These Alexandre Gondran

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 196

Modélisation et optimisation de la planification des

réseaux locaux sans fil


Alexandre Gondran

To cite this version:


Alexandre Gondran. Modélisation et optimisation de la planification des réseaux locaux sans fil.
Informatique [cs]. Université de Technologie de Belfort-Montbéliard; Université de Franche-Comté,
2008. Français. �NNT : �. �tel-00416060�

HAL Id: tel-00416060


https://theses.hal.science/tel-00416060
Submitted on 11 Sep 2009

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est


archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Année 2008 N o d’ordre : 100

UNIVERSITÉ DE TECHNOLOGIE UNIVERSITÉ DE


DE BELFORT-MONTBÉLIARD FRANCHE-COMTÉ

École Doctorale Sciences Pour l’Ingénieur et Microtechniques

THÈSE

Présentée pour obtenir le grade de

DOCTEUR de l’Université de Technologie Belfort-Montbéliard


et de l’Université de Franche-comté

Discipline : Informatique

Modélisation et optimisation de
la planification des
réseaux locaux sans fil

Par

Alexandre Gondran

Soutenue le lundi 8 décembre 2008

Jury

Rapporteur GORCE Jean-Marie Professeur, INSA Lyon


Rapporteur HUDRY Olivier Professeur, ENST Paris
Examinateur GALINIER Philippe Professeur, Ecole Polytechnique, Montréal, Canada
Examinateur MINOUX Michel Professeur, Université Paris VI
Examinateur MORLIER Jean-François Ingénieur, Orange Lab, France Telecom
Directeurs de Thèse CAMINADA Alexandre Professeur, UTBM
BAALA Oumaya Maître de Conférence, UTBM
Table des matières

Remerciements 7
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1 Etat de l’art sur la planification 13


1.1 Le développement des réseaux locaux sans fil . . . . . . . . . . . . . . 15
1.1.1 Variables et données du problème . . . . . . . . . . . . . . . . 17
1.1.2 Dimension du problème . . . . . . . . . . . . . . . . . . . . . 19
1.2 Critères de planification . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.1 Critères économiques . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.2 Critères de couverture . . . . . . . . . . . . . . . . . . . . . . 23
1.2.3 Critères d’interférences . . . . . . . . . . . . . . . . . . . . . . 28
1.2.4 Critères de capacité . . . . . . . . . . . . . . . . . . . . . . . . 35
1.3 Performances algorithmiques . . . . . . . . . . . . . . . . . . . . . . . 40
1.3.1 Stratégies d’optimisation séquentielle et globale . . . . . . . . 41
1.3.2 Modèle de propagation des ondes radio . . . . . . . . . . . . . 42
1.3.3 Taille des problèmes . . . . . . . . . . . . . . . . . . . . . . . 43
1.4 Méthodes d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.4.1 Evaluation analytique et robustesse . . . . . . . . . . . . . . . 46
1.4.2 Evaluation par simulation . . . . . . . . . . . . . . . . . . . . 47
1.4.3 Retour d’expériences sur quelques déploiements . . . . . . . . 48
1.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

2 Modélisation de la planification 55
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Modèle de placement . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2.1 Modèle continu ou discret . . . . . . . . . . . . . . . . . . . . 59
2.2.2 Sites candidats . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3 Modèle de paramétrage des émetteurs . . . . . . . . . . . . . . . . . . 63
2.3.1 Types d’AP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.3.2 Azimut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3.3 Puissance d’émission . . . . . . . . . . . . . . . . . . . . . . . 65
4 TABLE DES MATIÈRES

2.3.4 Fréquence d’émission . . . . . . . . . . . . . . . . . . . . . . . 66


2.4 Modèle de trafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.4.1 Modèle dynamique ou statique . . . . . . . . . . . . . . . . . . 68
2.4.2 Modèle continu ou discret . . . . . . . . . . . . . . . . . . . . 70
2.5 Modèle de propagation . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.5.1 Principe de calcul . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.5.2 Etapes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.6 Modèle de débit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.6.1 Modèle d’association (de charge) . . . . . . . . . . . . . . . . 75
2.6.2 SINR et débit nominal . . . . . . . . . . . . . . . . . . . . . . 77
2.6.3 Capacité maximale d’un AP en régime saturé . . . . . . . . . 83
2.6.4 Débit réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.7 Le problème à optimiser . . . . . . . . . . . . . . . . . . . . . . . . . 89
2.7.1 Paramètres de travail . . . . . . . . . . . . . . . . . . . . . . . 89
2.7.2 Expression de la combinatoire . . . . . . . . . . . . . . . . . . 92
2.7.3 Critères du problème . . . . . . . . . . . . . . . . . . . . . . . 93
2.7.4 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

3 Optimisation de la planification 97
3.1 Stratégies d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.1.1 Optimisation séquentielle . . . . . . . . . . . . . . . . . . . . . 101
3.1.2 Optimisation du placement avec coloration de graphe . . . . . 102
3.1.3 Optimisation du placement avec brouillage moyen entre AP . 104
3.1.4 Optimisation simultanée du placement et de l’affectation . . . 105
3.2 Expérimentations et résultats . . . . . . . . . . . . . . . . . . . . . . 105
3.2.1 Critère unique d’évaluation . . . . . . . . . . . . . . . . . . . 106
3.2.2 Expérimentations . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.2.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.3 Approche algorithmique . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.3.1 Algorithme glouton aléatoire de couverture . . . . . . . . . . . 114
3.3.2 Algorithme d’optimisation à voisinages variables aléatoires . . 117
3.3.3 Descente avec double contrôle de la dégradation dans les voi-
sinages de suppression, d’ajout et de remplacement . . . . . . 119
3.3.4 Algorithme multi-start d’amélioration du plan de fréquences
dans le voisinage fréquentiel . . . . . . . . . . . . . . . . . . . 121
3.3.5 Descente dans le voisinage intra-site . . . . . . . . . . . . . . . 121
3.3.6 Synthèse de l’algorithme à Voisinages Variables Aléatoires VVA122
3.4 Critères de Qualité de Service . . . . . . . . . . . . . . . . . . . . . . 123
3.4.1 Critère de sécurité . . . . . . . . . . . . . . . . . . . . . . . . 124
3.4.2 Critère géométrique . . . . . . . . . . . . . . . . . . . . . . . . 127
TABLE DES MATIÈRES 5

3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

4 T -coloration de graphe et d’hypergraphe 133


4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.2 Problème simplifié d’allocation de fréquences dans les WLAN . . . . 136
4.2.1 Le problème CSPSIN R . . . . . . . . . . . . . . . . . . . . . . 137
4.2.2 La T -coloration de graphe : CSPTg . . . . . . . . . . . . . . . 138
4.2.3 La T -coloration d’hypergraphe : CSPTh . . . . . . . . . . . . . 142
4.3 Construction des problèmes de T -coloration . . . . . . . . . . . . . . 150
4.3.1 Problème complet d’allocation de fréquences dans les WLAN . 151
4.3.2 Répartition des clients selon les débits nominaux . . . . . . . . 153
4.3.3 SINR et débit nominal . . . . . . . . . . . . . . . . . . . . . . 155
4.3.4 Construction du problème de T -coloration de graphe associé . 156
Modèle de capacité à un niveau de SINR . . . . . . . . . . . . 156
Construction des contraintes binaires . . . . . . . . . . . . . . 156
4.3.5 Construction du problème de T -coloration d’hypergraphe as-
socié . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.4 Réduction de graphe et d’hypergraphe . . . . . . . . . . . . . . . . . 161
4.4.1 Réduction de graphe pour la T -coloration à 13 couleurs . . . . 161
4.4.2 Réduction d’hypergraphe et notion de dominance . . . . . . . 165
4.5 Optimisation utilisant la T -coloration . . . . . . . . . . . . . . . . . . 166
4.5.1 Catégories de problèmes . . . . . . . . . . . . . . . . . . . . . 166
4.5.2 Exemple d’optimisation utilisant les contraintes de T -coloration168
4.5.3 Type de voisinage utilisant la T -coloration . . . . . . . . . . . 170
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

Conclusion 173

Publications 179

Bibliographie 183
Remerciements

Je tiens à remercier l’ensemble des membres du jury pour l’intérêt qu’ils ont
porté à mon travail. Merci à Olivier Hudry, dont j’avais déjà apprécié la pédagogie
hors du commun lorsque j’étais élève à l’ENST, pour les nombreux commentaires
et remarques qu’il m’a apportés. Les travaux qu’ont mené Jean-Marie Gorce et sa
thésarde Katia Runser m’ont permis d’entamer cette thèse sur des fondations solides.
Les remarques de Jean-Marie ont orienté mes travaux. Durant ces trois années, j’ai
eu la chance de rencontrer à plusieurs reprises Michel Minoux qui m’a orienté et
guidé au niveau de l’optimisation et de la théorie pour mener à bien ces travaux.
Je le remercie chaleureusement pour ses précieux conseils. Je remercie également
Philippe Galinier pour l’attention qu’il a porté à mon travail et la précision de ses
remarques qui m’ont permis de corriger certaines de mes erreurs. Ce travail aurait eu
peu d’intérêt sans Jean-François Morlier et plus généralement Orange Labs qui nous
ont fourni un problème réel à traiter. Merci à Jean-François pour sa disponibilité,
ses analyses et ses validations.
Evidemment ce travail n’aurait pas été ce qu’il est sans l’accompagnement de
mes encadrants Oumaya Baala et Alexandre Caminada. Alexandre a été pour moi
bien plus qu’un directeur de thèse : je le considère comme un modèle pour ma vie
professionnelle et il est aussi devenu un ami. Oumaya a également beaucoup compté
pour moi, sa disponibilité, son écoute et sa bonne humeur ont été un soutien et une
aide précieuse.
Je remercie, de façon plus générale, tous les membres de notre équipe avec qui j’ai
pu échanger et travailler ; tout spécialement Julien Fondrevelle, maître de conférence
à l’INSA de Lyon et Hakim Mabed, maître de conférence à Université de Franche-
Comté dont j’ai apprécié chez tous deux autant leurs compétences techniques que
leurs qualités humaines.
Enfin, je n’aurais pas tant apprécié ces trois années à l’UTBM de Belfort sans
les membres du laboratoire Système et Transport, partis ou toujours présents, et
je pense en particulier à Chibli Joumaa, Laurent Moalic, Mouhcine Chami, Mounir
Boussedjra, Sid Lamrous, Mustapha Oughdi, Isabelle Aldinger, Ariane Glatigny, Sa-
lah Merzouk, Nicolas Gaud, Jun Hu, Chris Dumez, Lyamine Bouhafs, Aiman Nouh,
8 TABLE DES MATIÈRES

Krim Salah, David Meignan, Isabelle Devarenne, Jean-Nöel Martin, Mohammad


Dib, Olivier Grunder, les Maniers, et bien d’autres encore...
Introduction

Les radiocommunications ont connu un développement de grande envergure dans


les années 90 avec l’arrivée de la norme GSM de téléphonie mobile (Global System
for Mobile Communications) puis l’UMTS (Universal Mobile Telecommunications
System). Cet essor est d’abord dû à l’émergence de normes internationales reconnues
qui a favorisé le déploiement à grande échelle, et aussi à la maîtrise de technologies
associant télécommunications, électronique et informatique. Déployer ces réseaux a
été un grand défi pour les opérateurs qui ont du apprendre à maîtriser les ondes radio
pour des applications totalement nouvelles par rapport à ce qui se faisait depuis le
début du siècle. On est passé de la diffusion, i.e. la même chose pour tous, à l’infor-
mation personnalisée et à des exigences de qualité de service. De part les enjeux, les
opérateurs ont fait énormément progresser la recherche sur les méthodes et outils de
planification qui intègrent notamment des modèles de propagation des ondes radio,
des modèles d’estimation de qualité de service et des algorithmes d’optimisation du
paramétrage.
Dans les années 2000, le besoin de communiquer sans fil s’est porté sur les réseaux
informatiques pour l’échange de données. Les réseaux locaux sans fil, ou WLAN
pour Wireless Local Area Network, de norme IEEE 802.11 (ou de label Wi-Fi)
ont envahi tous les lieux publics et privés : cafés, restaurants, hôtels, bibliothèques,
logements, universités, gares, aéroports, entreprises... Ces réseaux supportent de
très hauts débits et permettent d’avoir accès à des services évolués (Internet, TV,
téléphonie-IP...) tout en s’affranchissant de la nécessité de se connecter physiquement
au réseau local de l’entreprise ou du bâtiment, apportant ainsi mobilité et flexibilité.
Avec ces réseaux, nous retrouvons les mêmes exigences de qualité de service et les
mêmes difficultés techniques liées à la maîtrise du médium de communication mais
pour un cadre de déploiement à l’intérieur des bâtiments.
Le grand enjeu scientifique et technique actuel des réseaux locaux sans fil est de
réussir leur déploiement à grande échelle. En effet, depuis la norme 802.11g de juin
2003, le marché est passé progressivement d’une niche à un marché d’affaires pour les
équipementiers, les opérateurs de réseaux et les fournisseurs d’accès à Internet. Pour
exemple, le premier réseau commercial extérieur d’accès à Internet basé sur la norme
10 TABLE DES MATIÈRES

