Méthodologies pour la planification de réseaux locaux sans-fil. Katia Runser Laboratoire CITI -...

Méthodologies pour la planification de réseaux

locaux sans-fil.

Katia RunserLaboratoire CITI - INSA de Lyon

Projet ARES – INRIA

Directeurs de thèse :

Jean-Marie Gorce, MdC., INSA de Lyon

Stéphane Ubéda, Pr., INSA de Lyon

27/10/2005 Méthodologies pour la planification de réseaux locaux sans-fil

2

Plan

1. Introduction 1.1. Le problème de planification wLAN

2. Prédiction de couverture radio2.1. Méthode de prédiction Multi-Résolution FDPF adaptative

2.2. Adaptation à la planification wLAN.

3. Stratégies de planification wLAN3.1. Modélisation du problème

3.2. Heuristiques de planification

4. Conclusions et perspectives


3

1.1. Le problème wLP (wLAN Planning)

Réseaux locaux sans-fil (wLAN) en mode infrastructure.

Point d’accès (AP)

Point d’accès (AP)LANRecherche de la Configuration des AP

pour obtenir une Qualité de Service donnée.


4

1.1. Le problème wLP (wLAN Planning)

Configuration des AP

Le nombre N Pour chaque AP k :

La position pk=(x, y, z), La puissance d’émission

PkE,

Le type d’antenne tk, La direction d’émission k,

Services

Accès au réseau La couverture radio Limiter les interférences

Garantir un débit minimal

Améliorer les performances d’un système de localisation, de VoIP, …


5

1.1. Nos objectifs

Proposer une stratégie de planification automatique qui soit : Réaliste, Réalisable en un temps acceptable.

Pour cela, il nous faut : Un modèle de prédiction de couverture radio

efficace et précis, Une modélisation réaliste du réseau, Une heuristique d’optimisation efficace.


6

Plan


2. Prédiction de couverture radio2.1. Méthode de prédiction Multi-Résolution FDPF2.2. Adaptation à la planification wLAN.

3. Stratégies de planification wLAN3.1. Modélisation du problème3.2. Heuristiques de planification Conclusions



7

2.1. Prédiction de couverture radio

Modèles existants : Empiriques (COST 231)

Rapides mais peu précis (EQM ~10dB)

Déterministes (Lancer de rayon) Compromis précision / temps

de calcul Prédictions en 3D natives

Discrets (modèles FDTD) Lents mais très précis

Modèles issus de campagnes de

mesures

AP Récepteur


8

2.1. Fourier Domain ParFlow Gorce et Ubéda. [2001, IEEE VTC] Time Domain ParFlow O(N3)

modèle discret de résolution dr. Domaine fréquentiel :

prédictions de l’état stationnaire à la fréquence

Un grand système linéaire à résoudre.

Comment ? Inversion directe : Non

abordable pour de grands environnements O(N6)

Résolution itérative : O(N3)

i,j i,j+1i,j-1

i+1,j

i+1,j

fE

fWfN

fS

)S()F( )(d

d

d tjiftji ),,(),,(

N p

ixel

s


9

2.1. Le concept Multi-Resolution

Un MR-Bloc : Surface : Rectangle de

NX . NY pixels Un jeu de flux entrant

Ef�

Nf�

Sf�

Wf�


10

Un MR-Bloc : Surface : Rectangle de

NX . NY pixels Un jeu de flux entrant Un jeu de flux sortant Une matrice de

propagation A

Si NX = NY = 1 pixel Pixel du modèle ParFlow

Eg

Sg

Sg

Wg

A


?


11

Un MR-bloc : Peut être fusionné à un

autre MR-bloc : Où A est calculé à partir

de B et C CB A



12


Pixels

MR-blocs 2x1

MR-blocs 2x2

Phase de prétraitement Calcul des N

A partir des pixels ParFlow Pyramide des MR-blocs :

N pour chaque MR-bloc

Complexité en O(N3) Indépendant de la

position de la source

MR-blocs 4x2


13

Phase de propagation : Si B est une source, on

calcule la source A en fusionnant B et C

Calcul et sauvegarde des flux internes à A

CB

Flux Internes



14


Phase de propagation :1. Agrégation montante

des MR-blocs.


15

Phase de propagation : Décomposition d’un

MR-bloc Calcul des flux entrant

sur B et C à partir : des flux internes, de B et C

CB



16


Phase de propagation :1. Agrégation montante des

MR-blocs.

2. Décomposition descendante vers les blocs voulus.

Complexité en O(N² log2(N))


17

2.1. Couverture à 2.4 GHz

Contrainte : dr << → dr ~ 2cm à 2.4 GHz Pour un étage de 92.6 x 23 m, on obtient :

Un environnement de 4630 x 1150 pixels 53 min. de prétraitement 18 s. de propagation à 2cm.

