Routage Intelligent dans les réseaux de capteurs à grande échelle

Abstract

La réduction de la consommation d'énergie et le passage à l’échelle sont des exigences clés dans les réseaux de capteurs sans fil (RCSFs), car ces réseaux sont généralement composés d'un grand nombre de capteurs sous la contrainte énergétique. Par conséquent, l'efficacité énergétique dans ce type de réseaux est considérée comme un problème critique. Une façon d'atteindre cet objectif est de minimiser le nombre de données redondantes envoyées à la station de base à travers l’approche de clustering qui est l’une des meilleures approches en termes d’efficacité énergétique dans les RCSFs à grande échelle. Dans cette thèse, nous avons proposé des solutions économes en énergie pour les RCSFs à grande échelle. Ces solutions se basent sur une amélioration de l’approche de l’apprentissage non supervisé (K-Means) et impliquent des méthodes pour déterminer le nombre de clusters approprié (Silhouette, Elbow et "Rule of Tumb"). Dans la première contribution, nous avons évalué chacune de ces méthodes dans le but de connaitre l’approche la plus adéquate pour déterminer le nombre de clusters. Dans la deuxième contribution, nous avons proposé un schéma de routage basé sur une version améliorée de K-Means. La troisième contribution est un schéma de routage basé sur un clustering dynamique et la quatrième contribution est un schéma de routage qui implique "Rule of Thumb" pour déterminer le nombre de CHs, K-Means pour organiser le réseau en clusters et un algorithme génétique amélioré pour établir les chemins entre chaque CH et la station de base. Les schémas de routage proposés ont été développés sous Matlab. Les résultats de simulations ont montré les avantages de nos solutions en termes de consommation d’énergie, de durée de vie et de passage à l’échelle comparées à d’autres schémas de routage.