>>

Soutenance de HDR : E. Veronica Belmega

Titre du mémoire

Contributions aux communications sans fils efficaces en énergie exploitant la théorie des jeux, l'optimisation en ligne et l'apprentissage.

Contributions to energy-efficient wireless communications exploiting games, online optimization and learning.

Date et lieu de soutenance

Vendredi 29 mars 2019, 14h.

ENSEA, Salle du Conseil

Résumé

L’efficacité énergétique a été identifiée comme l’un des objectifs majeurs pour les communications 5G, et restera probablement un aspect crucial de l’industrie des technologies de l’information et de la communication (ICT) au-delà de la 5G, en raison de la prolifération des applications Internet mobile très gourmandes en débit et connectivité. De plus, le nouveau paradigme de l’Internet des objets (IoT), qui prévoit d’interconnecter des "objets" sans fil (capteurs, dispositifs prêts-à-porter, biopuces connectées, etc.) de manière massive, a des limitations strictes en termes de capacités de calcul et de consommation d’énergie.

L’objectif de cette thèse d’HDR est de concevoir des politiques efficaces d’allocation de ressources (puissance, spectre, espace et/ou temps) dans des réseaux sans fils composés par des dispositifs équipés de multiples antennes (MIMO) ou communicant dans plusieurs sous-porteuses orthogonales (OFDM). Premièrement, nous nous concentrons sur les réseaux relativement statiques dans le temps afin d’étudier plusieurs métriques d’efficacité énergétique définies en fonction du compromis entre la consommation de puissance et le débit de Shannon. Nous proposons ensuite différentes politiques efficaces en énergie exploitant des technologies prometteuses pour combattre les limitations du spectre et d’énergie (par exemple, la radio cognitive, les réseaux à petites cellules, les réseaux MIMO, la récupération d’énergie sans fils) et reposant sur des outils et concepts classiques issus de l’optimisation convexe, dans des réseaux centralisés, et des jeux non-coopératifs, dans des réseaux distribués au sens de la décision.

La deuxième partie de ce manuscrit intègre la dynamique temporelle du réseau. Cet aspect est particulièrement pertinent dans les réseaux IoT, où la prise en compte de la grande variabilité temporelle (potentiellement non stationnaire) due aux caractéristiques hétérogènes des objets (en termes de mobilité, schémas de connexion, etc.) constitue un défi majeur. Les algorithmes qui ciblent des points de fonctionnement ou des états fixes (par exemple, des solutions optimales classiques ou des équilibres de Nash) ne sont plus pertinents dans des réseaux aussi variables et imprévisibles. En nous appuyant sur de nouveaux outils d’optimisation et d’apprentissage en ligne, nous proposons des politiques d’allocation de ressources efficaces et dynamiques, capables de s’adapter à la volée aux changements du réseau, en se reposant uniquement sur des informations de retour strictement causales et limitées.

La thèse est conclue par une discussion sur plusieurs axes de recherche ouverts et prospectifs pour des investigations futures.

Abstract

Energy efficiency has been identified as one of the major desiderata for 5G communications, and will likely remain a crucial aspect for the information and communication technology (ICT) industry beyond 5G, owing to the prolific spread of Internet-enabled mobiles coupled with connectivity- and data-hungry applications. Moreover, the emerging Internet of things (IoT) paradigm, envisioned to interconnect wireless "things" (wireless sensors, wearables, biochip transponders, etc.) at a massive scale, also comes with strict limitations in terms of computational capabilities and energy consumption.

The aim of this HDR thesis is to design efficient resource allocation policies (in terms of available power, spectrum, space, and/or time) in wireless networks of interconnected devices, potentially equipped with multiple antennas (MIMO) or operating over multiple orthogonal frequency subcarriers (OFDM). First, we focus on networks that are relatively static in time and investigate different energy efficiency metrics based on the tradeoff between power consumption and Shannon rate. We then propose different energy-efficient policies that exploit promising technologies to address the spectrum and energy gridlocks (e.g., cognitive radio, small cell networks, MIMO, energy harvesting) and rely on classic tools and solution concepts from convex optimization, in centralized networks, and non-cooperative games, in decision-wise distributed networks.

The second part of this work incorporates the temporal network dynamics. This aspect is particularly relevant in IoT networks, in which coping with the high temporal variability (potentially non-stationary) caused by the devices' heterogeneous characteristics (in terms of mobility, connectivity patterns, etc.) is a major challenge. Algorithms that target fixed operating points or network states (e.g., classic optimal solutions or Nash equilibria) are no longer relevant in such arbitrarily varying and unpredictable networks. Instead, drawing on new tools from online optimization and learning, we propose efficient and dynamic resource allocation policies that are able to adapt on-the-fly to the network changes, while relying only on strictly causal and limited feedback information.

The thesis is concluded by discussing several open and prospective research directions for future exploration.

Composition du jury

  • Jean-Marie GORCE, Professeur, INSA Lyon, Rapporteur / examinateur
  • Maryline HELARD, Professeure, INSA Rennes, Rapporteure / examinatrice
  • Giuseppe CAIRE, Professeur, Université Technique de Berlin, Rapporteur / examinateur
  • Sergio BARBAROSSA, Professeur, Université de Rome La Sapienza, Examinateur
  • Geneviève BAUDOIN, Professeure, ESIEE Paris, Examinatrice
  • Pierre DUHAMEL, Directeur de Recherche, CNRS L2S, Examinateur
  • Inbar FIJALKOW, Professeure, ENSEA, Examinatrice
  • Dan VODISLAV, Professeur, Université Cergy-Pontoise, Examinateur

Retour