TSP CMC 61836 anglais

Optimisationdesperformancesetefficacitéénergétique
AméliorationdesréseauxdecapteursLoRaWAN:uneapproched’apprentissageprofondpour
DOI:10.32604/cmc.2025.061836
Pressescientifiqueettechnologique
Auteurcorrespondant:MaramAlkhayyal.Courriel:[email protected].Reçule
4décembre2024;acceptéle12février2025;publiéle26mars2025.
ARTICLE
Départementdessystèmesd'information,Facultéd'informatiqueetdessciencesdel'information,UniversitéduRoiSaoud,Riyad,BP51178,Arabie
saoudite
1.1Contexteetmotivation
MaramAlkhayyal*etAlmetwallyM.Mostafa
1Introduction
L'efficacitéénergétiqueetl'optimisationdesperformancesduréseausontdeuxélémentsessentielspourlesdéploiementsIoTà
grandeéchelle,carlenombred'appareilsconnectésnecessed'augmenter.Cependant,garantirunelongueautonomiedelabatterieresteundéfi.
L'essorrapidedel'Internetdesobjets(IoT)aentraînéledéploiementmassifderéseauxdecapteursàgrande
échelledansdiversdomaines,notammentlesvillesintelligentes,l'automatisationindustrielleetlasurveillance
environnementale[1–3].Parmilestechnologiessousjacentesàl'IoT,lesréseauxLoRaWAN(LongRangeWideArea
Networks)ontsuscitéunvifintérêtgrâceàleurcapacitédecommunicationlongueportéeetleurfaibleconsommation
d'énergie,cequilesrendidéauxpourlesdispositifsalimentésparbatterieauseindecesréseaux.Fonctionnantsur
desbandesdefréquenceslibres,LoRaWANoffreunesolutionflexibleetévolutivepourlesapplicationsIoTnécessitant
uneinfrastructureréseaucapabledeprendreenchargedesmilliersdenœudssurdevasteszonesgéographiques[4].
MOTSCLÉS:LoRaWAN;optimisationdesperformances;efficacitéénergétique;apprentissageautomatique;apprentissageprofond
RÉSUMÉ:L’essorrapidedel’Internetdesobjets(IoT)aentraînélagénéralisationdesréseauxdecapteurs,lesréseauxLoRaWAN(LongRangeWideAreaNetworks)s’imposantcommeune
technologieclégrâceàleurcapacitéàassurerunecommunicationlongueportéetoutenminimisantlaconsommationd’énergie.Cependant,l’optimisationdesperformancesetdel’efficacité
énergétiquedesréseauxdansdesenvironnementsIoTdynamiquesetàgrandeéchelledemeureundéfimajeur.Lesméthodestraditionnelles,tellesquel’algorithmeADR(AdaptiveDataRate),
peinentsouventàs’adapterefficacementauxvariationsrapidesdesconditionsduréseauetdesfacteursenvironnementaux.Cetteétudeprésenteuneapprochehybridequiexploitelestechniques
d’apprentissageprofond(DL),notammentlesréseauxLSTM(LongShortTermMemory),etlestechniquesd’apprentissageautomatique(ML),notammentlesréseauxdeneuronesartificiels(ANN),
afind’optimiserdesparamètresréseauessentielstelsquelerapportsignal/bruit(SNR)etl’indicateurdepuissancedusignalreçu(RSSI).LemodèleLSTMANN,entraînésurlejeudedonnées
«LoRaWANPathLossincluantlesvariablesenvironnementales»deMedellín(Colombie),adémontréuneprécisionprédictiveexceptionnelle,atteignantuncoefficientdedétermination(R²)de
0,999,uneerreurquadratiquemoyenne(MSE)de0,041,uneracinecarréedel'erreurquadratiquemoyenne(RMSE)de0,203etuneerreurabsoluemoyenne(MAE)de0,167,surpassantainsi
significativementlesapprochesderégressiontraditionnelles.Cesrésultatssoulignentlepotentieldelacombinaisondetechniquesavancéesd'apprentissageautomatique(ML)etd'apprentissage
profond(DL)pourpallierleslimitationsdesstratégiesd'optimisationclassiquesdansLoRaWAN.EnproposantunesolutionévolutiveetadaptativepourlesdéploiementsIoTàgrandeéchelle,ce
travailjettelesbasesd'unemiseenœuvreconcrète,etmetenévidencelanécessitédecadresd'apprentissagecontinupouraméliorerencorel'efficacitéénergétiqueetlarésilienceduréseaudans
desenvironnementsdynamiques.