(PC CPU à 3.4 GHz et 3 Go RAM)


18

Plan



3. Stratégies de planification wLAN3.1. Modélisation du problème3.2. Heuristiques de planification



19

2.2. Adaptation au WLAN

Pour réduire le temps de calcul :

1. Modification de la résolution dr,

2. Structure ‘adaptative’ de la pyramide MR-FDPF,

3. Calibration du modèle.


20

2.2. Modification du pas dr

Augmentation de dr Complexité ~(1/dr)2

Couverture à 2 cm inutile -> Précision voulue P ~ 1 m Puissance moyenne sur 1m² réaliste, on impose

P ≥ sim dr ≤ sim /6 ≤ P / 6 i.e. si P ~ 1 m alors dr=10cm

La fréquence de simulation fsim

Multiple de la fréquence réelle P ≥ sim fsim ≥ c0/P ; fsim = 480MHz

P = 1 m

sim

1 m


21

1.2 MR-FDPF Adaptatif

Création des MR-blocs de la pyramide Blocs Homogènes Bh :

Les premiers blocs homogènes en matériau obtenus lors de la propagation descendante.

Bh sont grands : Calcul rapide des couvertures à cette résolution


22

2.2. MR-FDPF Adaptatif

Heuristique de découpage du plan : Selon la plus grande

discontinuité Compromis entre :

La taille des blocs homogènes, La durée du prétraitement, La taille de la pyramide en

mémoire.

i c


23

2.2. MR-FDPF Adaptatif

Heuristique de découpage du plan : Selon la plus grande

discontinuité Compromis entre :

La taille des blocs homogènes, La durée du prétraitement, La taille de la pyramide en

mémoire.

i c

Bh


24

Simulation : 10s

Simulation : 0.5s

Prétraitement : 28s

Fréquence : 480 MHzdr : 10 cm

CPU : 2.4GHz – 1Go RAM

Couverture résolution 10 * 10 cm

Couverture blocs homogènes


25

2.2. Calibration des simulations

Réduire les erreurs de prédictions : Calibration rapide, Calibration fine.

A partir de : Mesures : Prédictions MR-FDPF :

Calibration rapide : Offset de mise à l’échelle :

miimes ..1,

miis ..1,

m

is

imesm 1

1


26

2.2. Calibration des simulations

2

1),(

),(1minarg*)*,(

m

i

ipred

imes

n

nm

EQMn

Calibration fine Relaxer les paramètres de propagation des N

matériaux du plan : Indices de propagation n = (n1, .., nN Coefficients d’affaiblissement m

Minimisation de l’erreur quadratique moyenne (EQM) :


27

2.2. Calibration automatique

Calibration fine : 1 Evaluation d’EQM : 1 minute, Calcul prétraitement + couverture.

DIRECT : Dividing RECTangle Algorithme de recherche directe à motifs. [Jones et

al., 1993] Fonctions continues à plusieurs variables. Recherche globale et locale.


28

2.2. Jeu de mesures Bâtiment :

30 x 80 mètres, 3 matériaux Mesures :

6 APs – IEEE 802.11b, 2.4 GHz 199 points de mesure par AP 300 échantillons par point

Simulations : Fréquence = 480 MHz Pas dr = 10 cm Carte de couverture à la

résolution de 60 x 60 cm

BétonCloisonVerre


29

2.2. Résultats de calibration Modélisation à 1 et 2 matériaux

Recherche exhaustive Facteurs d’atténuation :

= 1.0 pour chaque matériau → murs fins / dr Modélisation à 3 matériaux

Calibration automatique (DIRECT) Indices de réfraction :

EQM : Q = 5.3 dB

Béton Cloison Verre

n = 5.4 n = 2.4 n = 1.3


30

2.2. Validation des simulations

Environnements : CITI2:

40 mesures 3 AP

Building G: 15 mesures 1 AP

BuildingG


31

2.2. Bilan

Modèle de prédiction adapté à la planification wLAN : Réduction du temps de

Prétraitement de 53 minutes à 18 secondes Propagation de 18 secondes à 0.5 seconde

Bonne précision avec 5 à 6 dB d’EQM Phase de calibration basée sur des mesures

réelles.


32

Plan


2. Prédiction de couverture radio2.1. Méthode de prédiction Multi-Résolution FDPF adaptative

2.2. Adaptation à la planification wLAN.

3. Stratégies de planification wLAN3.1. Modélisation du problème

3.2. Heuristiques de planification



33

3.1. Modélisation : variables

Formulation discrète : M positions candidates des AP Puissance P et direction ψ d’émission discrets Une solution :

Choix des positions : Utilisation du découpage adaptatif de la méthode MR-FDPF, Un AP candidat au centre des blocs homogènes.


