp´erimentaux
maximales. Si l’on d´elimite le graphique en deux parties s´epar´ees par une ligne imaginaire d’un
angle de 45 degr´es allant du coin en bas `a gauche au coin en haut `a droite du graphe, le test
devient inefficace lorsque la courbe se situe dans la premi`ere moiti´e en bas `a gauche. En effet, le
taux de faux positifs devient sup´erieur au taux de vrais positifs : le test a alors une plus grande
probabilit´e de consid´erer un nœud pathologique comme sain que comme pathologique.
Dans les prochaines sous-sections, nous allons d´etailler les r´esultats exp´erimentaux (1) en
pr´esentant et analysant les courbes ROC pour comparer les performances des trois m´ethodes de
d´etection par seuil, (2) en ´evaluant l’impact du mod`ele de mobilit´e (param`etres (temps pause,
vitesse max) de RWP) et du mod`ele de fautes (param`etres (p, q) de la chaˆıne de Markov) sur
notre approche et (3) enfin en d´eterminant les performances de la m´ethode d’auto-configuration.
7.5.1 Performances compar´ees des m´ethodes de d´etection
Nous avons analys´e avec une premi`ere s´erie d’exp´eriences les performances des trois
m´e-thodes de d´etection par seuil d´ecrites dans la section 7.4.2. Ces r´esultats sont pr´esent´es sur la
figure 7.8 et reposent sur un ensemble ´etendu de simulations incluant diff´erents param`etres de
mobilit´e (temps pause, vitesse max) et param`etres de fautes (p, q). Nous avons consid´er´e un
temps de pause variant de 0 `a 120 secondes et une vitesse maximale variant de 0.1 `a 10 m/s
pour la mobilit´e. Les nœuds pathologiques sont param´etr´es avec des probabilit´es de transition
r´ealistes. La probabilit´e de tomber en pannep est configur´ee avec une valeur faible de 0.1 `a 0.2
et la probabilit´e d’ˆetre r´epar´eq avec une valeur comprise entre 0.1 et 1.0. Pour chaque
configu-ration, nous avons r´ealis´e 150 simulations pour ´eviter le biais des r´esultats. Les performances des
Fig. 7.8 – Courbes ROC pour les trois m´ethodes par seuillage
m´ethodes de d´etection sont synth´etis´ees sur la figure 7.8, o`u nous avons trac´e la courbe ROC
pour chacune des m´ethodes. Un point (x,y) sur la courbe repr´esente le taux de vrais positifs (y)
compar´e au taux de faux positifs (x) de la m´ethode pour une valeur seuil donn´ee. Nous sommes
int´eress´es par une m´ethode performante qui fournit un taux faible de faux positifs pour un taux
maximal de vrais positifs. Plus la m´ethode se situe dans le coin sup´erieur gauche de l’espace
ROC, plus elle fournit une d´etection efficace.
Nous pouvons donc d´eduire graphiquement que la m´ethode m
3qui repose sur la valeur
moyenne de l’entropie repr´esente un test diagnostic meilleur que les deux autres m´ethodes. En
particulier, la m´ethodem
3offre de bons r´esultats avec un taux de vrais positifs sup´erieur `a 75%
dans la plupart des cas. De mani`ere plus fine, si l’on souhaite un taux de faux positifs inf´erieur
`
a 20%, la m´ethode m
3avec plus de 75% de vrais positifs est d´efinitivement meilleure que la
m´ethode m
1avec un taux de vrais positifs de moins de 45%, et bien meilleure encore que la
m´ethode m
2avec un taux de vrais positifs de moins de 20%. Il s’av`ere que les m´ethodes m
1et
m
2pr´esentent des performances moins convaincantes. Cela provient notamment du fait que la
d´etection est trop d´ependante du nombre de nœuds observant le nœud intermittent. Par exemple
pour la m´ethodem
1, la d´etection repose sur le vote `a la majorit´e et par cons´equent la probabilit´e
d’un nœud ad-hoc d’ˆetre consid´er´e comme pathologique croˆıt avec le nombre de nœuds qui est
pr´esent dans son voisinage. De la mˆeme mani`ere, la m´ethodem
2consid`ere la valeur cumul´ee de
l’entropie `a l’´echelle du r´eseau. Ce crit`ere d´epend ´egalement du nombre de nœuds voisins. Avec
la m´ethodem
3, la valeur moyenne de l’entropie fournit un crit`ere plus ind´ependant et fiable pour
mesurer l’intermittence, o`u une augmentation du nombre de nœuds voisins permet d’am´eliorer
et de raffiner la valeur moyenne de l’entropie sans d´enaturer la mesure.