802.11g en architecture maillée (communications radio entre les émetteurs et avec


les clients) a ouvert en France en juillet 2008 pour couvrir une zone de 8000 salariés.
Ainsi, il y a un besoin de passer d’une méthode manuelle basée sur le savoir-faire de
l’installateur à une conception plus exigeante avec un grand nombre d’utilisateurs
sur des zones très étendues et pour un engagement de Qualité de Service.
L’ensemble de ces éléments conduit à des problèmes complexes dont la résolu-
tion nécessite des approches performantes basées sur des méthodes d’optimisation.
L’objet de cette thèse est de répondre à ces problèmes en proposant des modèles et
des algorithmes pour optimiser la planification des réseaux WLAN à grande échelle.
La planification consiste d’une part à positionner et à paramétrer des émetteurs
dans un bâtiment et d’autre part à leur affecter un canal de fréquence porteuse afin
d’offrir un accès sans fil au réseau local. Ce processus se réalise avec des critères
de couverture radio pour avoir une connexion, de qualité de service pour avoir un
débit, de continuité de service pour permettre la mobilité, tout en minimisant un
coût financier.
La qualité de service est le critère le plus difficile à maîtriser. Elle demande une
modélisation physique pointue et elle ne peut se faire que lorsque tous les para-
mètres du réseau sont connus. Dans l’état de l’art des méthodes d’optimisation de
la planification des WLAN, les paramètres du réseau qui sont les inconnues du pro-
blème, sont majoritairement affectés en deux étapes successives : le placement et
le paramétrage des émetteurs, puis l’allocation des fréquences. Chacun de ces deux
problèmes est un problème combinatoire NP -difficile et demande donc des méthodes
de résolutions appropriées. Face à cette complexité, quelques travaux vont jusqu’à
distinguer aussi le placement (choix du site) et le paramétrage (choix de l’antenne
et de la puissance d’émission) des émetteurs ce qui constitue trois étapes au final.
Le problème décomposé en sous-problèmes indépendants conduit à l’obtention de
minima locaux et donc probablement à des solutions sous-optimales. Une difficulté
aujourd’hui est de montrer l’importance de l’écart entre ces solutions et celles qui
pourraient être construites via la résolution globale du problème. Un apport impor-
tant de cette thèse est de traiter simultanément ces deux problèmes et d’en évaluer le
gain. D’abord avec une approche basée sur l’utilisation d’un modèle assez physique
et ensuite en proposant un modèle plus théorique s’appuyant sur la T -coloration
d’hypergraphe pour modéliser les interférences multiples.
Dans ce document nous présentons notre travail en quatre chapitres. Le pre-
mier est un état de l’art des méthodes de planification de réseaux locaux sans fil
de norme IEEE 802.11. L’accent est mis sur la qualité de service dont l’importance
est prépondérante dans ces réseaux. Le second chapitre propose une modélisation
globale du problème de planification WLAN basée sur le calcul du débit réel. Elle
permet d’optimiser simultanément les problèmes de placement et paramétrage des
émetteurs et d’affectation des fréquences. Le troisième chapitre décrit les méthodes
TABLE DES MATIÈRES 11

d’optimisation mises en œuvre et présente des résultats comparés avec les méthodes
utilisant des sous-problèmes. Enfin, le quatrième chapitre propose des approfondis-
sements théoriques sur la prise en compte des interférences multiples, ce qui permet
d’améliorer les algorithmes proposés.
C’est donc dans le premier chapitre que sont présentés les travaux majeurs de
planification de réseaux radio aussi bien dans les réseaux cellulaires que dans les
WLAN. Le problème de planification de réseaux cellulaires (GSM, CDMA, UMTS...)
a été très étudié et constitue une base importante. La problématique des WLAN
diffère sur les aspects économiques et techniques et nécessite une modélisation qui
lui est propre. Le critère financier est moins important que dans les réseaux cellulaires
car le coût du matériel et des installations est bien moindre. Par contre, les services
offerts par les WLAN (services Internet à très haut débit) sont bien plus évolués et
demandent une qualité de service beaucoup plus importante que dans les réseaux
cellulaires. Dans ce chapitre, les critères de qualité de service sont regroupés en
trois grandes catégories : les critères de couverture, les critères liés à la gestion
des interférences et les critères de capacité du réseau. Nous rappelons ensuite les
algorithmes et stratégies de traitement mis en œuvre.
Le second chapitre fournit une modélisation du problème qui intègre tous les
paramètres de la planification : les données via la description des bâtiments, des ser-
vices demandés, du nombre de clients..., les inconnues via la description des empla-
cements utilisables, des équipements disponibles, des paramètres de chacun d’eux...
et les critères utilisés sous forme de contraintes et d’objectifs. Cette modélisation
permet une optimisation globale des problèmes de placement des émetteurs et d’al-
location des fréquences. Elle est basée sur le calcul du débit réel offert en chaque
point de demande de service du réseau. Nous montrons que ce critère de débit réel
permet une modélisation complète de la qualité de service. Il unifie les critères de
couverture en calculant les puissances reçues en chaque point du réseau, les critères
de gestion des interférences en calculant complètement et précisément le rapport
signal à interférences plus bruit et les critères de capacité en calculant la charge de
chaque émetteur et en modélisant les protocoles de communication (couche MAC
et procédure CSMA/CA). Notons que le calcul du débit réel nécessite de traiter
simultanément les problèmes de positionnement des émetteurs et d’allocation des
fréquences. C’est à la fois une contrainte pour le problème à optimiser, mais c’est
aussi la condition qui permet la synthèse.
Au troisième chapitre, nous comparons les différentes stratégies d’optimisation
de la littérature avec notre stratégie globale, basée sur la modélisation du second
chapitre, qui optimise simultanément le placement des émetteurs et l’affectation des
fréquences. Outre notre stratégie d’optimisation globale, nous proposons également
une seconde stratégie d’optimisation, séquentielle, mais qui tient compte lors du
placement des émetteurs d’un brouillage moyen entre eux. Tout cela nous permet
12 TABLE DES MATIÈRES

de comparer les performances des approches basées sur le problème complet ou dé-
composé. Ces stratégies sont mises en œuvre par une heuristique de recherche locale
nouvelle dite à Voisinages Variables Aléatoires VVA : à chaque itération, le type de
voisinage est tiré au hasard parmi un ensemble des voisinages possibles. Cet algo-
rithme est très modulaire et permet facilement de combiner les deux sous problèmes
(placement et affection). Une partie du travail a été effectuée en collaboration avec
Orange Labs pour les calculs de propagation et la production des scénarios de test.
Enfin dans le but d’améliorer les performances des algorithmes précédents, le
quatrième chapitre développe un cadre formel pour tenir compte des interférences
multiples. Habituellement le cadre formel du traitement des interférences est défini
par la T -coloration de graphe qui exprime les contraintes binaires donc les interfé-
rences simples. Une analyse de l’impact des interférences dans les réseaux sans fil
nous permet de construire plusieurs modèles du problème d’affectation de fréquences.
Des problèmes de satisfaction de contraintes, concernant des niveaux de rapport si-
gnal à interférence plus bruit à respecter, et des problèmes de T -coloration de graphe
sont ainsi construits. Puis nous introduisons une généralisation du problème de T -
coloration pour les hypergraphes afin de rendre compte des interférences multiples.
Nous définissons alors une procédure dynamique qui construit des problèmes de T -
coloration de graphe et d’hypergraphe associés au problème complet d’allocation de
fréquences des WLAN et nous montrons des résultats sur des scénarios théoriques
de test.
Chapitre 1

Etat de l’art sur la planification

Ce chapitre dresse un panorama des différents modèles, outils et méthodes em-


ployés pour traiter les problèmes de planification de réseaux locaux sans fil.
Après un bref rappel du développement actuel des WLAN, nous évaluons la
dimension des instances des problèmes que l’on souhaite résoudre. Puis nous présen-
tons les différents critères de planification qui ont été élaborés dans la littérature :
critères économiques, critères de couverture, critères de gestion des interférences et
critères de capacité. Le problème de planification de réseaux radio comporte, d’une
part, une phase de placement et de paramétrage des émetteurs et d’autre part, une
phase d’affectation des fréquences aux émetteurs. Nous passons en revue les dif-
férents algorithmes et stratégies d’optimisation (séquentielles ou simultanées) mis
en œuvre pour traiter ce problème. Enfin quelques réflexions sur les déploiements
de réseaux opérationnels et sur leurs modes d’évaluation sont menées. En conclu-
sion nous mettons en avant les aspects qui nous semblent importants à prendre
en compte et qui reflètent les insuffisances constatées dans la littérature. Ces pro-
positions correspondent aux orientations données à nos travaux présentés dans les
chapitres suivants.

Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
14 Chapitre 1. Etat de l’art sur la planification
1.1 Le développement des réseaux locaux sans fil 15

1.1 Le développement des réseaux locaux sans fil


Les réseaux locaux sans fil (WLAN pour Wireless Local Area Network ) sont ap-
parus au milieu des années 90 afin de profiter des principaux avantages des systèmes
de type Ethernet, tout en s’affranchissant de la nécessité de se connecter physique-
ment au réseau, apportant ainsi mobilité et flexibilité. L’émergence de la famille de
standards IEEE 802.11, il y a quelques années, a fourni un cadre commun pour l’éla-
boration et la mise au point de réseaux locaux sans fil, ce qui a grandement contribué
à l’essor de ce type de technologies. Si la conception de ces réseaux était initiale-
ment réalisée manuellement, l’augmentation du nombre d’utilisateurs potentiels et
le déploiement à grande échelle conduisent à des problèmes complexes, nécessitant
des approches performantes de résolution automatiques.
Le problème de planification de réseaux WLAN consiste à positionner et à pa-
ramétrer automatiquement des points d’accès sans fil (AP, pour Access Point) dans
un bâtiment afin d’offrir aux clients un accès au réseau local avec la couverture
souhaitée et la qualité de service requise, tout en minimisant le coût financier.
Outre la complexité à prévoir la Qualité de Service (QoS pour Quality of Service)
d’un réseau à partir des variables du problème (positions, paramètres et fréquence
des AP ), la planification de réseaux WLAN fait face à plusieurs difficultés.
1. D’abord, le problème de localisation des AP est à lui seul un problème
difficile qui correspond au problème d’ACP (pour Automatic Cell Planning)
dans les réseaux cellulaires GSM et UMTS. Plus généralement, positionner des
infrastructures afin de répondre aux demandes des clients répartis sur une aire
géographique n’est pas un problème spécifique à la planification WLAN. Cette
problématique est retrouvée dans de nombreux problèmes dits de localisation
(avec ou sans association des clients) comme le Facility Location Problem,
le problème dup-median, ou le Set Covering Problem (SCP, cf. [Bosio et al.,
2007]) qui sont tous des problèmes NP -difficiles [Kariv & Hakimi, 1979] [Karp,
1972].
2. Les ressources radio étant rares, le problème d’allocation de fréquences est
lui aussi un problème difficile. L’objectif est d’attribuer à chaque antenne une
fréquence afin de minimiser les interférences. Les fréquences disponibles sont
fixées par la norme IEEE 802.11 a, b ou g. Ce problème est appelé AFP
(pour Automatic Frequency Planning). Il est également très étudié en design
de réseaux cellulaires et n’est pas spécifique aux WLAN. Il peut se ramener à
un problème de k -coloration ou de T -coloration de graphe qui sont des pro-
blèmes NP -difficiles. Par exemple, considérons la norme IEEE 802.11b/g qui
définit 14 canaux de fréquence dont 13 sont autorisés en France. Deux canaux
espacés de moins de 5 canaux d’écart se chevauchent, ce qui génère des interfé-
rences. Il n’existe donc sur cette bande de fréquences que 3 canaux totalement
16 Chapitre 1. Etat de l’art sur la planification

disjoints. Si nous définissons un graphe dont les sommets correspondent aux


point d’accès et les arêtes relient les AP voisins, alors nous pouvons modéliser
le problème d’allocation de fréquences dans les WLAN par un problème de
coloration de graphe avec 3 couleurs. Cette modélisation est l’une des plus
simples du problème de planification de fréquences pour les WLAN. Or le pro-
blème de 3-coloration de graphe est déjà un problème NP -difficile. Notons que
quelques articles de la littérature s’intéressent à la complexité des problèmes de
localisation avec l’ajout de contraintes sur la gestion des interférences [Glaß er
et al., 2005] [Mathar & Niessen, 2000].