CetravailestmisàdispositionselonlestermesdelalicenceCreativeCommonsAttribution4.0International,quiautorise
l’utilisation,ladistributionetlareproductionsansrestrictionsurtoutsupport,àconditionquel’œuvreoriginalesoitcorrectementcitée.
Droitsd'auteur©2025Lesauteurs.PubliéparTechSciencePress.
Machine Translated by Google

ComputMaterContin.2025;83(1)
1080
UneautreméthodeutiliséepourgérerlesconditionsenvironnementalesdynamiquesdanslesréseauxLoRaWANest
l'apprentissageparrenforcement(RL).Minhajetal.[8]ontutilisédesmodèlesRLpouroptimiserl'allocationdesfiltres(SF)etdes
paquets(TP),entenantcomptedesconditionsdecanaletdesinterférencesentempsréel.Lesrésultatsontmontréuneréductionde25
%delaconsommationd'énergieetuneaméliorationdutauxderéceptiondespaquets(PRR).Cestravauxontexploitéunjeudedonnées
personnaliséissud'expériencescontrôlées,cequilimiteleurgénéralisationàdiversenvironnements.BienqueleRLdémontreune
certaineadaptabilité,sondéploiementàgrandeéchellerestelimitéenraisondelacomplexitédesamiseenœuvre.
LeprincipaldéfidesréseauxLoRaWANrésidedansl'optimisationsimultanéedesperformancesetdel'efficacitéénergétique.Avec
denombreuxparamètresconfigurables,telsquelapuissanced'émission(TP),lefacteurd'étalement(SF)etlabandepassante(BW),
déterminerlaconfigurationoptimalepourchaquedispositifd'unréseauàgrandeéchelles'avèrecomplexe.Uneconfigurationinadéquate
peutentraîneruneaugmentationdescollisionsdepaquets,unediminutiondudébitetuneconsommationd'énergieexcessive,limitant
ainsil'évolutivitéduréseauetl'autonomiedesbatteriesdesdispositifs[10].
Récemment,l'apprentissageautomatique(ML)etl'apprentissageprofond(DL)sesontimposéscommedesoutilsprécieuxpour
l'optimisationdesperformancesdesréseaux[7].Enreconnaissantdestendancesdanslesdonnéesetenprédisantdesindicateursclés,
telsquelaqualitédusignaletlaconsommationd'énergie,lestechniquesML/DLpeuventajusterdynamiquementlesconfigurationsdu
réseauetamélioreràlafoissesperformancesetsonefficacitéénergétique.Cesapprochesbaséessurlesdonnéesoffrentdessolutions
prometteusesauxdéfisrencontréslorsdel'optimisationdesréseauxLoRaWAN,notammentdanslescontextesoùlesalgorithmes
traditionnelssesontrévélésinsuffisants[8,9].
Assurerladuréedeviedesobjetsconnectéstoutenmaintenantundébitréseaufiableetunefaiblelatencereprésenteundéfimajeur
[5].Lesapprochestraditionnelles,tellesquel'algorithmestandarddedébitdedonnéesadaptatif(ADR),peinentsouventàs'adapteraux
conditionsenvironnementalesetréseaudynamiques,cequientraîneuneallocationinefficacedesressourcesetuneconsommation
d'énergieexcessive[6].Deplus,cesapprochesnégligentgénéralementlerôledelavariabilitéenvironnementaleetdesdépendances
temporelles,pourtantessentiellesdanslesdéploiementsàgrandeéchelle.Ceslimitationssoulignentlanécessitédeméthodologies
avancées,baséessurlesdonnées,capablesd'optimiserdynamiquementlesparamètresréseauentempsréeltoutenprenantencompte
lavariabilitéenvironnementaleetopérationnelle.Cetteétudeproposeunenouvelleapprochehybrided'apprentissageprofond(DL)pour
comblercettelacune,offrantunesolutionévolutivepouroptimiseràlafoislesperformancesetl'efficacitéénergétiquedesréseaux
LoRaWAN.
