: Un outil pour la «Green Radio» Salma BOURBIA 1 Salma BOURBIA SCEE/IETR Supélec - Rennes Émissions de CO2 Contexte et Introduction Auto-adaptation de l’équipement radio au contexte de l’environnement « Cognitive Radio » « Green Radio » TIC : Technologies de l’information et de la communication Trouver des situations de reconfiguration de l’architecture radio qui consommeraient moins d’énergie tout en gardant une certaine qualité de service 2
3 Partie 1: conception de la couche intelligente Partie I1: Technique de prise de décision par modélisation statistique i i i Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur 4
intelligente Observer Raisonner Agir Couche intelligente Apprendre 5 Antenne Composants adaptables et reconfigurables beamforming Actions d’adaptation Etats évalués de l’environnement SNR Indicateurs de qualité de canal (métriques radio observées) Partie 1 : Conception de la couche intelligente Mélangeur Filtre anti- repliement Amplificateur à gain variable E li beamforming Agir sur la fréquence porteuse Ajuster le gain de l’amplificateur Activer ou désactiver l’égaliseur SNR faible Faible efficacité spectrale Fortes interférences BER élevé BER SINR Puissane du signal Puissance du bruit Egaliseur Démodulateur Décodeur Changer de modulation Change le schéma de décodage Débit binaire faible DOA (direction d’arrivée) Fading multi- trajets Observer Raisonner Agir 6
Partie 1 : Conception de la couche intelligente Inférence statistique Estimation statistique Détection statistique Caractérisation statistique des mesures incertaines des métriques radio Développer des règles de décision à partir de ces statistiques 7 Besoins des utilisateurs Spécification des Partie 1 : Conception de la couche intelligente p standards Capteurs de l’environnement radio Caractérisation statistique des métriques Evaluation de l’état de l’environnement (règle de dé i i ) Actions de reconfiguration Moteur cognitif Architecture de réception décision) S. Bourbia, M. Achouri, K. Grati, D. Le Guennec, A. Ghazel, « Cognitive Engine Design for Cognitive Radio », ICMCS 2012, Tanger 8
de la chaîne de réception dans le but de réduire la complexité de calcul Partie I1: Technique de prise de décision par modélisation statistique Etat de l’art - Adaptation de l’utilisation de l’égaliseur pas pour réduire l’énergie consommée deux démodulateurs (avec et sans égaliseur) et sélectionner selon la sortie - Utilisation de critères et de métriques (SINR…) Sans tenir compte des incertitudes des mesures Sans tenir compte des incertitudes des mesures Sans étude d’une éventuelle réduction de l’énergie consommée 9 Définition des indicateurs de qualité de canal Partie I1: Technique de prise de décision par modélisation statistique Signal reçu Signal émis Bruit additif blanc gaussien Coefficients du canal Métrique 1: Métrique 2: p SNR ISI 10
I1: Technique de prise de décision par modélisation statistique Canal de Rice Canal de Rayleigh 11 Définition des indicateurs de qualité de canal Partie I1: Technique de prise de décision par modélisation statistique Signal émis normalisé 12
ˆ IS I E ti ti d l Partie I1: Technique de prise de décision par modélisation statistique i h p SN R IS I Estimation de canal Algorithmes d’estimation de canal dans la littérature LS LMS Modulus constant Avec pilotes En aveugle Estimation par inter-corrélation 13 Estimation des métriques Partie I1: Technique de prise de décision par modélisation statistique 14
Technique de prise de décision par modélisation statistique observations E ti ti ét i Maximum de vraisemblance Estimation de la densité de probabilités Estimation paramétrique Estimation non-paramétrique 17 Modélisation statistique et prise de décision É Partie I1: Technique de prise de décision par modélisation statistique Décision entre deux actions Évaluation de l’état de l’environnement Traduction en un test d’hypothèses 18
d d N il d dé i i Partie I1: Technique de prise de décision par modélisation statistique Incertitude des mesures Nouveaux seuils de décision Règle de décision pour décider de désactiver l’égaliseur : résolution par la méthode de Neyman Pearson Fausse alarme fixée S. Bourbia, D. Le Guennec, K. Grati,, A. Ghazel, « Statistical Decision Making Method for Cognitive Radio », ICT 2012, Jounieh, Leabanon 19 Modélisation statistique et prise de décision Partie I1: Technique de prise de décision par modélisation statistique S. Bourbia, D. Le Guennec, K. Grati,, A. Ghazel, « Statistical Decision Making Method for Cognitive Radio », ICT 2012, Jounieh, Leabanon 20
Technique de prise de décision par modélisation statistique S. Bourbia, D. Le Guennec, K. Grati,, A. Ghazel, « Statistical Decision Making Method for Cognitive Radio », ICT 2012, Jounieh, Leabanon 21 Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur Solution 1 Solution 2 22
complexité de calcul en limitant l’utilisation de l’égaliseur 10 d f Hz 100 d f Hz 23 Vitesse du mobile 6Km/h Vitesse du mobile 60Km/h BER sans égalisation Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur 10 d f Hz 100 d f Hz 24
désactiver l’égaliseur, 0 Activer l’égaliseur Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur 10 d f Hz 100 d f Hz 25 BER après prise de décision (Solution 1) Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur 10 d f Hz 100 d f Hz Taux de réduction de la complexité 71,99 % Taux de réduction de la complexité 25.31% 26
en limitant l’utilisation de l’égaliseur BER après prise de décision (Solution 2) 10 d f Hz 100 d f Hz 27 Taux de réduction de la complexité 68,15 % Taux de réduction de la complexité 23,53 % Taux de réduction de la complexité de calcul Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur Taux de réduction de la complexité par rapport à une utilisation permanente de l’égaliseur Coût des traitements ajoutés pour la prise de décision Pourcentage de temps pendant lequel l’égaliseur est désactivé Coût de l’égaliseur 28
Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur Gain maximal: 91.1% 29 On commence à gagner en complexité à partir de Rt=8.66% Taux de réduction de la complexité de calcul Partie III: Réduction de la complexité de calcul en limitant l’utilisation de l’égaliseur Gain maximal: 86.4% 30 On commence à gagner en complexité à partir de Rt=9.36%
des situations d’auto-adaptation à l’environnement pour réduire la consommation d’énergie Conclusions Couche intelligente pour l’apprentissage et la prise de décision (Moteur Cognitif) Technique de prise de décision : modélisation statistique de l’environnement Limitation de l’utilisation de l’égaliseur dans la chaîne de réception dans le but de réduire la complexité de calcul 31
Your Podcast. Everywhere. Effortlessly.
scee_team
yukinobaba
ontheslope
kentosasaki
matsui_528
.png){kind=avatar}
satai
vball_panda
1manken
kikuzo
ozekinote
yumulab
trafficbrain
emna__ayadi
holman
swwweet
jonoalderson
tenderlove
tammyeverts
chikuwait
nikkihalliwell
techseoconnect
addyosmani
seathinner