Remarque :
Comme chacun des deux sous problèmes de planification (localisation des installa-
tions et affectation des fréquences) est un problème NP-difficle, les problèmes de
planification de réseaux locaux (WLAN), comme de réseaux cellulaires (GSM),
sont donc des problèmes NP-difficiles.
De plus, dans un problème classique de couverture (avec ou sans association de
clients), l’ajout d’une nouvelle installation ne fait qu’améliorer la qualité de service
de la solution, même si elle augmente son coût financier. Dans les problèmes où il
existe des interférences, comme dans notre problème de planification, l’ajout d’une
nouvelle installation peut améliorer, mais peut aussi dégrader fortement la qualité
de service de la solution. Cela rend le problème combinatoire beaucoup plus complexe
qu’un problème de couverture. [Gondran & Minoux, 1995] définissent des relations
de réduction et d’équivalence au sens fort sur des problèmes d’optimisation combi-
natoire NP-difficiles, ce qui permet de les classer par ordre de difficulté croissante.
Les travaux récents de [Monnot et al., 2003] et de [Paschos, 2004] approfondissent
cette notion de forte réduction.

Dans un premier temps, afin de comprendre l’étendue de notre problème, nous


présentons rapidement les données et les variables de ce problème, ainsi que sa
dimension.
La planification de réseaux sans fil est un problème qui est largement étudié
pour les réseaux cellulaires (GSM/GPRS/EDGE/UMTS ). Pour les WLAN, la pro-
blèmatique est plus récente. Outre que la technologie soit différente, rappelons les
principales particularités des WLAN :
• L’usage des WLAN n’est soumis à aucune licence, le déploiement d’un WLAN
est libre.
• Le matériel Wi-Fi 1 est bon marché par rapport aux équipements des réseaux
1. le terme Wi-Fi pour Wireless-Fidelity est le nom commercial pour désigner les systèmes basés
sur la norme IEEE 802.11.
1.1 Le développement des réseaux locaux sans fil 17

cellulaires ; le coût d’achat d’un AP Wi-Fi commence à 30e alors qu’il dépasse
facilement les 300e pour une antenne GSM. De même les coûts d’installation,
de raccordement au réseau filaire et d’exploitation sont bien moindres dans les
WLAN.
• Les WLAN utilisent des bandes de fréquences autour de 2400 MHz et de
5000 MHz tandis que les réseaux GSM utilisent les bandes de fréquences
900 MHz et 1800 MHz. La portée d’une onde Wi-Fi est donc bien plus faible
- une centaine de mètres maximum - que la portée d’une onde GSM qui peut
atteindre une cinquantaine de kilomètres. L’affaiblissement d’une onde radio
est inversement proportionnelle au carré de la fréquence utilisée (cf. formule
de Friis [Friis, 1946]).
• Les WLAN concernent le plus souvent des réseaux d’intérieur, avec des phé-
nomènes de propagation spécifiques : réflexion, diffraction, interférence...
• Les services des WLAN prétendent à des débits théoriques de 54 Mbps alors
que les débits théoriques sont de 9.6 kbps pour le GSM, de 171.2 kbps pour le
GPRS, de 384 kbps pour l’EDGE et 1.92 Mbps pour l’UMTS.

1.1.1 Variables et données du problème

L’objectif est de concevoir un réseau afin qu’il réponde au mieux aux exigences
financières et de qualité de service souhaitées.
La planification de réseaux WLAN peut, au même titre que celle des réseaux
cellulaires, être décomposée en deux sous-problèmes : le positionnement des AP ,
accompagné éventuellement du choix de son diagramme de rayonnement et du pa-
ramétrage de la puissance d’émission et de l’azimut (qui correspond à la direction
d’émission dans le cas d’antennes sectorielles), et l’affectation de fréquences. Ces
deux problèmes sont très souvent traités successivement mais ils peuvent parfois être
traités simultanément [Rodrigues et al., 2000], [Lee et al., 2002], [Bahri et al., 2005],
[LIN05].
Deux approches différentes peuvent être adoptées pour aborder le problème de
positionnement, selon que l’ensemble des positions candidates des AP est infini ou
fini :
• Une optimisation dite continue, où l’ensemble des positions candidates des AP
(coordonnées dans le plan pour un problème 2D ou dans l’espace pour un
problème 3D) est infini. Si l’on exclut les contraintes de domaine qui imposent
par exemple aux AP de se trouver à l’intérieur du bâtiment à couvrir, aucune
autre restriction ne s’applique généralement pour ces positions.
18 Chapitre 1. Etat de l’art sur la planification

• Une optimisation combinatoire, pour laquelle les positions envisageables pour


les AP se limitent à un ensemble fini de sites candidats. Cette option est forte-
ment recommandée car elle permet de réduire la taille de l’espace de recherche
et donc d’accélérer le processus d’optimisation. Par ailleurs, le fait de se limi-
ter à un ensemble fini de positions est également justifié par les propriétés de
propagation des ondes. En effet, on peut considérer que la carte de couverture
d’un point d’accès varie peu lorsque l’on déplace celui-ci à l’intérieur d’une
pièce sans obstacle, ce qui permet de ne considérer qu’un site candidat pour
toute la pièce (ceci est bien sûr valable pour des pièces de taille suffisamment
petite). De plus, dans ce cas, les calculs de propagation peuvent être effectués
avant l’optimisation et non pendant, ce qui accélère considérablement le pro-
cessus d’optimisation. De nombreux articles de la littérature peuvent avoir une
bonne modélisation du problème mais utilisent un modèle de propagation in-
tégré à l’optimisation. D’une part, cette intégration dégrade considérablement
la qualité de la solution puisque ces modèles très simples (souvent basés sur la
formule de Friis) donnent des estimations de la puissance dans un bâtiment de
mauvaise qualité et, d’autre part, elle ralentit considérablement le processus
d’optimisation et empêche toute planification à grande échelle. Enfin, lorsque
l’ensemble des sites candidats est connu, il est également possible de prendre en
compte les propriétés de l’environnement en terme de facilité d’installation (en
excluant des sites qui ne permettent pas le raccordement au réseau filaire ou
au contraire en incitant des sites propices à ce raccordement). Il permet alors
d’estimer le coût financier d’installation d’un AP sur chaque site candidat.
Les données du problème sont donc :
• (1) L’ensemble Va des emplacements, i.e. positions (x, y, z) des AP candidats.
Cet ensemble peut être fini (cas discret) ou infini (cas continu).
• (2) Le nombre maximum d’AP à implanter pmax .
• Le modèle de trafic (ou de charge) du réseau. Ce modèle définit comment est
représentée la demande en charge du réseau ; il donne également un cadre à
l’expression de la qualité de service (QoS ) souhaitée. Par exemple, on définit :
(3) Un ensemble fini et discret Vd de n points de service ou clients.
• (4) Les exigences financières comme le coût d’installation d’un AP : fj pour
j = 1, ..., m. (m étant dans ce cas le nombre d’emplacements possibles).
• (5) La QoS souhaitée.
Ces exigences peuvent se traduire par la définition de paramètres comme :
– la demande de débit de chaque client : ai pour i = 1, ..., n.
– la priorité de chaque client : prioritéi pour i = 1, ..., n.
• (6) Le modèle de propagation des ondes radio.
1.1 Le développement des réseaux locaux sans fil 19

• (7) La géographie du bâtiment.


• (8) La technologie choisie : IEEE 802.11 a ou b/g.
Les variables de décision du problème sont les paramètres sur lesquels nous allons
pouvoir agir lors de la phase d’optimisation. On compte parmi eux :
• (9) Le choix et le nombre d’emplacements sélectionnés.
• Les paramètres de chaque AP sélectionné :
– (10) son diagramme de rayonnement ; cette variable peut être une donnée
du problème si on ne choisit qu’un seul type de diagramme pour tous les AP
du réseau.
– (11) son azimut.
– Son tilt ; cette variable ne sera pas prise en compte par la suite car elle est
peu intéressante en WLAN : tilt = 0.
– (12) sa puissance d’émission.
– (13) son canal de fréquences. Pour la norme IEEE 802.11 il est nécessaire
d’affecter une seule fréquence à chaque antenne.
Prenons pour exemple le cas où l’ensemble des emplacements possibles Va et
l’ensemble des clients Vd sont des ensembles finis. A partir des données (1), (3), (6),
(7), (8) et de la variable (9), nous pouvons définir la fonction distance d : Va × Vd →
IR+ correspondant aux puissances (exprimées en dBm) du signal émis par un AP et
reçu par un client. Elle définit la propagation individuelle du signal de chaque AP.
Le problème peut être formulé ainsi : en jouant sur les variables (9) et (13) et
sur les variations de la fonction d grâce aux variables (10), (11) et (12), on tente de
répondre au mieux aux exigences (2), (4) et (5).