7.5.2 Impact du mod`ele de mobilit´e sur le monitorage
Une seconde s´erie d’exp´eriences portait sur l’impact de la mobilit´e sur la d´etection de nœuds.
Nous voulions quantifier le fait que les performances se d´egradent lorsque la mobilit´e augmente :
l’entropie g´en´er´ee par la mobilit´e augmentant et ne permettant plus de distinguer celle g´en´er´ee
par la pathologie. Nous avons consid´er´e pour ce faire diff´erents param`etres de mobilit´e avec
un mod`ele d’intermittence r´ealiste (param`etres p = 0.1 et q = 0.4). Nous avons configur´e les
param`etres de mobilit´e avec un temps de pause raisonnable de 0 `a 120 secondes et une vitesse
maximale comprise entre 1 et 10 m/s. Nous avons ensuite mesur´e la sensibilit´e et la sp´ecificit´e
de la m´ethode m
3, qui s’´etait av´er´ee la plus efficace comparativement aux deux autres dans les
exp´eriences pr´ec´edentes. Ces r´esultats sont pr´esent´es sur la figure 7.9 o`u nous avons trac´e les
courbes ROC pour chaque couple (temps pause, vitesse max) de param`etres de mobilit´e. Nous
´etudions les performances de la m´ethode de d´etection pour des configurations avec un taux de
faux positifs relativement bas. Nous nous sommes limit´es au trac´e des courbes ROC pour un
taux de faux positifs inf´erieur `a 20%. La comparaison des courbes ROC montre que l’impact
de la mobilit´e est relativement limit´e pour des sc´enarios r´ealistes. La diff´erence de performances
entre la mobilit´e la plus faible et la mobilit´e la plus ´elev´ee est en effet de moins de 5%. Ce constat
vient de la nature de notre mesure qui met davantage en ´evidence l’entropie additionnelle g´en´er´ee
par une pathologie plutˆot que celle induite par la mobilit´e.
Une mobilit´e tr`es ´elev´ee g´en`ere de mauvais r´esultats o`u par mauvais r´esultats nous entendons
un faible taux de vrais positifs pour un faible taux de faux positifs de moins de 20%. En effet, les
performances sont fortement d´egrad´ees dans des sc´enarios, comme par exempletemps pause= 0
s etvitesse max= 10 m/s, avec une sensibilit´e de moins de 72%. En revanche, une mobilit´e tr`es
faible peut ´egalement s’av´erer probl´ematique. En r´ealit´e, l’impact de la mobilit´e est double. Dans
un premier temps, la d´etection est am´elior´ee lorsque la mobilit´e augmente pour les param`etres de
mobilit´e de (120,1) `a (30,10). La mobilit´e augmente le nombre de nœuds observateurs impliqu´es
dans la d´etection et permet ainsi de raffiner les mesures d’intermittence. Dans un second temps,
la d´etection est perturb´ee avec les sc´enarios de forte mobilit´e. Elle n’est plus capable de mettre
7.5. R´esultats exp´erimentaux
Fig. 7.9 – Impact du mod`ele de mobilit´e sur la m´ethode de d´etection par seuil m
3[A partir
d’un ensemble de simulations, nous avons trac´e la courbe ROC pour la m´ethode de d´etection
Dans le document
Supervision des Réseaux et Services Ad-Hoc
(Page 141-144)