34

3.1. Modélisation : variables

267 positions candidates

Amin = 3x3 m

Amax = 9x9 m

Blocs à l’intérieur du bâtiment 2336 blocs homogènes


35

3.1. Modélisation : couvertures

Cartes de couverture : Liste des blocs homogènes à couvrir

{ Bl, l [1..Nc] }

Flk : Puissance reçue au bloc Bl de l’AP k

FlBS : Puissance du signal le plus fort (‘Best Server’) au

bloc Bl


36

3.1. Modélisation : critères

Forme générique des critères définis :

Avec : fmesl la fonction de mesure associée au bloc Bl.

l = Al / Atot le pourcentage de la surface totale du bloc Bl

P

x


37


Critères d’optimisation : Couverture

Couverture homogène Couverture à seuil progressif

Interférences Minimise le recouvrement entre cellules

Débit Garantit un débit minimal

Localisation : améliore les performances d’un service de localisation


38


Couverture à seuil progressif fslope: Pénalise les blocs mal couverts

fmesl : s’applique à FlBS

Sm = Seuil à 1Mbps

SM = Seuil à 11Mbps / 54 Mbps


39


Critère d’interférences finterf. Minimiser le recouvrement entre les zones de service

Favorise l’allocation des canaux, Répartition des signaux reçus au bloc Bl [thèse Jedidi 04]:

h signaux utiles, les signaux interférents supérieurs au seuil de bruit Sm

Pénaliser les blocs où l’interférent le plus fort est plus puissant que le bruit en réception.

A utiliser avec un critère de couverture : N optimal.


40


Critère de débit fmes pénalise un bloc si le débit fournit est inférieur à un

débit minimal ds

Estimation du trafic d’un AP: Evaluation des performances de la couche MAC 802.11 :

modèle de Lu et Valois (2005) Débit réel dul d’un utilisateur de la zone de service à R

Mbits/s (R = 1,2,... 11 Mbits/s) Distribution uniforme des utilisateurs.

A utiliser avec un critère d’interférences + couverture


41

Plan


2. Prédiction de couverture radio2.1. Méthode de prédiction Multi-Résolution FDPF2.2. Adaptation pour la planification wLAN.

3. Stratégies de planification wLAN3.1. Modélisation du problème : variables et critères3.2. Heuristiques de planification

4. Résultats et perspectives


42

3.2. Heuristiques

Problème wLP : problème Multicritère.

Algorithme mono-objectif+

Fonction de coût fagr agrégéeAlgorithme multiobjectif

Une solution unique+

Choix des coefficients de fagr a priori

Plusieurs solutions +

Sélection d’une solution a posteriori

Heuristique tabou mono-objectif Heuristique tabou multiobjectif


43

3.2. Approche mono-objectif

Critère agrégé :

Choix des coefficients i avant le lancement de la recherche.

Ajout d’une contrainte de couverture

fN

iiiagr xfxf

1

)()(


44


Métaheuristique tabou [Glover, 86]: Recherche locale qui accepte la dégradation de la solution

courante Sc

Liste tabou : Historique des mouvements -> Evite le bouclage

Implantation Taille dynamique de la liste tabou, Pas de critère d’aspiration.


45


Exemple d’optimisation : variables :

position, nombre d’AP N environnement Foch : 258

candidats

critères : interférences (h=2) débit (ds = 256 kbits/s,

200 utilisateurs) contrainte de couverture

2/12/1.1 int erfdebit et

Tests réalisés :

4/14/3.2 int erfdebit et 10/110/9.3 int erfdebit et


46


Le gradient des critères influence aussi la recherche

128 Kbps

64 Kbps

256 KbpsdB


47


Temps de traitement 258 cartes de couverture

# 4 minutes Recherche tabou :

1 itération : 1.5 s 715 itérations en

moyenne # 18 minutes

4/14/3 int erfdebit et


48

3.2. Approche multicritère

Recherche de plusieurs solutions Surface de compromis Dominance au sens de Pareto :

x domine y si :

Front de Pareto Optimal FPT

Front de Pareto Pratique FPP

Surface de compromis


49


Heuristique tabou multicritère : Front de recherche Fc : K solutions courantes, K recherches tabou en parallèle, 1 liste tabou par solution, Obtention d’un Front de Pareto Pratique


50


FcV(Fc)

K = 3 solutions courantes, Rmax = 2

FPT

f2

f1

Début de l’itération i : Front courant et Front de Pareto PratiqueCalcul du voisinage du Front Courant.Mise à jour du Front de Pareto Pratique FPT Sélection des solutions de rang de Pareto R = 1


51


f2

f1

FcV(Fc)

