de la Planification
de Réseaux Locaux Sans Fil
Thèse soutenue le 8 décembre 2008 par
Alexandre GONDRAN
Devant le Jury :
M. Jean-Marie GORCE rapporteur Pr, INSA Lyon
M. Olivier HUDRY rapporteur Pr, TELECOM Paris
M. Philippe GALINIER examinateur Pr, École polytechnique, Montréal M. Michel MINOUX examinateur Pr, Université de Paris 6
M. Jean-François MORLIER examinateur Ingénieur R&D, Orange Labs, Belfort
M. Alexandre CAMINADA directeur Pr, UTBM
Problématique
Le problème de planification de WLAN à grande échelle
consiste d’une part à positionner et paramétrer des antennes dans un bâtiment et d’autre part à leur affecter une fréquence. L’objectif est de
fournir aux clients du réseau un accès avec une qualité de service donnée et de minimiser le coût de déploiement.
GSM : approche séquentielle
automatique et à grande échelle WLAN : objectif de la thèse
coût financier / qualité de service
Planification des Réseaux sans fil
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoires (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
1. ÉTAT DE L’ART
Localisation + Allocation des fréquences (Couverture + Interférences)
+ il y a d’antennes + on couvre en puissance
+ il y a d’antennes
f
icanal de fréquence de l’AP i
Problème non conservatif en qualité
x
ipositionnement de l’AP i
avec puissance d’émission
diagramme de rayonnement azimut
(Set Covering Problem) (k-coloring ou T-coloring)
Deux problèmes en un
+ il y a d’interférences
- on couvre en service
Traitement séparé des deux problèmes
une fois le problème de localisation résolu
F
1(x) et F
2(f)
2 fonctions d’évaluation
Localisation avec contraintes sur les interférences
Localisation puis Allocation des fréquences
Allocation des fréquences F
2(f)
F
1(x) = α
1F
11+ α
2F
12+ α
3F
132. capacité F
121. couverture en puissance F
113. interférence F
13problème de pondération difficile
1
èreétape
2
èmeétape
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
1. ÉTAT DE L’ART
Critères d’optimisation de la littérature
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
1. ÉTAT DE L’ART
Orientations de la thèse
Unification des critères de qualité de service
Comparaison difficile
Optimisation globale
Optimisation séquentielle : problèmes sous ou sur contraint
Algorithmes
Taille des problèmes traités
Modèles de propagation
Intégration des 2 problèmes
Planification des Réseaux sans fil
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoire (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
zone de service point d’accès AP i
2. MODÉLISATION
Fonctionnement d’un WLAN
point de service k
Association du point de service au meilleur signal reçu k
Variable : x (site, antenne, azimut, puissance)
Fonctionnement d’un WLAN
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Association du point de service au meilleur signal reçu k
i k
2. MODÉLISATION
Variable : x
Fonctionnement d’un WLAN
Variables : x et f
k
i k f
1f
2f
3f
4f
5Fonctionnement d’un WLAN
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Signal-to-Interference-plus-Noise Ratio
Calcul du SINR au point de service k :
IEEE 802.11b/g
(
kk)
k
i k k
ik i i
i i
SINR p
p γ f f N
≠
= ∑ × − +
2. MODÉLISATION
écart de fréquences
ik i
f − f
0 1 2 3 4 5 6
γ
facteur de protection 1
0,7
0,3
0,04 0,01 0 0
Capacité réelle d’un AP (lien descendant)
k
i
kf
1f
2f
3f
4f
5κ
k MSDUt
k ( )( )
( )
MSDU
k k
k cell i i
k k
k cell i
t capacité
SINR
κ κ δ
∈
∈
×
= ×
∑
∑
( SINR
k) δ
nb de clients / point de service k
taille des données utiles / point de service k
durée de transmission des
données utiles / point de service k
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Débit réel d’un point de service
Calcul du débit réel par point de service :
k
k
o i
k k
i
capacité débit
κ n
= ×
2. MODÉLISATION
Une seule fonction d’évaluation :
( , ) max(0;
ks ko) ˆ
k
F x f = ∑ débit − débit + × β cout financier
manque de débit en kbit/s
en €
débit en kbit/s que l’on a pour 1 €
Planification des Réseaux sans fil
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoires (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Modèle
Sites candidats avec leur carte de couverture ( p