1.2Problèmederecherche
Deplus,l'algorithmeADRdeLoRaWANpeineàmaintenirlesperformancesduréseaudanslesenvironnementsdynamiquescar
ilnepeuts'adapterauxfluctuationsdesconditionsdesignaletauxfacteursenvironnementaux.
Plusieursétudesonttentéderelevercesdéfisàl'aidedetechniquesd'apprentissageautomatique(ML)etd'apprentissageprofond
(DL)[8,1114].Parexemple,Rajabetal.[15]ontappliquélarégressionàvecteursdesupport(SVR)etlesréseauxdeneurones
profonds(DNN)pourajusterdynamiquementlesparamètresdetransmission,telsquelefacteurdefiltrage(SF)etletempsde
transmission(TP),obtenantainsiuneréductionde43%delaconsommationd'énergieparrapportauxalgorithmesADRtraditionnels.
Bernardetal.[16]ontdémontrécommentl'intégrationdemodèlesLSTM(LongShortTermMemory)danslescapteurspermettaitde
réduirelestransmissionsredondantesenprédisantlespointsdedonnéesfuturs,cequiaentraînéuneréductionde40%descoûtsde
transmission.Cependant,leurslimitationsrésidentdansleurdépendanceàdestestsbaséssurlasimulation,lescontraintesdecalculet
lanécessitédeconfigurationsspécifiquespourdesperformancesoptimales.Cesétudesontutilisédesensemblesdedonnéesaxés
principalementsurdesenvironnementssimulésoucontrôlés,sansprendreencomptelavariabilitéenvironnementaleréelle,quiestl'objetprincipaldecetteétude.
Ceproblèmeestencoreplusmarquédanslesréseauxétendusoùlesappareilssubissentdiversniveauxd'interférences,d'affaiblissement
depropagationetd'ombrage.Parconséquent,ilesturgentdedévelopperdesméthodologiesavancéescapablesdeprédireintelligemment
lecomportementduréseauetd'optimiserl'allocationdesressourcesentempsréel.
D'autresétudes,tellesquecellesdeKauretal.[9],ontmisenœuvredesmodèleshybridesquicombinentdesréseauxneuronaux
artificiels(RNA)avecl'optimisationparessaimdeparticules(PSO)pouroptimiserefficacementlesparamètresLoRa.
Machine Translated by Google

2.ContexteCette
sectionprésentelesprincipalestechnologiesetlesdéfisliésàl'optimisationdesperformancesetdel'efficacitéénergétiquedesréseauxde
capteursIoTbaséssurLoRaWAN.Lasection2.1exposelerôledel'IoTetdeLoRaWANentantqueprotocolesdecommunicationessentielspermettant
descommunicationslongueportéeàfaibleconsommation.Lasection2.2décritlesindicateursd'évaluationpourl'optimisationdesperformancesetde
l'efficacitéénergétiquedesréseauxLoRaWAN.Enfin,lasection2.3explorelestechniquesavancées,notammentlesméthodologiesd'apprentissage
automatiqueetd'apprentissageprofond,misesenœuvrepouraméliorerl'allocationdesressourcesréseauetl'efficacitéénergétiquedansles
déploiementsIoTàgrandeéchelle.