1.1.2 Dimension du problème

Pour estimer la dimension du problème, on se place dans une version combinatoire


du problème et on se fixe une taille maximum des problèmes que l’on souhaite
résoudre.
Déployer un réseau WLAN dans un bâtiment revient à sélectionner un certain
nombre de positions, appelés sites, parmi une liste de sites candidats sur lesquels on
installe des AP afin de couvrir le bâtiment, ce dernier pouvant comporter plusieurs
étages. A titre d’exemple, on fixe la taille maximum de la zone à couvrir à un
bâtiment cubique de 10 étages, de 100 mètres de long et de 100 mètres de large, ce
qui représente 100 000 mètres carré à couvrir.
Nous évaluons d’abord la taille des variables de décision.
20 Chapitre 1. Etat de l’art sur la planification

Le nombre maximum d’AP à placer est de l’ordre d’une centaine : pmax ≈ 100,
et nous estimons qu’il est nécessaire de 10 sites candidats pour sélectionner 1 site, ce
qui représente environ 1000 sites candidats. Notons que 100 AP permettent d’écouler
un débit réel d’environ environ 1,3 Gbps (à raison de 13 Mbps par AP ) soit de servir
2600 clients simultanément à 500 kbps.
Il faut choisir le type d’AP à installer sur chaque site sélectionné, un type d’AP
est caractérisé par son diagramme de rayonnement. Il existe principalement 3 ca-
tégories d’AP : les AP omnidirectionnels (sans direction privilégiée), les AP bi-
directionnels (avec deux directions privilégiées opposées) et les AP directionnels
(avec une seule direction privilégiée). On peut se limiter à ces 3 types d’AP avec 8 azi-
muts possibles pour l’AP directionnel, 4 azimuts possibles pour l’AP bi-directionnel
et aucun azimut possible pour l’AP omnidirectionnel. Ce qui porte à 8 + 4 + 1 = 13
possibilités de configurations pour le type d’AP avec azimuts.
Il est aussi nécessaire de déterminer la puissance d’émission des AP sélectionnés.
On peut estimer que nous avons le choix, pour chaque type d’AP, entre 4 valeurs
possibles environ. De plus, il y a le choix entre 13 canaux de fréquence d’émission
pour la norme IEEE 802.11b ou g. Le nombre total de solutions possibles d’un
problème de planification d’un réseau WLAN de 100 AP est :

100
C1000 × (13 × 4 × (8 + 4 + 1))100 = C1000
100
× (676)100 ∼ 10422

L’espace des solutions est donc considérable mais la plus grande difficulté
du problème provient de la gestion des interférences. En effet, si l’on omet
le problème d’allocation de fréquence, on est réduit à un problème de couverture,
certes avec une grosse combinatoire, mais le problème est conservatif par rapport
à la qualité, c’est-à-dire que l’ajout d’un nouveau point d’accès par exemple ne fait
qu’améliorer la qualité de service de la solution même si elle en augmente le coût
financier. Tandis que lorsque l’on considère les interférences, le problème devient
bien plus complexe car l’ajout d’un nouveau point d’accès peut améliorer,
mais aussi, peut dégrader fortement la qualité de service de la solution.
La gestion des interférences rend le problème combinatoire beaucoup plus complexe
car non conservatif par rapport à la qualité.
Pour définir les zones à couvrir et évaluer une solution, un maillage du bâtiment
est souvent nécessaire. Les mailles à couvrir sont appelées points de service. Le
nombre de points de service dépend du pas de maille, si celui ci est de un mètre
carré, le nombre de points de service total maximal est de 100 000 (pour le bâtiment
de 100 000 mètres carrés). Il faudra déterminer si une solution couvre ou pas chacun
de ces points de service. Cent mille est donc l’ordre de grandeur du nombre maximum
de contraintes de notre problème.
1.2 Critères de planification 21

1.2 Critères de planification


Il n’existe pas dans la littérature de modèle unique pour la problématique de
conception des réseaux locaux sans fil. Selon les situations et les hypothèses étudiées,
différents critères peuvent être considérés et exprimés en termes de contraintes (à
respecter obligatoirement) ou en termes d’objectifs (à optimiser). La première dis-
tinction consiste à séparer les critères financiers des critères de qualité du
réseau. La nature de ces deux critères étant fondamentalement différente. Ensuite il
existe une variété de critères de qualité de services, nous pouvons tout de même les
regrouper en trois catégories principales.
• Les critères de couverture permettent d’évaluer si une zone est recouverte
par le réseau, c’est-à-dire si elle reçoit des signaux à des puissances suffisam-
ment importantes pour établir une communication. Ces critères ne tiennent
pas compte des interférences qui peuvent exister dans le réseau.
• Les critères d’interférences sont tous les indicateurs permettant d’évaluer
l’impact des interférences dans un réseau. Cela peut simplement être le calcul
des zones de recouvrement entre deux AP ou le calcul du rapport signal à
bruit plus interférence (SINR) avec allocation des fréquences pour les cas les
plus évolués. La gestion des interférences est l’aspect difficile du problème de
planification car il rend le problème chaotique : un petit changement dans
le plan de fréquence a des conséquences sur toute la qualité de service du
réseau. Contrairement au problème de couverture, le problème d’allocation de
fréquence est difficilement décomposable.
• Les critères de capacité du réseau évaluent la capacité en débit ou en nombre
de clients d’un AP ou du réseau.
Nous allons présenter d’abord les critères économiques rencontrés dans la litté-
rature puis les critères de couverture, d’interférences et enfin de qualité.

1.2.1 Critères économiques

Derrière un objectif générique de minimisation de "coût financier du réseau", on


peut retrouver plusieurs situations bien distinctes, en fonction des éléments pris en
compte dans le calcul de ce coût. Celui-ci peut se limiter simplement au nombre
d’AP à installer, au coût d’achat des AP ou considérer également les opéra-
tions de raccordement au réseau filaire (LAN, Local Area Network ), voire à
plus long terme, l’exploitation et la gestion du réseau. Cependant l’existence
ou non de LAN n’est jamais prise en compte directement comme critère économique
dans les articles que nous avons référencés. On suppose toujours qu’un LAN existe
22 Chapitre 1. Etat de l’art sur la planification

et donc qu’il n’y a pas d’autre équipement à installer que les bornes radio, et qu’il
n’y a pas de câbles de connexion au réseau ou d’alimentation électrique à instal-
ler. Or dans un WLAN la partie la plus onéreuse du réseau est constituée par la
partie filaire (coût de pose des câbles) et par les équipements actifs de cette partie
(concentrateurs, commutateurs...).
Le nombre d’AP à installer est très largement le critère économique le plus uti-
lisé dans la littérature. Le problème revient alors à minimiser ce nombre comme
dans [Bahri et al., 2005]. Rappelons cependant que dans le contexte de la plani-
fication des réseaux de téléphonie mobile (par exemple, les réseaux GSM ) la pro-
blématique financière constitue un enjeu fondamental, du fait du coût unitaire des
stations de base (de l’ordre de 300 000 e). Ce n’est plus véritablement le cas pour
les réseaux de type WLAN, pour lesquels le coût est beaucoup plus faible (de 40 à
quelques centaines d’euros). En outre, les dimensions des zones à couvrir sont beau-
coup moins importantes (il s’agit de réseaux locaux qui n’excèdent pas la centaine
d’antennes), tandis que pour les réseaux cellulaires, le déploiement peut se faire à
l’échelle d’un pays. Par conséquent, le critère du nombre d’AP a plutôt tendance à
être formulé comme une contrainte du problème, en étant par exemple limité inférieu-
rement (nombre d’AP minimum pour assurer la couverture) et / ou supérieurement
(budget maximal autorisé) [Unbehaun & Kamenetsky, 2003]. Une seconde possibilité
consiste à l’inclure dans une fonction de coût en l’agrégeant à d’autres critères [Mac-
Gibney & Klepal, 2005], ou à l’optimiser conjointement à d’autres fonctions dans
un cadre multi-objectif [Tang et al., 2001], [Maksuriwong et al., 2003]. Enfin, un
certain nombre de travaux supposent tout simplement que le nombre d’AP soit un
paramètre fixé a priori, déterminé en amont [Ji et al., 2002].
Le critère du coût économique du réseau ne peut pas être utilisé seul, un critère
de qualité de service doit obligatoirement lui être associé. Un problème économique
très standard que l’on retrouve dans de nombreux domaines est le problème de
couverture (SCP, Set Covering Problem). Il a pour objectif de minimiser le coût
d’installation des AP sous la contrainte d’une couverture complète des clients.

Remarque :
Dans les problèmes de planification de réseaux radio, les interférences transforment
radicalement le problème de couverture. S’il est toujours vrai que plus il y a d’an-
tennes plus on couvre le bâtiment, on sait aussi que plus il y a d’antennes, plus il
y a d’interférences et donc moins on couvre le bâtiment. Ces deux phénomènes ont
des effets antagonistes sur le nombre d’antennes à installer. Il en résulte un équilibre
qui gère le nombre total d’antennes.

La remarque précédente montre que si l’on traite les phénomènes de couverture


et d’interférences simultanément, il n’est pas forcement nécessaire d’optimiser le
1.2 Critères de planification 23

nombre d’AP à installer. Cependant si l’on souhaite vraiment estimer le prix d’un
WLAN qui tienne compte à la fois du coût d’achat des AP et de leur raccordement
au réseau filaire, alors il est nécessaire d’avoir une liste finie de sites potentiels pour
lesquels on a défini un coût financier d’installation (main d’œuvre et raccordement
au LAN et au réseau éclectique). Nous intégrerons ce type de critère financier, non
encore étudié dans la littérature, dans notre modélisation présentée au chapitre 2.

1.2.2 Critères de couverture

Le premier critère de qualité de service d’un réseau sans fil est sa couverture,
c’est-à-dire la zone de l’espace couverte par ce réseau. L’estimation de la couverture
nécessite d’utiliser un modèle de propagation d’ondes radio qui calcule la puissance
des signaux reçus en tout point de l’espace. Le terme de couverture est ambigu, nous
précisons donc les termes suivants. Un point de l’espace est couvert en puissance
s’il reçoit d’un AP un signal dont la puissance est supérieure à un seuil pmin donné.
Dans la littérature, la couverture en puissance est simplement appelé couverture et
nous adopterons cette appellation. Un point de l’espace est couvert en service
si le rapport signal à interférence plus bruit calculé en ce point est supérieur à un
seuil SIN Rmin donné. Un client situé sur ce point de l’espace aura une qualité radio
suffisante pour établir un connexion avec le réseau local. La couverture en service
implique la couverture en puissance mais l’inverse est faux car la couverture en ser-
vice tient compte des interférences. Les interférences se produisent principalement à
cause d’autres AP utilisant le même canal de fréquences ou des canaux de fréquences
voisins. Dans cette partie "Critères de couverture", on ne traite que la couverture
en puissance. La couverture en service est traitée dans le paragraphe 1.2.3 avec les
critères concernant les interférences.
Introduire un critère de couverture implique nécessairement de définir des points
de service, c’est-à-dire des zones ou points de l’espace pour lesquels nous calculons
la puissance reçue provenant des AP. Selon les articles de la littérature les points
de service sont appelés points de test, points de demande, usagers, clients, stations
ou blocs rectangulaires homogènes quand il s’agit de zones. Les caractéristiques
associées à un point de service sont plus ou moins évoluées. [Battiti et al., 2003],
[Rodrigues et al., 2000] et [Wertz et al., 2004] attribuent à chaque point de service
un coefficient de priorité traduisant l’importance relative des différentes régions
de l’espace à couvrir. En général, c’est un nombre entier compris entre 0 et 5. Il peut
être également associé un coefficient rendant compte de la superficie correspondant
au point de service [Rodrigues et al., 2000].
On remarque que dans la grande majorité des articles de la littérature, les auteurs
supposent que chaque point de service se connecte avec l’AP qui lui offre le plus
24 Chapitre 1. Etat de l’art sur la planification

fort signal. Cette association client/serveur est appelée association au meilleur


serveur . Dans ce cas, on note :
I est l’ensemble des points de service du réseau.
J est l’ensemble des AP potentiels du réseau.
x est la variable de décision d’ouverture ou de fermeture des AP.
xj = 1 si l’AP j est ouvert et xj = 0 si le point d’accès j n’est pas
ouvert.
(pij )i∈I est la matrice des puissances reçues au point de service i et pro-
j∈J
venant de l’AP j.
pi est la puissance maximale reçue par le point de service i : pi =
max(pij xj )
j∈J
(aij )i∈I est la matrice binaire telle que : aij = 1 si pij ≥ pmin et aij = 0
j∈J
sinon.
Notons que :
X
pi ≥ pmin ⇔ max(pij xj ) ≥ pmin ⇔ max(aij xj ) = 1 ⇔ aij xj ≥ 1
j∈J j∈J
j∈J
(1.1)

Pour cette raison, certains auteurs [Mathar & Niessen, 2000] consi-
dèrent cette matrice qu’ils appellent matrice de couverture des
points de service, plutôt que la matrtice des puissances.
Dans ce cas l’association client/serveur est un problème à part entière ; ce pro-
blème est intéressant lorsque l’on considère que la capacité de chaque AP est limitée,
il est alors utile de transférer des points de service d’un AP surchargé vers un AP
moins chargé : c’est l’équilibrage de charge (en anglais, load balancing). Nous en
reparlerons dans le paragraphe 1.2.4 traitant justement des critères de capacité.