ik) et leurs coûts d’installation Demande des clients (type de service) : débit
ks, t
kMSDU, κκκκ
kListe des points d’accès disponibles Paramètres de la norme utilisée
Choix des configurations d’AP (site, antenne, puissance, azimut) : x
iChoix des canaux de fréquences : f
iCalcul du débit réel par usager : débit
koDonnées d’entrée
Variables de décision
Evaluation
( , ) max(0;
ks ko) ˆ
k
F x f = ∑ débit − débit + × β cout financier
Planification des Réseaux sans fil
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoires (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Comparaison de stratégies d’optimisation
1. Optimisation globale (nouveau)
2. Optimisation globale restreinte à 3 couleurs (littérature)
interférences co-canal => 3-coloration
(
kk)
k
i k k
ik i i
i i
SINR p
p γ f f N
≠
= ∑ × − +
min F ( , ) x f ⇒ x, f ɶ ɶ
(
kk)
k
i k k
ik i i
i i
SINR p
p γ f f N
≠
= ∑ × − +
( f
ikf
i) 0 ou 1
γ − =
min F ( , x f ∈ {1, 6,13}) ⇒ x, f ɶ ɶ ⇒ min F ( , ) x f ɶ ⇒ f ɶ
3. OPTIMISATION
Comparaison de stratégies d’optimisation
3. Optimisations séquentielles (3 cas)
0
k k
k
i k i k
k k
ik i i
p p
SINR SNR
p N N
≠
= =
∑ × +
( f
ikf
i) 0 ≃
γ − =
1. Problème de recouvrement (littérature)
k
k
i k k
ik i i
SINR p
p N
≠
∑ +
( f
ikf
i) 1 ≃
γ − =
k
k
i k k
ik i i
SINR p
p γ N
≠
∑ × +
( f
ikf
i) ≃
γ − = γ
min F ( , ) x γ ⇒ x ɶ ⇒ min F ( x, f ɶ ) ⇒ f ɶ
3. Problème brouillage moyen (nouveau)
2. Problème co-canal (littérature)
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Séquentielle (co-canal) :
Globale restreinte à 3 couleurs
Séquentielle
Globale
γ = 0,1
γ = 1
3. OPTIMISATION
Planification des Réseaux sans fil
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoires (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
2 types de variables (x , f )
Plusieurs voisinages
Algorithme à Voisinages Variables Aléatoires
3. OPTIMISATION
Solution courante
Voisinage de suppression
Suppression aléatoire d’une
configuration
Double contrôle de la dégradation
Voisinage de remplacement
Choix du meilleur canal
de fréquence
Double contrôle de la dégradation Ajout aléatoire
d’une configuration
Suppression aléatoire d’une
configuration Voisinage d’ajout
Ajout aléatoire d’une configuration
Choix du meilleur canal
de fréquence
Double contrôle de la dégradation
Voisinage fréquentiel
Algorithme multi-start d’amélioration du plan de
fréquences
Choix du meilleur canal
de fréquence
Tant que la solution s’améliore
Pour tous les sites ouverts fixer un plan de fréquences aléatoire
Voisinage intra-site
Pour tous les sites ouverts
Choix de la meilleure configuration
Tant que la solution s’améliore
+
Algorithme multi-start d’amélioration
Choix du meilleur canal
de fréquence
1/4 1/4 1/2 1/50 1/1000
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Solution courante
heuristiques : descente simple, méthode Tabou, recuit
simulé, …
Proba(V1)
Mécanisme de décision : action sur les probabilités
voisinage 1 voisinage 2 voisinage n
Proba(V2) Proba(Vn)
heuristique du voisinage 1
heuristique du voisinage 2
heuristique du voisinage n 3. OPTIMISATION
Algorithme à Voisinages Variables Aléatoires
…
Performances VVA
C omparaison difficile
Pas de benchmarks
Modèles tous différents
Facilité intrinsèque à traiter les 2 problèmes simultanément
Eléments de comparaison avec les travaux les plus performants du domaine (thèse de Katia Jaffrès-Runser 2005)
1h
Convergence pour
1h
40 AP / 8000 PS 20 AP /
1200 PS Taille des problèmes
traités
VVA Katia Jaffrès-
Runser
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Planification des Réseaux sans fil
4. HYPERGRAPHES
1. État de l’art : traitement séparé des deux problèmes
2. Modélisation par le SINR
1. Fonctionnement des WLAN 2. Modèle
3. Optimisation
1. Comparaison des stratégies d’optimisation
2. Algorithme à Voisinages Variables Aléatoires (VVA)
4. Hypergraphes : approfondissement théorique sur
l’affectation de fréquences
Nouveau contexte
Sous problème
Problème d’affectation des fréquences Les configurations sont données
Problème de décision
Problème de satisfaction de contraintes
Oui ou non existe-t-il une solution ?