1.3Contributionàlarecherche
Cetteétudeadémontrélesaméliorationsobtenuesenajustantlerapportsignal/bruit(SNR)etl'intensitédusignalRSSIafind'optimiserlefacteur
d'étalement(SF)etd'améliorersignificativementlesperformancesduréseauLoRaenmilieuindustriel.Demême,Guerraetal.[17]ontutiliséuneforêt
aléatoire(RF)etdesréseauxdeneuronesartificiels(ANN)pourprédirel'intensitédusignalRSSIenfonctiondesfacteursenvironnementaux,cequia
permisd'obteniruneplusgrandeprécisionetuneconsommationd'énergieréduitegrâceàl'ajustementdynamiquedesparamètresduréseau.Par
ailleurs,desmodèlesARIMAontétécombinésàdesréseauxdeneuronesartificielspourprévoirl'intensitédusignalRSSIetoptimiserletempsde
propagation(TP),notammentdansdesconditionsmétéorologiquesdifficiles.Cesétudesdémontrentquelesmodèlesd'apprentissageautomatique(ML)
etd'apprentissageprofond(DL)peuventsurmonterleslimitationsdessystèmesdedétectionautomatiquededéfauts(ADR)traditionnelsenadaptantles
paramètresduréseauenfonctiondesdonnéesentempsréeletdesconditionsenvironnementales.Bienquecesétudesdémontrentlepotentielde
l'apprentissageautomatiqueetdesapprocheshybridespouraméliorerlesperformancesdesréseauxLoRaWAN,ellesprésententdeslimitations
communes,notammentdesscénariosd'applicationrestreintsetdesdifficultésdemiseàl'échelleetdedéploiementenconditionsréelles.
Malgrécesavancées,l'optimisationdesperformancesetdel'efficacitéénergétiquedesréseauxLoRaWANdemeureundéfi
complexeenraisondelanaturedynamiqueethétérogènedesdéploiementsIoTàgrandeéchelle[18].Laplupartdesmodèles
existantssontgourmandsenressourcesdecalculetpeuvents'avérerinadaptésàundéploiemententempsréelsurdesdispositifs
IoTàressourcesénergétiqueslimitées.Deplus,lesrecherchesintégrantlesdépendancestemporellesetlavariabilité
environnementaledanscesmodèlessontinsuffisantes,orcesélémentssontessentielsàl'optimisationàlongtermeduréseaudans
desenvironnementsdynamiques.Parconséquent,ilestcrucialdedévelopperdesméthodologiesd'apprentissageautomatiqueet
d'apprentissageprofondavancéespermettantuneoptimisationduréseauentempsréeletcontextuelle,garantissantàlafois
l'évolutivitéetl'efficacitéénergétiquedesréseauxLoRaWAN.
1.4Structuredudocument
Lasuitedecetarticleestorganiséecommesuit.Lasection2présentedesinformationsgénéralessurLoRaWANetlesréseauxdecapteursIoT,
ainsiqu'unerevuedelalittératuresurLoRaWANetdesexemplesd'applicationsd'apprentissageautomatique(ML)etd'apprentissageprofond(DL)aux
réseauxdecapteursIoT.Lasection3détaillelaméthodologie,notammentlacollecteetleprétraitementdesdonnées,l'architecturedumodèleetson
optimisation.Lesrésultatsetleuranalysesontprésentésdanslasection4,suivisdesuggestionspourdesrecherchesfuturesdanslasection5,qui
conclutl'article.
CetteétudeviseàappliquerdestechniquesLSTMANNpouroptimiserlesperformancesetl'efficacitéénergétiquedesréseauxdecapteurs
LoRaWAN.Sescontributionssontlessuivantes:•Identifierlesconfigurationsoptimalesdesprincipauxparamètres
LoRaWANpermettantd'équilibrerperformancesetconsommationénergétique.•Étudierlesrelationsentrelesparamètresdecommunicationetleur
impactcombinésurles
performancesetl'efficacitéénergétiqueduréseau,notammentdanslesréseauxàgrandeéchelleetàcouvertureétendue.•Développerunnouveau
modèlehybrided'apprentissageprofond,combinantréseauxLSTM(LongShortTermMemory)etréseauxdeneuronesartificiels
(ANN),quiintègrelavariabilitéenvironnementaleetlesdépendancestemporellesréelles,offrantainsiunesolutionrobustepourl'optimisationduréseau.
