Allocation en ligne et décentralisée des facteurs d’étalement (Spreading Factors, SF) dans les réseaux LoRaWAN multi-passerelles

L’Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (IRIMAS) est une équipe d’accueil (EA 7499) de l’Université de Haute-Alsace (UHA).

Cet institut interdisciplinaire rassemble tous les travaux de recherche liés aux disciplines des mathématiques, de l’informatique, de l’électronique, de l’électrotechnique, de l’automatique et du traitement du signal et de l’image à l’Université de Haute-Alsace  .

L’IRIMAS est associé à l’École Doctorale 269 Mathématiques, Sciences de l’Information et de l’Ingénieur (MSII) de l’Université de Haute-Alsace et de l’Université de Strasbourg.

Environnement :
Le stagiaire sera encadré par des membres travaillant au sein des équipes RT et OMEGA
du laboratoire IRIMAS, UHA, Mulhouse. IRIMAS offre un environnement scientifique de
haut niveau accueillant de nombreux chercheurs travaillant sur différents domaines, allant du domaine de l'IA à l'optimisation en passant par la théorie de la communication.

Le stage se déroulera à l'IUT de Colmar, au sein de l'équite RT.

Les réseaux LoRaWAN, typiques des LPWAN, reposent sur une topologie star où des nœuds (capteurs) communiquent en champ libre avec un ou plusieurs gateways (passerelles). Chaque transmission utilise un facteur d’étalement (Spreading Factor (SF)) réglant le débit et la portée du signal : un SF élevé augmente la portée au prix d’un temps de transmission long (ToA). En multi-passerelle, un paquet peut être reçu par plusieurs passerelles, et le serveur réseau choisit souvent la réception au RSSI le plus élevé. Dans les déploiements denses, cette architecture ALOHA sans coordination engendre de nombreuses collisions de paquets. L’optimisation des paramètres radio (SF, puissance Tx) est cruciale pour améliorer la fiabilité (PDR) et l’équité entre nœuds. Le protocole LoRaWAN standard propose un mécanisme ADR (Adaptive Data Rate) géré au niveau du serveur réseau, qui ajuste SF/puissance en fonction des retours (SNR, RSSI) des dernières transmissions. Toutefois, l’ADR classique est centralisé et réactif, ce qui limite sa réactivité et son adaptabilité. Par exemple, plusieurs travaux ont montré qu’ADR met longtemps à converger car il nécessite de nombreuses trames pour s’ajuster. De même, l’ADR repose sur l’analyse des 20 dernières transmissions et sur un feedback réseau, ce qui est efficace en scénario stable, mais lent en cas de variation ou de mobilité. Dans les environnements dynamiques (mobilité, variations de canal) ou multi-passerelles, l’approche réactive centralisée peut conduire à des réglages obsolètes et augmenter les pertes de paquets. 

Par ailleurs, des études récentes soulignent l’importance d’équité d’accès dans ces réseaux : sans allocation adaptée, certains nœuds peuvent monopoliser le canal et éroder la performance globale. Des travaux sur l’équité énergie (max-min fairness) montrent que la distribution équitable des ressources prolonge la vie du réseau. Enfin, la coexistence de plusieurs passerelles ouvre la possibilité de stratégies coopératives : par exemple, regrouper les nœuds selon les passerelles ou coordonner les SF pour éviter la congestion locale. 

Ce stage vise à étudier et développer des algorithmes en ligne et décentralisés d’allocation des SF pour maximiser le PDR et l’équité entre nœuds dans un réseau LoRaWAN multi-passerelles. Le stage comportera plusieurs volets : 

Analyse des travaux se basant sur l’ADR tout en mettant en évidence sa nature centralisée et réactive, son temps de convergence et son inefficacité face aux changements rapides du canal ou à la mobilité.  

Recherche d’approches décentralisées en ligne en explorant des méthodes où chaque nœud (ou passerelle) ajuste localement son SF selon ses propres observations (RSSI, SNR, historique de transmissions, succès/échecs). Dans ces approches dites blind ou distributed, aucun serveur central n’est nécessaire pour agir, ce qui améliore la réactivité. Des travaux ont montré la pertinence de telles méthodes : par exemple, un algorithme MAB (Multi-Armed Bandit) EXP3 où chaque capteur choisit et met à jour ses paramètres en autonomie, ou un algorithme expert-driven basé sur EXP3.P, surpassant l’ADR en PDR et débit. On étudiera également des approches plus légères basées sur des heuristiques adaptatives simples (par ex. heuristiques réactives sans mémoire), ou combinant décisions statistiques et apprentissage. 

Développement d’une stratégie d’allocation de SF en proposant une stratégie concrète d’allocation en ligne des SF. Deux axes seront considérés : 

Heuristiques adaptatives : règles simples où le nœud change de SF selon des seuils de qualité (RSSI, taux de réussite). Par exemple, réduire le SF lorsqu’un seuil RSSI est dépassé, ou augmenter le SF si trop d’échecs. 

Apprentissage en ligne : modèles de MAB ou renforcement (RL) légers. Par ex. utiliser un algorithme EXP4/EXP3 où le nœud maximise le PDR sur ses essais, ou un Q-learning simplifié sur SF {7..12}. Des travaux antérieurs ont montré que les MAB améliorent le PDR et maintiennent l’énergie consommée.  

Comparaison local vs coopératif : Étudier les gains potentiels lorsqu’il existe un échange d’informations entre entités. En mode local (non coopératif), chaque nœud/gateway n’a que ses propres mesures. En mode coopératif, plusieurs passerelles peuvent partager des statistiques (par ex. PDR global, charge du canal) pour ajuster ensemble les SF. Par exemple, un découpage en zones (« zone-based ») a été proposé où les nœuds se regroupent selon leur passerelle la plus forte et reçoivent des paramètres optimaux localement. On analysera l’impact de la coopération sur le PDR et l’équité comparativement au mode local. 

Implémentation et simulation : Mettre en œuvre les stratégies développées dans un simulateur. Typiquement, utiliser NS-3 avec le module LoRaWAN pour des simulations réalistes multi-passerelles. L’accent sera mis sur la fidélité des mesures (PDR, SNR, charge CPU).  

Nous recherchons un étudiant de Master 2 en réseaux Informatique (ou équivalent) possédant les qualités suivantes :  

• Bonne base en réseaux Informatique et réseaux sans-fil. 
• Expérience de programmation (Python, C, C++). 
• Une très bonne connaissance des techniques d’optimisation (à base des métaheuristiques) et/ou des techniques d’apprentissage automatique (issues de l’Intelligence Artificielle) est fortement souhaitée.  
• Être familier avec l’environnement Linux. 
• La maitrise du simulateur NS3 sera bien appréciée. 
• Bonnes aptitudes rédactionnelles.  
• Avoir un bon niveau en anglais.  
• Avoir un esprit curieux et inventif.