Remarque :
Un critère de couverture nécessite de calculer les puissances reçues aux points de
service. Ce calcul est, soit préalable à la phase d’optimisation, soit effectué durant
l’optimisation. Pour effectuer le calcul durant l’optimisation, les auteurs définissent
généralement un modèle empirique de propagation du signal fondé sur la formule
de [Friis, 1946]. Comme ce modèle de propagation est peu fiable, il est préférable
d’avoir défini un nombre de sites candidats finis et de calculer préalablement les puis-
sances reçues aux différents points de service. De plus, effectuer le calcul des puis-
sances durant l’optimisation ralentit considérablement l’exécution de l’algorithme.
Pratiquement cela rend non envisageable le traitement des problèmes de grande taille.
Seul [Runser, 2005] a construit un modèle de propagation fondé sur une véritable
propagation de proche en proche du signal. Ce modèle fournit une bonne estima-
1.2 Critères de planification 25

tion de la puissance reçue aux points de service et le calcul est rapide, de l’ordre
de la seconde par carte de couverture, ce qui permettra sous certaines conditions de
l’intégrer à la phase d’optimisation.

On distingue en général trois critères de couverture : un critère de maximisation


des puissances reçues, un critère basé sur un seuil minimal des puissances reçues
(problèmes de couverture) et un critère de couverture homogène.

Maximisation des puissances reçues

Le critère le plus simple consiste à maximiser les puissances reçues aux


points de service : X
trouver x qui maximise pi ,
i∈I

avec pi = max(pij xj ) la puissance maximale reçue par le point de service i. Nous


j∈J
le trouvons dans [Rodrigues et al., 2000] [Lee et al., 2002] où il est pondéré par
les coefficients de priorité et surfacique. Evidement, maximiser les puissances reçues
équivaut à minimiser l’affaiblissement du signal ; les formalismes basés sur celui
de [Sherali et al., 1996] tels que [Ji et al., 2002] [Kamenetsky & Unbehaun, 2002]
[Unbehaun & Kamenetsky, 2003] [Kouhbor et al., 2005] utilisent ce critère combiné
avec d’autres. Optimiser la moyenne des rapports signal à bruit (Signal-to-Noise-
Ratio, SNR) comme le fait [Maksuriwong et al., 2003] revient exactement au même
problème. [Eisenblätter et al., 2007] approxime le débit des points de service i par
une fonction polynomiale de pi , le problème est alors de :
X
trouver x qui maximise ap2i + bpi + c,
i∈I

avec a, b, c ∈ IR.

Problèmes de couverture

Le second critère de couverture rencontré dans la littérature fait intervenir un


seuil de puissance minimal pmin . Nous rappelons q’un point de service i est
couvert (en puissance) si la plus forte puissance qu’il reçoit est supérieure au seuil :
pi ≥ pmin i.e. aij xj ≥ 1. Ce critère est le plus commun, il peut être exprimé en
P
j∈J
contrainte ou en objectif du problème. Nous appelons problèmes de couverture les
problèmes faisant intervenir ce seuil. Parfois le terme de problème de recouvrement
26 Chapitre 1. Etat de l’art sur la planification

est employé de façon analogue au problème de couverture, nous n’utiliserons cette


appellation car nous réservons ce terme de recouvrement pour signifier qu’une zone
est couverte par au moins deux AP à la fois.
Lorsqu’il est exprimé en contrainte, le problème peut être formulé [Amaldi et al.,
2004b] comme un problème de couverture simple dit SCP, pour Set Covering Pro-
blem :
X X
trouver x qui minimise fj xj s.c. ∀i ∈ I, aij xj ≥ 1, (1.2)
j∈J j∈J

avec fi le coût d’installation du point d’accès j.


[Prommak et al., 2002], [Bahri et al., 2005] n’imposent pas forcément la couver-
ture totale et autorisent une certaine proportion des points de service à ne pas être
couverts, nous parlons alors de couverture partielle à tx % :
X X
trouver x qui minimise fj xj s.c. max(aij xj ) ≥ tx |I|.
j∈J
j∈J i∈I

En effet max(aij xj ) = 1 si et seulement si pi ≥ pmin et zéro sinon d’après l’équa-


j∈J
tion (1.1) et donc max(aij xj ) correspond au nombre de points de service couverts.
P
i∈I j∈J

[Anderson & McGeehan, 1994] définissent une pénalité pour chaque point de
service i non couvert égale à l’écart entre la puissance reçue (pi ) et la puissance seuil
(pmin ), le problème d’optimisation est alors :
X
trouver x qui minimise max(0, pmin − pi ).
i∈I

Ce critère exprimé en objectif du problème est utilisé par [Sherali et al., 1996] et
tous les autres formalismes basés sur celui-ci ( [Ji et al., 2002] [Kamenetsky & Unbe-
haun, 2002] [Unbehaun & Kamenetsky, 2003] [Kouhbor et al., 2005]). [Runser, 2005]
considère également ce critère mais lui fixe une valeur maximale puisque ce critère
n’est pas borné.

Remarque :
En
P réalité [Anderson &2 McGeehan, 1994] considèrent la somme des carrés des écarts
(max(0, pmin − pi )) . En effet, plusieurs auteurs préfèrent des formulations qua-
i∈I
dratiques. En particulier [Runser, 2005] évalue tous les critères (fi )i∈I concernant
rP les
points de service par le calcul de la norme euclidienne pondérée : || f ||µ = µi fi2
i∈I
avec µi le pourcentage de surface couvert par le point de service i par rapport à la
1.2 Critères de planification 27

surface totale à couvrir. En effet la norme euclidienne


q représente à la P fois la valeur
moyenne et l’écart type de la mesure : || f ||µ = σf + f¯2 , où f¯ =
2
µi fi est la
i∈I
moyenne de f pondéré par µ et σf = µi (fi − f¯)2 est son écart type.
P
i∈I

Une autre façon de traiter en objectif ce critère est de maximiser le nombre de


points de service couverts :
X
trouver x qui maximise max(aij xj ).
j∈J
i∈I

Cette façon de maximiser la zone de couverture est utilisée par [Tang et al., 2001],
[Battiti et al., 2003] et [MacGibney & Klepal, 2005] ou par [Fortune et al., 1995]
et [Wright, 1998] qui expriment cela en pourcentage de couverture.
Enfin, certains auteurs comme [Sherali et al., 1996] ou [Rodrigues et al., 2000]
introduisent plusieurs seuils permettant de caractériser plusieurs niveaux de qualité
du signal reçu. A chaque seuil est alors associée une pénalité spécifique, qui croît
à mesure que la qualité du signal se dégrade. L’approche de [He et al., 2004] qui
minimise le taux d’erreur binaire (BER, Bit Error Rate) correspond à définir une
suite continue de pénalités en fonction du niveau de puissance. Selon le service que
l’on souhaite mettre en place, [Runser et al., 2003] associent à chaque point de
service, un seuil minimal de puissance reçue à respecter : pmin
i .

Homogénéité de la couverture

Enfin les derniers critères de couverture présentés sont des critères d’homogénéité
de la couverture. Par exemple [Battiti et al., 2003] maximise la plus faible puissance
reçue par les points de service (le plus mauvais best serveur) :
trouver x qui maximise min(pi ).
i∈I

De façon analogue [Sherali et al., 1996] (et tous les autres formalismes basés sur
celui-ci [Ji et al., 2002] [Kamenetsky & Unbehaun, 2002] [Unbehaun & Kamenetsky,
2003] [Kouhbor et al., 2005]) minimisent la perte maximale de signal comme [Tang
et al., 2001] et utilisent ce critère accompagné de deux autres critères de couverture.
Enfin [Runser, 2005] définit un critère de couverture homogène sous forme qua-
dratique :
trouver x qui minimise ||max(0, p̄ − pi )||µ ,
où p̄ = µi pi est la moyenne des puissances reçues sur les points de service et
P
i∈I
p
i∈I µi fi .
2
P
||fi ||µ =
28 Chapitre 1. Etat de l’art sur la planification

Remarque :
[MacGibney & Klepal, 2005] introduisent la notion de zones interdites ou zones
restreintes correspondant à des endroits qu’ils ne souhaitent pas couvrir. Ils péna-
lisent alors leur fonction objectif si la zone interdite est couverte.

1.2.3 Critères d’interférences

La gestion des interférences est l’aspect critique du problème de planification car,


comme nous l’avons rappelé, ce problème est non consersatif par rapport à la qualité
de service, chaotique et difficilement décomposable.
Le rapport signal à interférences plus bruit (SINR, Signal-to-Interference-plus-
Noise-Ratio) mesure précisément le niveau d’interférence aux points du réseau. Ce-
pendant son calcul nécessite de connaître à la fois les puissances provenant des an-
tennes et l’affectation des fréquences ; il ne peut donc être calculé que si les problèmes
de localisation et d’affectation sont réalisés simultanément.
Or habituellement en planification de réseau, le problème d’allocation des fré-
quences est traité après le problème de positionnement des antennes. Dans ce cas
les concepteurs de réseaux doivent ajouter au problème de positionnement des AP
des contraintes liées aux interférences afin de faciliter le problème d’allocation de
fréquences dans un second temps. Ces contraintes portent sur le recouvrement
entre zones de couverture des AP ou sur des approximations du SINR : écarts
de puissances entre le signal porteur et les signaux interférents, calcul du
SINR sans allocation de fréquences.
Notons que quelques travaux traitent conjointement les problèmes de positionne-
ment des antennes et d’allocation des fréquences, ce qui permet de calculer le SINR
de façon plus complète.

Remarque :
Certains travaux ne tiennent pas compte des interférences : cela revient à considérer
tous les AP indépendamment les uns des autres. La couverture du réseau est simple-
ment la somme des couvertures de chaque point d’accès. Ce problème se réduit alors
à un problème de couverture. Cette approximation reste tout de même correcte pour
les deux cas suivants :
• Les AP sont très éloignés les uns des autres ; c’est-à-dire qu’il n’existe pas
de zone de recouvrement (une zone de recouvrement est une zone de l’espace
couverte par au moins deux AP à la fois).
1.2 Critères de planification 29

• Tous les AP travaillent sur des canaux différents. C’est en réalité rarement le
cas ; en effet pour la norme IEEE 802.11b ou g, par exemple, il existe seulement
3 canaux totalement disjoints, ce qui a pour conséquence que des interférences
peuvent apparaître à partir du positionnement de quatre AP.

Recouvrement entre zones de couverture des AP

Une zone de recouvrement est une zone de l’espace couverte par au moins deux
AP à la fois. Toute zone de recouvrement ne sera pas forcément une zone d’inter-
férence puisque l’on a plusieurs canaux de fréquences à notre disposition. Pénaliser
toutes les zones de recouvrement revient donc à sur-contraindre le problème. [Bosio
et al., 2007] présentent une modélisation dont l’objectif est de minimiser les zones
de recouvrement entre cellules sous contraintes de couverture totale :
XX X
trouver x qui minimise aij xj s.c. ∀i ∈ I, aij xj ≥ 1. (1.3)
i∈I j∈J j∈J

Remarque :
[Bosio et
Pal., 2007] font remarquer que si on pose comme coût d’installation de l’AP
j :fj = aij qui correspond au nombre de points de service couverts par l’AP, alors
i∈I
ce problème (1.3) est un cas particulier du problème de couverture SCP formulé en
(1.2).

[Mathar & Niessen, 2000] minimisent aussi le recouvrement entre cellules.


