Sujet de Thèse
Titre :
Un ordonnancement pour IEEE 802.15.4-TSCH basé sur l'apprentissage automatique pour les réseaux industriels sans fil à faible énergie
Dates :
2020/10/01 - 2023/09/30
Encadrant(s) :
Description :
L'intégration de l'Internet des objets dans le monde de l'Industrie 4.0 ou l'industrie du futur est en marche avec l'avènement de l'IIoT
(Industrial Internet of Things) dont la part dans le PIB mondial pourrait atteindre plusieurs dizaines de trillions de dollars d'ici une
vingtaine d'années.
Dans l'industrie, les exigences en termes de qualité de service (délai, fiabilité, déterminisme et robustesse) sont strictes et
primordiales. L'efficacité énergétique n'est pas en reste. La norme IEEE 802.15.4-2006 pour les réseaux avec pertes et contraintes
énergétiques (LLNs - Low power Lossy Networks), ne répond que partiellement à ces exigences. L'amendement IEEE 802.15.4e de
2015 définit plusieurs modes d'accès au canal (protocoles MAC) parmi lesquels TSCH (Time Slotted Channel Hopping) qui a reçu
l'attention de nombreux chercheurs du monde académique et industriel. L'amendement par contre ne fournit pas de spécification de
l'ordonnancement des accès. Plusieurs algorithmes, distribués ou centralisés, d'ordonnancement pour TSCH ont été proposés depuis
une dizaine d'années [HGT+2017].
Un algorithme d'ordonnancement attribue une ou plusieurs cellules pour chaque liaison active dans le réseau. Une cellule est définie
par le couple temps et canal (fréquence) de transmission. Un ordonnanceur doit être soigneusement conçu afin de satisfaire les
besoins stricts d'une application industrielle à faible consommation d'énergie. Il s'agit d'une tâche ardue compte tenu de
l'environnement sous-jacent avec les incertitudes et la haute complexité de certaines applications industrielles sans oublier le
manque de fiabilité des communications sans fil.
Entre temps, l'apprentissage automatique ou "machine learning" (ML) revient sur le devant de la scène comme une solution adéquate à des problèmes épineux de domaines variés. L'apprentissage par renforcement ou "reinforcement learning" (RL) [PL+2015] , par exemple, a déjà été utilisé pour proposer un ordonnanceur qui s'adapte à une augmentation de trafic ainsi qu'à des changements de topologie. L'apprentissage par renforcement est facile à implanter et s'apprête bien à une mise en oeuvre distribuée avec des besoins raisonnables en termes de calcul et moyens de stockage. Néanmoins, il peut souffrir d'un temps de convergence relativement lent.
Le but de ce travail est d'explorer des techniques d'apprentissage automatique pour concevoir un ordonnanceur qui satisfait les
besoins d'une application de l'IIoT tout en réduisant son empreinte énergétique. Une organisation adéquate en suivant le modèle Cloud-Fog-Edge peut être envisagée où seront combinés des algorithmes d'apprentissage centralisés et distribués. Un algorithme de "deep learning" peut être exécuté au niveau du Cloud alors qu'un apprentissage par renforcement peut être réalisé au niveau des noeuds terminaux. Le Fog peut accueillir un algorithme de deep learning distribué [HF+2018] permettant d'éliminer les problèmes de délai. Le Fog permet de disposer de ressources de calcul près de la source des données tout en étant proche de l'utilisateur final.
Une modélisation du problème d'ordonnancement dans le cadre d'une application industrielle à besoins stricts en termes de réactivité est nécessaire afin de proposer un modèle d'apprentissage permettant de trouver une solution satisfaisante. Il sera en particulier question de minimiser le temps de convergence de l'algorithme adopté. Une coopération efficace doit être également assurée entre les différentes composantes Cloud-Fog-Edge.
Réferénces
[HGT+2017] Hermeto, R. T., Gallais, A., & Theoleyre, F. (2017). Scheduling for IEEE802. 15.4-TSCH and slow channel hopping MAC in
low power industrial wireless networks: A survey. Computer Communications, 114, 84-105.
[PL+2015] K.-H. Phung, B. Lemmens, M. Goossens, A. Nowe, L. Tran, K. Steenhaut, Schedule based multi-channel communication in
wireless sensor networks: a complete design and performance evaluation, Elsevier Ad Hoc Netw. 26 (2015) 88-102.
[HF+2018] Huang, L., Feng, X., Feng, A., Huang, Y., & Qian, L. P. (2018). Distributed Deep Learning-based Offloading for Mobile Edge
Computing Networks. Mobile Networks and Applications, 1-8.