ComputMaterContin.2025;83(1) 1081
Machine Translated by Google

Figure1:ArchitectureduréseauLoRaWAN.UndéploiementLoRaWANtypiquecomprenddesnœudsfinaux,despasserellesetunhébergement.
serveurs
ComputMaterContin.2025;83(1)
1082
Cesclassessont:
LoRaWANfonctionnedansdesbandesdefréquencessanslicenceetestlargementadoptédansdesapplicationstellesquelesvilles
intelligentes,lasurveillanceenvironnementale,l'agricultureetl'automatisationindustrielle[3,22–24].
2.1RéseauxdecapteursIoTetLoRaWAN
L'Internetdesobjets(IoT)estuneavancéetechniquemajeurequiatransformédenombreuxsecteursenpermettantauxobjets
d'échangerdesdonnéesetdecommuniquersurdegrandesdistances.Lacollecte,l'échangeetl'analysededonnéesentempsréel
sontfacilitésparl'IoT,cequiaccroîtl'efficacitéopérationnelle[1,19,20].Cependant,pourgérerungrandnombred'appareilsconnectés,
l'adoptiondesréseauxIoTnécessitedesprotocolesdecommunicationnonseulementévolutifsetfiables,maisaussiéconomesen
énergie.LoRaWAN[21]constitueunetechnologieimportantedanscedomaine.
LoRaWANproposedifférentesclassesdecommunicationconçuespourrépondreàdifférentesexigencesdelatence.
LoRaWANestunprotocoledecommunicationimportantdansl'Internetdesobjets(IoT)carilpermetunecommunicationlongue
portéeavecunefaibleconsommationd'énergie[12,25].LapiledeprotocolesLoRaWANcomprendunecouchephysiqueutilisantla
modulationàspectreétaléparimpulsions(CSS)etunecouchedecontrôled'accèsausupport(MAC)quigèrelacommunicationréseau
[26].Ainsi,LoRaWANassurenonseulementlapréservationdel'autonomiedelabatterieducapteur,maisréduitégalementlecoûtdu
dispositif[27].Ilestparfaitementadaptéàlacommunicationàgrandeéchelleentredispositifsfinaux(ED)etpasserelles(GW)qui
transmettentlesdonnéesàunserveurréseau(NS)[28],commeillustréparsatopologieenétoile(Fig.1)[29].
Machine Translated by Google

L'algorithmeADRtraditionnel,mécanismecléd'optimisationdescommunicationsdanslesréseauxIoT,estlargementutilisépourlagestion
desparamètresdetransmissiontelsquelefacteurd'échelle(SF)etletempsdetransmission(TP).L'ADRajustedynamiquementcesparamètres
enanalysantlesretoursd'informationpériodiquesdesdispositifs,quifournissentdesmétriquescommel'indicateurdepuissancedusignalreçu
(RSSI)etlerapportsignal/bruit(SNR)[35].Ceprocessusd'adaptationviseàaméliorerl'efficacitéénergétiquetoutenmaintenantune
communicationfiable[6].Cependant,l'ADRprésenteplusieurslimitationsdanslesréseauxdenses[35].Sonadaptationreposesurdesliaisons
montantespériodiques,cequilerendlentàréagirauxchangementsenvironnementauxsoudains.Deplus,sonapprocheconservatriceduchoix
desparamètresentraînesouventdesperformancessousoptimalesdansdesconditionsderéseaudynamiques[3537].Parexemple,dansdes
environnementsévoluantrapidement,commelescontextesIoTindustrielsouleszonesurbainesavecdesniveauxd'interférencevariables,la
dépendancedel'ADRauxdonnéeshistoriqueslimitesacapacitéàajusterrapidementsesparamètres.L'ADRrencontredesdifficultés
particulièrementimportantesdanslesenvironnementsIoTàhautedensité,oùdenombreuxdispositifstransmettentsimultanémentdesdonnées,
cequiaugmentelescollisionsetlalatence.Cemécanismederétroactionpériodiquepeutnécessiterplusieurscyclesdetransmissionpourajuster
lepointdetransmission(TP),cequis'avèreinsuffisantdansdesenvironnementsenconstanteévolution[10,36,38].Deplus,dansleszones
urbainesdensesoùlesinterférencesdesignalfluctuent,l'ADRsélectionnesouventdesparamètressousoptimaux,aggravantainsilespertesde
paquetsetlaconsommationd'énergie[39].Cesinefficacitéssoulignentleslimitesdel'ADRentermesd'évolutivitéetd'adaptabilitédansles
réseauxIoTdynamiques.CeslimitationsmettentenévidencelanécessitédedévelopperdesalgorithmesADRaméliorés,capablesdes'adapter
entempsréelauxenvironnementsdynamiques,d'optimiserl'allocationdesressourcesetd'améliorerlesperformancesglobalesduréseau.