Sachant que la norme IEEE 802.11b/g définit trois canaux de fréquence disjoints,
le recouvrement ne serait pénalisé que lorsqu’un point de service est couvert par plus
de trois AP.
La notion de recouvrement amène souvent les auteurs à définir un graphe de
recouvrement [Lee et al., 2002] :
est le graphe de recouvrement. Les sommets sont les AP et une
Gr (J, V ) arête relie deux AP dont les zones de couverture se recouvrent ;
c’est-à-dire potentiellement interférents.
(bjj 0 )j,j 0 ∈J est la matrice d’adjacence du graphe de recouvrement Gr (J, V ) :
bjj 0 = max(aij aij 0 ) avec j, j 0 ∈ J. [Eisenblätter et al., 2007]
i∈I
attribuent un coefficient de pondération b0jj 0 à chaque arête du
graphe correspondant à l’importance du recouvrement.
Dans ce cas, il est possible d’interdire ou de minimiser la sélection de deux AP voisins
30 Chapitre 1. Etat de l’art sur la planification

(graphe de sites incompatibles [Mathar & Niessen, 2000]) : ∀j, j 0 ∈ J, bjj 0 xj xj 0 = 0 ;


on peut aussi contraindre la sélection des AP P
afin qu’il n’y ait pas plus de deux
voisins sélectionnés en même temps : ∀j ∈ J, bjj 0 xj xj 0 ≤ 2.
j 0 ∈J\{j}

Le rapport signal à interférences plus bruit

Les critères de recouvrement sont des critères cellulaires ; c’est-à-dire qu’ils concernent
les AP. Pourtant les interférences sont mesurées au niveau de chaque point de service
i grâce au SINR :
[pi ]mW
SIN Ri = P
[pinterférent ]mW × γ(|cserveur − cinterférent |) + [pB ]mW
interférents

où pB est la puissance du bruit thermique, pB = −100 dBm pour la norme IEEE


802.11b/g, pinterférent est la puissance du signal émis par une antenne interférente
et reçue par le point de service i, cserveur est le numéro du canal utilisé par l’AP
serveur du point de service i et cinterférent est le numéro du canal utilisé par l’antenne
interférente. γ(.) est le facteur de protection ; Il correspond à l’atténuation de puis-
sance entre deux signaux portés par des canaux de fréquences différents et dépend
de cet écart de canaux de fréquences. C’est une fonction définie sur [[0; 12]] à valeur
dans [0; 1] pour les normes 802.11b/g. Elle est décroissante et égale à 0 à partir
de la valeur 5 : γ(0) = 1 (pas d’atténuation) et γ(x) = 0 (atténuation totale) pour
5 ≤ x ≤ 12. Dans cette formule les puissances sont exprimées en Watt.
Pour un point de service i, il existe deux types de signaux interférents : les
signaux provenant des autres AP que l’AP serveur de i et les signaux provenant des
autres clients du réseau. Actuellement seuls les signaux provenant des AP sont pris
en compte pour calculer le SINR à l’exception de [Runser, 2005] et [Wong et al.,
2003]. Les signaux provenant des AP sont appelés signaux descendants (downlink en
anglais) et les signaux provenant des clients sont appelés signaux montants (uplink
en anglais). On dit par extension que le SINR est calculé sur le lien descendant
lorsque l’on ne considère que les signaux provenant des AP :
[pi ]mW
SIN Ri = P
xj [pij ]mW × γ(|cserveur − cj |) + [pB ]mW
j∈J\{j ∗ }

où j ∗ désigne l’AP serveur du point de service i : pi = pij ∗ = max(pij xj ).


j∈J

Plus le SINR est important plus la qualité de la liaison radio est bonne et plus
il est possible de mettre en place un codage et une modulation du signal complexe
qui permet un haut débit nominal. Un point de service peut établir une connexion
avec un AP si et seulement si son SINR est supérieur à un seuil SIN Rmin .
1.2 Critères de planification 31

Remarque :
Si nous considérons γ(|cserveur − cj |) = 0, c’est-à-dire qu’il n’y a aucune inter-
férence dans le réseau, alors SIN Ri = [p[pBi ]]mW
mW
= [pi − pB ]linéaire et la contrainte
SIN Ri ≥ SIN Rmin devient pi ≥ pB + [SIN Rmin ]dB = pmin . Nous retombons dans
ce cas sur un problème de niveau de puissance que l’on a déjà présenté dans les
critères de couverture.

Approximation du SINR sans allocation de fréquences

Une première approximation du SINR est de considérer γ(|cserveur − cj |) = 1,


cela permet de ne pas faire d’allocation de fréquence. Si, de plus, nous négligeons le
bruit thermique, alors le SINR devient :
[pi ]mW
SIN Ri = P ,
xj [pij ]mW
j∈J\{j ∗ }

c’est-à-dire le rapport entre le signal le plus élevé et la somme des autres signaux.
[Stamatelos & Ephremides, 1996] font cette approximation et minimisent le
nombre de points de service non couverts, c’est-à-dire n’ayant pas un SINR suffissant
pour établir une communication :
X
trouver x qui minimise δSIN Ri <SIN Rmin (1.4)
i∈I

avec δSIN Ri <SIN Rmin = 1 si SIN Ri < SIN Rmin et δSIN Ri <SIN Rmin = 0 sinon.
[Anderson & McGeehan, 1994] complètent leur modèle de maximisation de la
couverture en ajoutant une pénalité supplémentaire tenant compte du rapport signal
à interférences souhaité :
X
trouver x qui minimise max(0, SIN Rmin − SIN Ri ). (1.5)
i∈I

Ecarts de puissances

Au lieu de considérer la somme des signaux interférents pour le calcul du SINR,


certains auteurs se limitent à ne considérer qu’un seul signal interférent à la fois,
l’approximation du SINR pour l’AP interférente j est la suivante :
[pi ]mW
SIN Ri = = [pi − pij ]linéaire .
[pij ]mW
32 Chapitre 1. Etat de l’art sur la planification

Dans ce cas la contrainte SIN Ri ≥ SIN Rmin est ramenée à considérer un écart de
puissance : pi − pij ≥ [SIN Rmin ]dB . [Aguado-Agelet et al., 2002] traitent ce cas en
maximisant l’écart entre le serveur et le plus fort des interférents :
X
trouver x qui maximise min (pi − pij xj ).
j∈J\{j ∗ }
i∈I

Les écarts de puissances sont plus simples à calculer que le SINR puisqu’il s’agit
de simple comparaison de valeurs entre elles. La modification du paramétrage d’un
AP implique de recalculer seulement ses valeurs de puissance reçue. La couverture,
basée sur la mesure du rapport signal à interférences, demande un effort de calcul plus
important puisqu’il s’agit de combiner l’ensemble des signaux reçus pour calculer
une valeur unique comparée à un seuil. Toute modification du paramétrage d’un AP
implique de recalculer aussi les combinaisons de SINR.
En GSM, [Reininger & Caminada, 2001] et [Jedidi, 2004] identifient les signaux
interférents désirables qui servent au handover 2 et qui ne poseront pas de pro-
blème d’interférences. Il sera possible d’allouer à ces signaux un canal de fréquences
non interférent avec le canal de fréquences du serveur. Les autres signaux poseront
des problèmes d’interférences et sont donc appelés signaux interférents indési-
rables. Les signaux interférents sont ordonnés par ordre de puissance décroissante
et les h premiers signaux interférents sont alors considérés désirables, les suivantes
indésirables.
h est le nombre de signaux interférents désirables.
Pour les GSM, h = 6 c’est-à-dire que les six premiers signaux interférents servent
au handover, les autres sont indésirables. Les auteurs souhaitent que les signaux
interférents indésirables soient inférieurs à un seuil de puissance donné pmin2 :
X X
trouver x qui minimise xj max(pij − pmin2 , 0).
i∈I j∈interférents
indésirables

Le handover est pas défini par la norme 802.11 mais cette modélisation peut être vue
comme une stratégie de gestion des interférents : les h premiers signaux interférents
ne poseront pas de problème d’interférence car il sera possible de leur allouer un
canal de fréquence non interférent avec le canal du serveur. [Runser, 2005] reprend
ce critère pour le 802.11 et minimise l’écart du seuil avec le premier signal interférent
indésirable, en 802.11b/g, c’est le troisième signal interférent :h = 3.

2. Le handover (transfert automatique intercellulaire) est l’ensemble des mécanismes mises en


œuvre permettant qu’une station mobile puisse changer de cellule sans interruption de service.
1.2 Critères de planification 33

SINR avec allocation de fréquences

Dans le cas des réseaux cellulaires, la taille des entrées des problèmes ne permet
pas de concevoir un algorithme qui fournisse une bonne approximation de la solution
optimale de façon efficace i.e. en temps polynomial. Les deux problèmes sont traités
séparément avec des interactions successives jusqu’à l’obtention d’une solution glo-
balement satisfaisante. Mais dans le cas des réseaux WLAN, la dimension réduite
de l’espace de travail et du nombre de fréquences rendent la plupart des problèmes
réels d’ingénierie abordables. Quelques articles témoignent de travaux menés en ce
sens, cependant, nous pouvons regretter que les jeux de données ne concerne que
des problèmes de petite taille (quelques AP, 5 ou 6).
L’objectif de l’étape d’affectation de fréquences est de faire en sorte que les
zones de couverture de deux AP qui se chevauchent ne partagent pas le même canal
(interférences co-canal), ce qui entraînerait des phénomènes d’interférences et donc
une dégradation des performances du réseau. En dehors des interférences co-canal,
l’utilisation des canaux adjacents pour des AP voisins dépend du système : pour la
norme a les canaux sont totalement disjoints ce qui autorise l’utilisation de canaux
adjacents sur le spectre ; pour les normes b/g, les canaux adjacents se recouvrent
partiellement (un écartement de 5 canaux sur le spectre de fréquences est nécessaire
pour que deux canaux soient totalement disjoints) et il est donc nécessaire d’écarter
le maximum possible les canaux pour des AP voisins.
Les travaux de la littérature qui traitent les deux problèmes simultanément ne
considèrent que les interférences co-canal. Nous notons :
K est l’ensemble des canaux de fréquences autorisés par la norme.
yjk est la variable d’affectation du canal k ∈ K à l’AP j ∈ J.
yjk = 1 si on affecte le canal k à l’AP j et yjk = 0 sinon.
j∗ est l’AP serveur du point de test i, j ∗ ∈ J.
Le SINR co-canal est alors :
[pi ]mW
SIN Ri = P P . (1.6)
k∈K j∈J\{j ∗ } yjk yj ∗ k xj [pij ]mW

Le travail présenté par [Wertz et al., 2004] inclut dans la fonction de coût ce calcul
du SIR co-canal avec 3 canaux de fréquences seulement.
X
trouver x et y qui maximise SIN Ri .
i∈I

Il est envisageable de reprendre les modélisations (1.4) et (1.5) avec la nouvelle


définition du SINR et la variable de décision supplémentaire y.
34 Chapitre 1. Etat de l’art sur la planification

[Prommak et al., 2002] formulent un problème de satisfaction de contraintes


qui impose que la somme des signaux interférents utilisant la même fréquence que le
signal porteur soit inférieure à un seuil donné pmin3 ; cela correspond aux contraintes :
X
∀i ∈ I, ∀k ∈ K, yjk yj ∗ k xj pij ≤ pmin3 .
j∈J\{j ∗ }

[Bahri et al., 2005] utilisent aussi cet type de contrainte mais les calculs sont effectués
non pas au niveau des points de service mais seulement au niveau des AP. La notion
de seuil est critique car difficile à déterminer. [Prommak et al., 2002] utilisent trois
classes de service correspondant chacune à un niveau de qualité radio et à un seuil
donné. Il aurait été intéressant de prendre pmin3 = pi + [SIN Rmin ]dBm pour relier le
seuil directement au SIN Ri de l’équation (1.6).
Nous retrouvons dans [Rodrigues et al., 2000], [Lee et al., 2002], [Mathar &
Niessen, 2000] des contraintes portant sur la distance minimale en canaux à respecter
pour des sites potentiellement interférents, ces sites étant représentés par le graphe de
recouvrement Gr (J, V ) que nous avons présenté page 29. Sa matrice d’incidence était
(bjj 0 )j,j 0 ∈J . Deux AP voisines ne devraient pas utiliser le même canal de fréquence.
[Mathar & Niessen, 2000] minimisent alors l’utilisation simultanée de ces AP :
X X
trouver x et y qui minimise bjj 0 yjk yj 0 k xj xj 0 .
k∈K j,j 0 ∈J

Dans [Rodrigues et al., 2000], [Lee et al., 2002] les critères de gestion des inter-
férences sont mis en contrainte du problème :
X
∀k ∈ K, ∀(j, j 0 ) ∈ V, yjk xj + yj 0 l xj 0 ≤ 1
l∈{max(1,k−d+1),
...,min(k+d−1,|K|)}

où d est le nombre de canaux de fréquences d’écart à respecter entre les AP voisines.