K = 3 solutions courantes, Rmax = 2

FPT

Sélection des nouvelles solutions du Front Courant Fc Mise à jour des K listes tabou

1

2

3

Sélection des solutions de rang de Pareto R = 2


52

3.2. Approche multicritère Convergence de FPP vers FPT.

Critères : fslope et finterf (h=0) Variables : positions 129 positions candidates, N = 3 AP 18 solutions non dominées

21 itérations, 87 secondes.

f interf

fslope


53

3.2. Approche multicritère Optimisation de 3 critères :

fslope, finterf (h=2), fdébit (ds = 256k, 200 nœuds), Rmax = 2 et K = 15, Front optimal pratique : 1202 solutions

Sélection de q solutions dans le Front de Pareto pratique :

Critère de niche :


54

3.2. Approche multicritèref debit

fslopefinterf

00 0

30

6

1 itération : 7 minutes avec 38583 évaluations

FPP au bout

de 500 itérations


55

Plan



3. Stratégies de planification wLAN3.1. Modélisation du problème 3.2. Heuristiques de planification



56

4. Conclusions

Prédiction de couverture radio pour le wLAN : Mise en œuvre du modèle MR-FDPF dédié au

problème wLP : Modélisation complète des phénomènes de

propagation. Temps de calcul faible (t < 1s).

Un processus de calibration automatique a été proposé.

Les performances du modèle ont été validées par des mesures.


57

4. Conclusions

Stratégies de planification : Formulation discrète avec prise en compte la

géométrie du bâtiment. Modélisation de plusieurs objectifs de

planification. Proposition de deux heuristiques de résolution

Monocritère tabou : rapide mais délicate à paramétrer. Multicritère tabou : propose un éventail de solutions

réalisables mais plus longue.


58

4. Perspectives

Prédiction de couverture radio Validation pour d’autres environnements Amélioration de la calibration automatique Passage au 3D

Stratégies de planification Validation expérimentale des critères Modification ‘à la volée’ des i de la recherche

monocritère Amélioration du temps de traitement de la

recherche multicritères


59

4. Perspectives

Gestion dynamique du réseau : Adaptation des paramètres (puissance,

fréquence) Ajout / suppression d’AP

Les stratégies multicritères : wLAN Ad hoc / réseaux de capteurs :

Plusieurs configurations des nœuds maîtres dans les réseaux de capteurs (maximisation de la durée de vie du réseau).


60

PublicationsConférences Internationales. [1] G. De La Roche, R. Rebeyrotte, K. Runser and J.-M. Gorce, "A new strategy for indoor propagation

fast computation with MR-FDPF algorithm." in IEEE IASTED (ARP), Banff, Alberta, Canada, July 2005. [2] J.-M. Gorce and K. Runser, "Assessment of a frequency domain TLM like approach for 2D simulation

of Indoor propagation." in IEEE IMACS, Paris, France, July 2005. [3] K. Runser and J.-M. Gorce, "Assessment of a new indoor propagation prediction model based on a

multi-resolution algorithm" in Proceedings of the IEEE VTC Spring 2005, Stockholm, Sweden, May 2005. [4] K. Runser, E. Jullo and J.-M. Gorce, "Wireless LAN planning using the multi-resolution FDPF

propagation model" in Proceedings of IEE ICAP, Exeter, UK, Vol. I, pp.80-83, April 2003. [5] J.-M. Gorce, E. Jullo and K. Runser, "An adaptative multi-resolution algorithm for 2D simulations of

indoor propagation" in Proceedings of IEE ICAP, Exeter, UK, Vol. I, pp.216-219, April 2003. Best paper award on Propagation.

Conférences Nationales. [6] G. De La Roche, R. Rebeyrotte, K. Runser and J.-M. Gorce, "Prédiction de couverture radio pour les

réseaux locaux sans-fil par une approche 2D multi-résolution." in Actes des 14èmes journées nationales micro-ondes, Mai 2005.

[7] K.Runser, P.Buhr, G. De La Roche and J.-M. Gorce, "Validation de la méthode de prédiction de couverture radio MR-FDPF" in Actes des 6e Rencontres Francophones AlgoTel 2004, Batz sur Mer, France, pp. 21-26, Mai 2004.

[8]K. Runser, S. Ubeda and J.-M. Gorce, "Optimisation de réseaux locaux sans fils" in 5e congrès de la Société Française de Recherche Opérationnelle et d'Aide à la Décision, Avignon, France, pp. 205-251, February 2003.

Méthodologies pour la planification de réseaux locaux sans-fil. Katia Runser Laboratoire CITI -...

Documents

Transcript of Méthodologies pour la planification de réseaux locaux sans-fil. Katia Runser Laboratoire CITI -...