CesmultiplesclassesdecommunicationetlacapacitédeLoRaWANàtirerpartidelaréceptionredondantepourlalocalisationlerendent
adaptableàunlargeéventaild'exigencesd'applicationsIoT[12].
delalatence.
•ClasseA(terminauxbidirectionnels):cetteclasseestconçuepouruneconsommationd’énergieminimaleetconvientauxapplications
nécessitantunebrèvecommunicationdescendanteaprèsunmessagemontant.•ClasseB:cetteclasseajoute
descréneauxderéceptionplanifiésàdesfenêtresaléatoires,améliorantainsilaprévisibilité.
•ClasseC:Cetteclassemaintientdesfenêtresderéceptionsupplémentairesouvertesenpermanence,cequiestidéalpourlesapplicationsIoT
avecdessourcesd'alimentationcontinues.
2.2OptimisationdesperformancesetefficacitéénergétiqueduLoRaWAN
LoRaWANasuscitéunintérêtconsidérablecesdernièresannéesgrâceàsonpotentielpourledéploiementàgrandeéchelledel'Internet
desobjets(IoT).Ceprotocoledecommunicationoffreplusieursavantages,notammentdefaiblesdébitsdedonnées,uneconsommationd'énergie
minimale,unecouvertureétendueetunegestionsimplifiée,cequienfaitunesolutionefficacepourdiversesapplicationsIoT[27].Cependant,
l'optimisationdesperformancesetl'efficacitéénergétiquedemeurentdesdéfismajeurs,enparticulierentermesd'allocationdesressourceset
d'évolutivité.LoRaWANfonctionnesurlesbandesdefréquencesISM(Industrielles,ScientifiquesetMédicales)ouvertes,partagéesavecd'autres
technologies,cequiengendredesproblèmesd'interférencesetdecongestionquicomplexifientdavantagel'optimisationdesperformancesdu
réseau[23].
Deplus,LoRaWANfonctionneselondeuxmodesdecommunication:confirméetnonconfirmé.Lemodeconfirméaméliorelafiabilitéde
latransmissiondesdonnées,carchaquepaquetdedonnéesenvoyéparunterminalnécessiteunaccuséderéceptiondelapasserelle[30–32].
Cetteapprochegarantitlabonneréceptiondespaquetsparlenœudderéseau,mêmesiellepeutengendreruneconsommationd’énergieplus
élevée.Enrevanche,lemodenonconfirméestintrinsèquementpluséconomeenénergie,cariléliminelebesoind’accusésderéceptionetde
retransmissions,réduisantainsilaconsommationénergétiqueglobaledesterminaux[33,34].Grâceàl’utilisationdeprotocolesdecommunication
avancésetdetechniquesd’optimisation,ilestpossibled’équilibrerlesperformancesetl’efficacitéénergétiquedesréseauxLoRaWAN.Le
terminalutiliseunmécanismederécupérationADRpouraméliorerencorel’efficacitéénergétiqueenoptimisantlesparamètresdetransmission
enfonctiondesconditionsduréseauetdeladistanceentreleterminaletlapasserelle[30,34].
1083
ComputMaterContin.2025;83(1)
Machine Translated by Google