1 [email protected] 2 [email protected]

1/16

Karel Heurtefeux1, Fabrice Valois2

ARES INRIA / CITI, INSA-Lyon, F-69621, France

Journées ResComUniversité Paris-Est

Marne-La-Vallée – 7 et 8 février 2008

1 [email protected] [email protected]

Localisation collaborative dans les réseaux de capteurs

ResCom Février 2008

2/16

Plan

Contexte et motivations

Protocole

Résultats

Conclusion et perspectives

Worldsens, a small sensor node developped in the CITI lab

Karel Heurtefeux (CITI, INSA-Lyon) ResCom Février 2008

3/16

Contexte et motivations

Karel Heurtefeux (CITI, INSA-Lyon)

Nécessité d’avoir une information géographique pour certaines couches ou applications: routage, aggrégation de données, suivi de feu de forêts, etc…

Compromis entre la localisation, le coût énergétique et le coût financier est à réévaluer.


4/16

Protocole QLoP (Qualitative Localization Protocol): idée générale

• Il est souvent inutile d’obtenir une localisation très précise

• Des nœuds proches géographiquement vont posséder un voisinage proche numériquement

• Des nœuds proches géographiquement vont posséder un voisnage distinct faible numériquement

On va donc définir différentes classes de proximité

On va déterminer une métrique qui mette en rapport ces deux valeurs


5/16

RNG LMST

Protocole QLoP (Qualitative Localization Protocol): détails


Chaque noeud du réseau calcule un indice de proximité pour chacun de ses voisins

PondérationVoisinage de a Voisinage de bIndice de proximité du voisin B


6/16Karel Heurtefeux (CITI, INSA-Lyon)

Protocole QLoP (Qualitative Localization Protocol): classes de

proximité

On détermine une classe pour chaque voisin en fonction de l’étendue de l’indice de proximité


7/16

Modélisation


8/16

Méthodologie


9/16

Résultats: application sur une topologie régulière


L’algorithme est déployé sur une grille et la puissance de transmission de chaque noeud est augmentée


10/16

Résultats: distance quadratique


La distance quadratique:

Elle mesure la dissimilarité entre deux vecteurs.Si le classement des voisins obtenu par l’algorithme est le même que celui réel, cette métrique est nulle.


11/16

Résultats: classes de proximité


Exemple d’exécution de l’algorithme sur un noeud:

Division de ses voisins en 3 classes de proximité.


12/16

Résultas: Evolution de la cardinalité en fonction du degré


Evolution de la cardinalité:

On mesure ici la taille relative des classes proche (bleu) et très proche (rouge) en fonction du degré moyen du réseau.


13/16

Résultats: fiabilité de l’algorithme en fonction du degré moyen


Fiabilité en fonction du degré moyen:

La courbe rouge représente le pourcentage de noeuds des 2 premières classes de proximité qui sont effectivement proche et très proche géographiquement. En bleu, les noeuds proches et très proches géographiquement, non classé comme tels par l’algorithme.


14/16

Conclusion


Algorithme localisé: connaissance limitée à 2 sauts

Algorithme fiable: capable de déterminer un noeud proche ou très proche à 80%

Algorithme efficace en milieu dense et très dense


15/16

Perspectives


16/16

[email protected]

Karel Heurtefeux

Questions ?

Worldsens, a small sensor node developped in the CITI lab http://perso.citi.insa-lyon.fr/kheurtef/

1 [email protected] 2 [email protected]

Documents

Transcript of 1 [email protected] 2 [email protected]