(Industrial Internet of Things) dont la part dans le PIB mondial pourrait atteindre plusieurs dizaines de trillions de dollars d'ici une
vingtaine d'années.
Dans l'industrie, les exigences en termes de qualité de service (délai, fiabilité, déterminisme et robustesse) sont strictes et
primordiales. L'efficacité énergétique n'est pas en reste. La norme IEEE 802.15.4-2006 pour les réseaux avec pertes et contraintes
énergétiques (LLNs - Low power Lossy Networks), ne répond que partiellement à ces exigences. L'amendement IEEE 802.15.4e de
2015 définit plusieurs modes d'accès au canal (protocoles MAC) parmi lesquels TSCH (Time Slotted Channel Hopping) qui a reçu
l'attention de nombreux chercheurs du monde académique et industriel. L'amendement par contre ne fournit pas de spécification de
l'ordonnancement des accès. Plusieurs algorithmes, distribués ou centralisés, d'ordonnancement pour TSCH ont été proposés depuis
une dizaine d'années [HGT+2017].
Un algorithme d'ordonnancement attribue une ou plusieurs cellules pour chaque liaison active dans le réseau. Une cellule est définie
par le couple temps et canal (fréquence) de transmission. Un ordonnanceur doit être soigneusement conçu afin de satisfaire les
besoins stricts d'une application industrielle à faible consommation d'énergie. Il s'agit d'une tâche ardue compte tenu de
l'environnement sous-jacent avec les incertitudes et la haute complexité de certaines applications industrielles sans oublier le
manque de fiabilité des communications sans fil.
Entre temps, l'apprentissage automatique ou "machine learning" (ML) revient sur le devant de la scène comme une solution adéquate à des problèmes épineux de domaines variés. L'apprentissage par renforcement ou "reinforcement learning" (RL) [PL+2015] , par exemple, a déjà été utilisé pour proposer un ordonnanceur qui s'adapte à une augmentation de trafic ainsi qu'à des changements de topologie. L'apprentissage par renforcement est facile à implanter et s'apprête bien à une mise en oeuvre distribuée avec des besoins raisonnables en termes de calcul et moyens de stockage. Néanmoins, il peut souffrir d'un temps de convergence relativement lent.
Le but de ce travail est d'explorer des techniques d'apprentissage automatique pour concevoir un ordonnanceur qui satisfait les
besoins d'une application de l'IIoT tout en réduisant son empreinte énergétique. Une organisation adéquate en suivant le modèle Cloud-Fog-Edge peut être envisagée où seront combinés des algorithmes d'apprentissage centralisés et distribués. Un algorithme de "deep learning" peut être exécuté au niveau du Cloud alors qu'un apprentissage par renforcement peut être réalisé au niveau des noeuds terminaux. Le Fog peut accueillir un algorithme de deep learning distribué [HF+2018] permettant d'éliminer les problèmes de délai. Le Fog permet de disposer de ressources de calcul près de la source des données tout en étant proche de l'utilisateur final.
Une modélisation du problème d'ordonnancement dans le cadre d'une application industrielle à besoins stricts en termes de réactivité est nécessaire afin de proposer un modèle d'apprentissage permettant de trouver une solution satisfaisante. Il sera en particulier question de minimiser le temps de convergence de l'algorithme adopté. Une coopération efficace doit être également assurée entre les différentes composantes Cloud-Fog-Edge.
Réferénces
[HGT+2017] Hermeto, R. T., Gallais, A., & Theoleyre, F. (2017). Scheduling for IEEE802. 15.4-TSCH and slow channel hopping MAC in
low power industrial wireless networks: A survey. Computer Communications, 114, 84-105.
[PL+2015] K.-H. Phung, B. Lemmens, M. Goossens, A. Nowe, L. Tran, K. Steenhaut, Schedule based multi-channel communication in
wireless sensor networks: a complete design and performance evaluation, Elsevier Ad Hoc Netw. 26 (2015) 88-102.
[HF+2018] Huang, L., Feng, X., Feng, A., Huang, Y., & Qian, L. P. (2018). Distributed Deep Learning-based Offloading for Mobile Edge
Computing Networks. Mobile Networks and Applications, 1-8.
Mots clés :
Machine Learning, Ordonnancement, TSCH, IEEE 802.15.4e, Industry 4.0, Efficacité énergétique
Conditions :
Diplôme de Master 2 ou d'ingénieur
Expérience en recherche souhaitée
Expérience en recherche souhaitée
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
Contrat doctoral