[Rodrigues et al., 2000] ont déterminé lors d’une démarche expérimentale la valeur
d = 3 pour la norme IEEE 802.11b. Ce problème aurait pu être modélisé en T -
coloration de graphe (cf. définition 4.1, page 139) avec des valeurs de d variables
pour chaque arête du graphe. Cependant, en fixant d = 3 pour tout le graphe on se
ramène à des contraintes (non nécessaires) d’un problème de 4-coloration de graphe
car sur une bande de 13 canaux, il n’y a que quatre canaux qui soient espacés d’au
moins d = 3 canaux entre eux.
[Eisenblätter et al., 2007] sont les seuls qui utilisent tous les canaux de fréquences
et considèrent ainsi les interférences adjacentes (i.e. entre canaux quise chevauchent
b0

0
partiellement). Si deux sites voisins sont séléctionnés, une pénalité (1+|k−k
jj
0 |)2 in-
versement proportionnelle à l’écart de canaux |k − k | affectés aux AP est ajoutée à
0
1.2 Critères de planification 35

la solution :

|K|
X X b0jj 0 yjk yj 0 k xj xj 0
trouver x et y qui minimise ,
j,j 0 ∈J d=|k−k0 |=0
(1 + |k − k 0 |)n

avec b0jj 0 la pondération de chaque arête du graphe Gr que nous avons présenté dans
la partie 1.2.3. Les auteurs prennent dans leur exemple n = 2. Cette formulation est
intéressante car elle intégre implicitement un problème de T -coloration de graphe à
13 couleurs au problème de positionnement des AP.

1.2.4 Critères de capacité

Pour évaluer la performance d’un réseau, quel qu’il soit, une mesure fondamentale
et assez naturelle consiste à estimer sa capacité à écouler le trafic demandé (ou émis)
par les différents utilisateurs. Ce n’est cependant pas le cas de toutes les études de la
littérature, dont un grand nombre considère implicitement ou explicitement [Tang
et al., 2001] que la capacité des AP est largement suffisante pour absorber l’ensemble
du trafic des utilisateurs.

On distingue dans la littérature deux types de contraintes sur la capacité des


AP.
Soit cette capacité est fixe et nous retrouvons les contraintes habituelles des pro-
blèmes d’installation d’infrastructures avec capacité. Dans ce cas nous nous inté-
ressons au nombre de clients associés à chaque AP ou de façon plus précise à la
demande des clients associés à chaque AP.
Soit la capacité des AP est variable selon les paramètres du problème. Il est
nécessaire dans ce cas d’analyser les protocoles d’accès au canal pour la norme IEEE
802.11 [Bianchi, 2000]. Nous nous apercevons alors que la capacité varie non seule-
ment selon le nombre de clients associés à chaque AP mais aussi en fonction de la
répartition de ces clients selon leur débit nominal. Nous introduisons les notations
suivantes :
36 Chapitre 1. Etat de l’art sur la planification

zij est la variable d’association entre le point de service i et l’AP j : zij = 1


si le point de service i est associé à l’AP j et zij = 0 si le point de service
i n’est pas associé à l’AP j. L’AP doit nécessairement être ouverte pour
qu’un point de service lui soit associé donc : ∀i ∈ I, j ∈ J, zij ≤ xj
Comme nous l’avons déjà signalé, la grande majorité de la littérature
considère l’association au meilleur serveur, c’est-à-dire que zij = 1 pour
j = j ∗ avec pij ∗ = maxj∈J (pij xj ). Dans ce cas cette variable n’est plus
une variable de décision puisqu’elle dépend totalement de x. Cepen-
dant quelques articles, dont en particulier [Lee et al., 2002], considèrent
l’association point de service/AP comme une variable de décision qui
permet d’équilibrer les charges entre les AP.
di est la demande en débit du point de service i ∈ I.
Cj est la capacité de l’AP j ∈ J. Cj = CAP si la capacité est fixe.

Nombre maximum de clients par AP

Une première manière relativement simple et naturelle pour modéliser la capacité


des AP sous forme de contrainte consiste à limiter le nombre des clients associés à
chaque AP [Rodrigues et al., 2000].
X
∀j ∈ J, zij ≤ nbmax (1.7)
i∈I

où nbmax est le nombre de points de service maximal par AP.

Capacité maximale et minimale par AP

[Prommak et al., 2002] et [Bahri et al., 2005] imposent que la capacité de chaque
AP CAP soit suffisante pour permettre l’écoulement du trafic des points de demande
qui lui sont rattachés :
X
∀j ∈ J, di zij ≤ CAP (1.8)
i∈I

En effet di zij est la demande écoulée par l’AP j. A cette capacité maximale,
P
i∈I
[Prommak et al., 2002]
 garantissent également qu’une portion α ∈ [[0, 1]] de la de-
mande totale di est réellement servie ; c’est une contrainte de capacité mini-
P
i∈I
male : XX X
di zij ≥ α di
j∈J i∈I i∈I
1.2 Critères de planification 37

Equilibrage de charge et handover

Il est possible de répartir équitablement les points de service en agissant sur la


variable z afin de respecter les contraintes des équations (1.8) et (1.7). [Lee et al.,
2002] tentent d’homogénéiser les charges des AP en minimisant la charge de l’AP
la plus chargée.

X
trouver x et z qui minimise max di zij . (1.9)
j∈J
i∈i

Ils proposent de faire évoluer leur modèle en considérant une capacité d’AP
variable Cj
P
di zij
i∈i
trouver x et z qui minimise max .
j∈J Cj

Débit par client

Certaines études estiment de façon plus précise la capacité réelle des AP. Il est
nécessaire de rendre compte du protocole d’accès au canal CSMA/CA (Carrier Sen-
sing Multiple Access with Collision Avoidance) de la couche MAC de la norme IEEE
802.11. Une étude très référencée a été réalisée par [Bianchi, 2000] pour calculer la
probabilité des clients d’accéder au canal et in fine la capacité de l’AP en régime
saturé en fonction du nombre de clients et de la répartition des clients selon leur
débit nominal. Elle utilise une chaîne de Markov pour modéliser l’accès au canal.

[Ling & Yeung, 2005] utilisent les calculs de [Bianchi, 2000] pour déterminer la
probabilité d’accéder au canal d’un point de service i. Ils maximisent alors la somme
des débits de chaque point de service :

X
trouver x et z qui maximise β dri .
i∈I

avec :
38 Chapitre 1. Etat de l’art sur la planification

paccès
i est la probabilité d’accéder au canal du point de service i :
paccès
i (x, z). Son calcul est basé sur les travaux de [Bianchi, 2000].
r
di est le débit réel du point de service i :

dri = paccès
i × dni × efficacitéi .

dni est le débit nominal du point de service i ; dans les modèles de la


littérature, il dépend uniquement de la puissance reçue par le point
de service i : dni (pi ). On verra dans le chapitre suivant qu’il est
fonction aussi du SINR : dni (SIN Ri ). C’est une remarque très
importante car cela permet d’intégrer l’allocation des fréquences au
calcul du débit, ce qui n’est pas le cas dans [Runser, 2005] et [Ling
& Yeung, 2005] pour lesquels il est nécessaire d’ajouter d’autres
critères concernant les interférences.
efficacitéi est le rapport entre les données utiles et les données transmises
par le point de service i. Elle dépend du débit nominal du point de
service i : efficacitéi (dni ).
β est un coefficient d’homogénéité du débit entre les points de service :
r 2
P 
i∈I di
β= .
|I| i∈I (dri )2
P

Le modèle analytique de [Lu & Valois, 2006] approfondit l’étude de [Bianchi,


2000] et calcule la probabilité d’accès au canal d’un point de service i en fonction
de la répartition des clients de la cellule selon leur débit nominal paccès
i (x, z, dn ). Au
final [Jaffrès-Runser et al., 2008] minimisent l’écart entre le débit souhaité et le débit
fourni au point de service i (l’association point de service/AP est au best serveur
alors z n’est pas une variable de décision) :

trouver x qui minimise || max(0, di − dri )||µ .

Zones de blocage

[Amaldi et al., 2004a] [Amaldi et al., 2004b] ont une démarche originale : ils
se penchent sur le mécanisme d’accès au canal CSMA/CA qui limite la capacité
d’accès au réseau lorsqu’il y a des interférences entre cellules. En effet, un client,
situé dans une zone d’interférences, appartient à plusieurs cellules à la fois. Il reçoit
des signaux de différents AP et s’associe avec l’un d’entre eux (AP serveur). Lorsqu’il
communique avec son AP serveur, il bloque les communications des clients de
l’ensemble des cellules auxquelles il appartient.
1.2 Critères de planification 39

Ils définissent donc des zones de blocages que l’on peut représenter par une
matrice (uii0 )i,i0 ∈I telle que : uii0 = max(aij ai0 j xj ) avec (aij )i∈I la matrice binaire de
j∈J j∈J

couverture définie dans la partie 1.2.2. En pratique, on a uii0 = 1 si les points de


service i et i0 peuvent être couverts par le même AP et uii0 = 0 dans le cas contraire.
Cette matrice est la matrice d’adjacence d’un graphe dont les sommets sont les
points de service et les arêtes relient deux points de service ne pouvant pas accéder
simultanément au canal, les points de service se bloquent mutuellement. En effet,
lorsqu’un point de service envoie des données à son AP serveur, il occupe le canal et
empêche donc un certain nombre d’autres points de service d’accéder au canal. [Bosio
et al., 2007] réalisent l’affectation des canaux de fréquences en même P temps que le
positionnement, ils élargissent donc la définition en posant : v ii0 = k∈K yik yi0 k uii0 .
vii0 représente donc le nombre de points de service bloqué par le point de service
P
i0 ∈I
i, c’est aussi le nombre de points de service qui bloqueront le point de service i.
En supposant la demande uniforme, les auteurs estiment donc le débit du point de
service i inversement proportionnel au nombre de points de service bloquants. Leur
objectif est alors de maximiser la capacité totale, somme des débits de tous les points
de service : X 1
trouver x et y qui maximise P .
i∈I
v ii0
i0 ∈I

Ils formulent aussi leur objectif sous forme quadratique et proposent également une
optimisation homogène qui tente à maximiser les points de service pénalisant le plus
la capacité du réseau :
1
trouver x et y qui maximise min P .
i∈I
i0 ∈I vii0

La majorité des modélisations de la littérature optimisent selon plusieurs des


critères de qualité de service que nous avons présentés. Ces critères sont traités soit
en objectifs, soit en contraintes du problème. Certains comme [Prommak et al.,
2002] ont une formulation uniquement en satisfaction de contraintes, mais la ma-
jorité des modèles agrègent les différents critères à optimiser dans une formulation
mono-objectif. Nombreux articles [Runser, 2005], [Kouhbor et al., 2005] posent alors
la difficile question des pondérations relatives entre les différents critères
de qualité de service. Pour pallier cet inconvénient, [Jaffrès-Runser et al., 2008]
proposent des optimisations muti-objectifs entre les critères de qualité de service.
Ils présentent aussi des approches bi-objectifs plus classiques : économique vs qua-
lité. Mais la diversité des critères de qualité de service (couverture, interférence et
capacité) et la façon de les considérer les uns par rapport aux autres demeurent un
inconvénient majeur pour comparer les modèles. La table 1.1 récapitule les critères
utilisés dans la littérature.
40 Chapitre 1. Etat de l’art sur la planification