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
Allocation de fréquence dans les WLAN:
contraintes SINR
Trouver f i
tel que ∀ k, SINR k ≥≥≥≥ s k
SINR ≥ 20 dB SINR ≥ 25 dB
SINR ≥ 15 dB
f
1f
2f
3f
4s k seuil de SINR nécessaire pour satisfaire le client k
4. HYPERGRAPHES
contraintes SINR
| f j − ≥ f i | t ij
T-coloration de graphe
1 1
max , ; ,
k k
i k i k
k k
ij k k
k ik jk
p p
N N
s s
t j i i j
p p
γ
−γ
−
− −
= = =
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
- 60 dBm - 73 dBm
- 72 dBm f 1 f 3
f 2
SINR ≥ 15dB
Exemple 1
4. HYPERGRAPHES
Condition nécessaire :
problème de T-coloration de graphe
1 2
| | 2
15 | | 2
f f
SINR f f
− ≥
≥ ⇔
− ≥
2 2
problème de T-coloration de graphe
f 1 f 3
f 2
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
, :
k( )
k k
i k
k k
ik ii
i i
k SINR p s
p γ t N
≠
∀ = ≥
× +
∑
| f j − ≥ f i | t ij
T-coloration de graphe
Théorème:
Oui, si
équivalence ?
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
4. HYPERGRAPHES
f 1 f 3
f 2
- 60 dBm - 73 dBm
- 72 dBm - 63 dBm
problème T-coloration d’hypergraphe
Exemple 2
2. Modélisation
1. État de l’art 2. Modélisation 3. Optimisation
1. État de l’art 3. Optimisation 4. Hypergraphes
2 3
1 2
1 3
| | 2
15 | | 3
f f
SINR f f
− ≥
≥ ⇒
− ≥
f 1 f 3
f 2
4. HYPERGRAPHES
Condition quasi équivalente :
problème T-coloration d’hypergraphe
1 2
1 3
| | 2
15 | | 3
f f
SINR f f
− ≥
≥ ⇔
− ≥
1 2 1 3
| f − f | + | f − f | ≥ 6
1 2
1 3
1 2 1 3
| | 2
15 | | 3
| | | | 6
f f
SINR f f
f f f f
− ≥
≥ ⇔ − ≥
− + − ≥
Il est nécessaire d’ajouter une nouvelle contrainte contrainte n-aire linéaire :
problème T-coloration d’hypergraphe
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
, , 1 min ( ) ( )
kk k
i k
k ik jk ji ik ii
t i j k
k i i p t t p t p N
α γ γ s
≠
∀ ∀ ≠ = + + ≤ −
∑
| |
k k
k
ik i i i k
i i
f f
α α
≠
− ≥
∑
T-coloration d’hypergraphe
| f j − ≥ f i | t ij
T-coloration de graphe
4. HYPERGRAPHES
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
, k , ik 1
k i i α
∀ ∀ ≠ = Théorème:
Oui, si
| |
k k
k
ik i i i k
i i
f f
α α
≠
− ≥
∑
T-coloration d’hypergraphe
| f j − ≥ f i | t ij
T-coloration de graphe
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
équivalence ?
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
Pour les problèmes réels, les seuils s
ksont inconnus Seules les demandes de débit par client
(kilobit/s) sont connues
| |
k k
k
ik i i i k
i i
f f
α α
≠
− ≥
∑
T-coloration d’hypergraphe
| f j − ≥ f i | t ij
T-coloration de graphe
4. HYPERGRAPHES
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
Pour les problèmes réels, les seuils s
ksont inconnus Seules les demandes de débit par client
(kilobit/s) sont connues
| |
k k
k
ik i i i k
i i
f f
α α
≠
− ≥
∑
T-coloration d’hypergraphe
| f j − ≥ f i | t ij
T-coloration de graphe Contraintes
de capacité
Capacité
AP≥ Demande
2. Modélisation
1. État de l’art 3. Optimisation 4. Hypergraphes
contraintes SINR
(
kk)
k
i k
k k
ik i i
i i
SINR p s
p γ f f N
≠
= ≥
× − +
∑
Nous avons défini une nouvelle procédure qui détermine
dynamiquement les meilleurs seuils s
kpour transformer le problème en un problème de T-coloration de graphe et d’hypergraphe
| |
k k
k
ik i i i k
i i
f f
α α
≠
− ≥
∑
T-coloration d’hypergraphe
| f j − ≥ f i | t ij
T-coloration de graphe Contraintes
de capacité
Capacité
AP≥ Demande
4. HYPERGRAPHES
Résultats
9 AP
15 AP
30 AP
40 AP
T-coloration de graphe
T-coloration d’hypergraphe
Premiers résultats prometteurs Création de benchmarks
Développement de solveurs (travail avec des étudiants)
demande des usagers
3/20 T-coloration de graphe meilleurs résultats
17/20 T-coloration d’hypergraphe meilleurs résultats ou équivalents
nombre de contraintes
violées