Eco. Couverture Interférences Capacité


max pb homog. recouv. écart SINRAFP fixe équi. débit
puiss.couv. puiss.
[Aguado-Agelet et al., 2002] × × ×
[Amaldi et al., 2004b] × × × ×
[Anderson & McGeehan, 1994] × × ×
[Bahri et al., 2005] × × × × ×
[Bosio et al., 2007] × × × ×
[Eisenblätter et al., 2007] × × × ×
[Fortune et al., 1995] ×
[He et al., 2004] × ×
[Jaffrès-Runser et al., 2008] × × × ×
[Ji et al., 2002] × × ×
[Kamenetsky & Unbehaun, 2002] × × ×
[Kouhbor et al., 2005] × × ×
[Lee et al., 2002] × × × × ×
[Ling & Yeung, 2005] × ×
[Lu et al., 2006] × × × ×
[Maksuriwong et al., 2003] × ×
[Mathar & Niessen, 2000] × × × ×
[Prommak et al., 2002] × × × ×
[Rodrigues et al., 2000] × × × ×
[Jaffrès-Runser et al., 2006] × × × ×
[Sherali et al., 1996] × × ×
[Stamatelos & Ephremides, 1996] × ×
[Tang et al., 2001] × × × ×
[Wertz et al., 2004] × × ×
[Wong et al., 2003] × × ×

Table 1.1 : Tableau récapitulatif des critères d’optimisation de la littérature

Abréviations de la table 1.1 :


Eco. signifie qu’un critère économique (coût financier ou nombre d’AP ) est considéré.
Couverture max puiss. : maximisation des puissances reçues.
pb. couv. : problèmes de couverture (fait intervenir un seuil de puissance mini-
male).
homog. : critère d’homogénéité de la couverture.
Interférences recouv. : critère de recouvrement entre zones de couverture des AP.
ecart puiss. : critère sur les écarts de puissances.
SINR : calcul même approché du SINR.
AFP : Automatic Frequency Planning, signifie que l’allocation de fréquences est
intégrée au problème de positionnement.
Capacité fixe : la capacité maximale d’un AP est considérée mais elle est fixe.
équi. : critère d’équilibrage de charge et handover. Le problème fait intervenir une
variable de décision supplémentaire qui est l’association client/AP ; cela permet
d’équilibrer la charge totale entre les AP.
débit : le critère de débit est considéré.

1.3 Performances algorithmiques


Comme nous venons de le remarquer, il existe une multitude de formulations pos-
sibles pour le problème de planification de réseaux WLAN. Les algorithmes utilisés
pour résoudre ces problèmes sont aussi très variés et une classification par algorithme
ne comporte que peu d’intérêt. Par contre il est intéressant de faire ressortir trois
1.3 Performances algorithmiques 41

caractéristiques importantes de ces algorithmes. D’abord il y a la stratégie d’opti-


misation utilisée : soit le problème de placement des émetteurs est traité séparément
du problème d’affectation des fréquences, la stratégie d’optimisation est dite séquen-
tielle ; soit les deux problèmes sont traités conjointement, la stratégie d’optimisation
est dite globale. La seconde caractéristique importante est le modèle de propaga-
tion des ondes radio que le système utilise. En effet, la précision du modèle influe
fortement sur la qualité de la solution. Enfin la troisième caractéristique importante
d’un algorithme est la taille des problèmes qu’il peut traiter. Combien de points
d’accès peut-il placer ? Combien de points de service peut-il estimer ?

1.3.1 Stratégies d’optimisation séquentielle et globale


La planification de réseaux locaux sans fil est souvent décomposée en deux sous
problèmes : le problème de placement des AP et le problème d’allocation des fré-
quences. Ces deux problèmes sont souvent étudiés séparément dans les réseaux sans
fil (cellulaire :GSM, UMTS, EDGE et locaux : 802.11). Lorsque les problèmes sont
traités successivement (on fixe d’abord les positions des antennes, puis on alloue les
fréquences) il est nécessaire d’ajouter au problème de placement des critères rendant
compte des interférences afin de faciliter le problème d’allocation de fréquences dans
un second temps. Dans les WLAN, ces ajouts sous-estiment ou surestiment toujours
les interférences biaisant ainsi le problème.
Récemment on constate que de plus en plus d’auteurs [Rodrigues et al., 2000],
[Mathar & Niessen, 2000], [Lee et al., 2002], [Prommak et al., 2002], [Wertz et al.,
2004], [Bahri et al., 2005], [Ling & Yeung, 2005], [Bosio et al., 2007], et [Eisenblätter
et al., 2007] traitent les problèmes conjointement et rendent ainsi compte d’une
meilleure réalité des interférences. Cependant nous pouvons regretter que :
D’une part, les auteurs ne considèrent que les trois canaux totalement disjoints (pour
la norme 802.11b/g qui est la norme la plus étudiée) et limitent ainsi leurs études
aux interférences co-canal. Théoriquement cela revient à intégrer une 3-coloration
de graphe au problème de placement. Seuls [Eisenblätter et al., 2007] traitent les
problèmes conjointement avec toutes les fréquences autorisées par la norme.
D’autre part, la mesure des interférences est souvent binaire, c’est-à-dire que les
auteurs se contentent de déterminer si il y a ou pas interférence co-canal.
Seuls [Prommak et al., 2002], [Wertz et al., 2004], et [Bahri et al., 2005] mesurent
plus précisément ces interférences en calculant le SINR. La table 1.2 récapitule les
différentes stratégies employées.

Remarque :
Le problème d’allocation de fréquences est un problème en soi et nous n’allons pas
dresser un panorama de l’ensemble des méthodes utilisées pour ce problème lorsque
42 Chapitre 1. Etat de l’art sur la planification

celui-ci est traité seul, c’est-à-dire non conjointement avec le placement des AP. No-
tons cependant deux travaux récents et originaux pour l’allocation de fréquences des
WLAN [De La Roche et al., 2006] et de [Haidar et al., 2008]. Ces auteurs basent
leur optimisation sur le calcul du SINR et rendent ainsi compte des interférences
des signaux adjacents en permettant l’utilisation de tous les canaux de fréquences.

1.3.2 Modèle de propagation des ondes radio


La qualité d’une planification automatique dépend en grande partie du modèle
de propagation des ondes radio utilisé. En effet, l’évaluation des critères de qualité
de service (couverture, niveau d’interférences et capacité) est basée sur le calcul des
puissances reçues au niveau des points de service.
On distingue principalement trois type de modèles utilisés dans les travaux de la
littérature.
Les modèles de propagation circulaire sont les plus simples : la couverture d’un
AP est un cercle dont le rayon définit la portée.
Les modèles d’affaiblissement basés sur la formule de Friis [Friis, 1946] qui
estiment la puissance reçue par le point de service selon la distance de l’émetteur,
le fréquence de l’onde radio, le type d’environnement (bureau, espace libre). Ces
modèles intègrent souvent des affaiblissements liés aux obstacles traversées par le
rayon direct reliant l’émetteur et le point de service. Ce modèle est largement le
plus utilisé dans la littérature car il est simple à mettre en œuvre et assez rapide
en temps de calcul ; cependant des erreurs de puissances de plus de 10 dB peuvent
souvent être observées.
Les modèles de propagation à lancer de rayons estiment la puissance reçue
en considérant plusieurs trajectoires de rayons (avec réflexions) entre l’émetteur et
le point de service. Plus il y a de rayons calculés, plus le modèle est précis. Ces
modèles peuvent donc avoir une bonne précision (inférieure à 10 dB ) mais leur
temps de calcul devient vite important.
Notons enfin un nouveau modèle de propagation des ondes radio, nommé
MR-FDPF (Multi-Resolution Fourier Domain ParFlow ), développé par les équipes
du laboratoire CITI de l’INSA de Lyon [Gorce et al., 2007]. Ce modèle, adapté à
une planification automatique des WLAN [Runser, 2005], est très intéressant car il
permet un calcul rapide et précis (erreur de moins de 5 dBm) de la couverture d’un
AP.
Les modèles de planification qui n’optimisent pas les paramètres des AP (puis-
sance d’émission, azimut, diagramme de rayonnement) peuvent calculer, avant la
phase d’optimisation, les cartes de couverture (puissances reçues aux points de ser-
vice du réseau) des AP potentiels. Ainsi, ils n’auront plus besoin d’utiliser de modèles
1.3 Performances algorithmiques 43

de propagation au cours de l’optimisation, ce qui présente un gain de temps considé-


rable. Choisir de considérer les paramètres des AP implique donc l’utilisation d’un
modèle de propagation lors de l’optimisation. De même optimiser le placement des
AP à l’aide de variables continues (x, y, z) ∈ IR3 (i.e. infinité de sites candidats)
nécessite de recalculer la carte de couverture à chaque déplacement d’AP, ce qui est
très lourd en temps de calcul et ne permet pas une optimisation efficace à grande
échelle. La table 1.2 récapitule les modèles de propagation utilisés dans la littérature
et indique aussi si les paramètres des AP sont considérés.

Remarque :
Le calcul de la propagation des signaux montants (c’est-à-dire émis par les stations
clients, les signaux descendants étant les signaux émis par les AP) peut être inté-
ressant pour estimer les interférences et les nœuds cachés. Cependant très peu de
travaux de la littérature [Runser, 2005], [Wong et al., 2005] les considèrent. Ceci est
dû au temps trop long nécessaire aux calculs de la propagation des signaux montants.

1.3.3 Taille des problèmes


Pour des WLAN de petite taille comptant cinq ou six AP, le problème d’inter-
férences est quasiment inexistant et une planification manuelle par un expert peut
s’avérer rapide et très performante. Cependant notre objectif est de pouvoir traiter
des problèmes de grande taille, c’est-à-dire de plus de cinquante AP et pouvant dé-
passer une centaine d’AP. Ces WLAN de grande taille ne peuvent pas être planifiés
manuellement de façon satisfaisante et un outil automatique est alors nécessaire. Les
travaux de la littérature sont comparés par rapport à la taille des problèmes qu’ils
traitent. Cela fournit des informations pertinentes sur ce qui est réalisable ou pas.
Trois caractéristiques donnent un bonne idée de l’ordre de grandeur d’un problème :
le nombre de sites candidats qui définit l’espace de recherche du problème de lo-
calisation, le nombre de sites sélectionnés par la solution finale qui correspond au
nombre d’AP qu’il va falloir installer, c’est la caractéristique la plus significative,
et le nombre de points de service considérés, sur lesquels les critères de qualité de
service sont calculés. On distingue trois classes de problèmes selon le nombre d’AP
à installer : moins de 10 AP, de 10 à 20 AP, et plus de 20 AP.
Les travaux qui traitent de moins de 10 AP datent souvent d’avant 2002 [She-
rali et al., 1996]. Ils intègrent parfois le modèle de propagation à l’optimisation
(car ils réalisent des positionnements continus [Kouhbor et al., 2005]) ou optimisent
simultanément les deux problèmes (placement d’AP et allocation de fréquences) [Ei-
senblätter et al., 2007], [Prommak et al., 2002], [Rodrigues et al., 2000], [Wertz et al.,
2004].
44 Chapitre 1. Etat de l’art sur la planification

Les travaux qui traitent de 10 à 20 AP sont plus récents : [Ling & Yeung,
2005], [Runser, 2005], [Wong et al., 2005], [Maksuriwong et al., 2003].

Les travaux qui traitent de plus 20 AP sont a priori ceux qui nous intéressent
le plus. Cependant les problèmes sont souvent non réalistes : pas de bâtiment
réel, topologie aléatoire, approximation circulaire de la propagation, [Amaldi et al.,
2004a], [Bosio et al., 2007], et [Lee et al., 2002], avec des modèles de propagation
de type équation de Friis trop simplistes [Mathar & Niessen, 2000] et [Bahri et al.,
2005].

On constate donc que les modèles les plus complets sont souvent appliqués à
des instances de petite taille tandis que les modèles les moins réalistes peuvent
traiter des problèmes de grande taille. Cependant de bons compromis ont été réalisés
par [Runser, 2005] ou [Bahri et al., 2005] par exemple. Notre but est de faire les bons
choix pour, à la fois avoir un bon modèle de propagation des ondes radio, considérer
l’ensemble des paramètres des AP, traiter les problèmes de placement et d’allocation
de fréquences simultanément et rendre compte des interférences par le calcul complet
du SINR, cela pour des problèmes de grande taille.

Remarque :
A priori, il n’y a pas de restriction sur les algorithmes à utiliser pour résoudre les
problèmes de planification de réseaux locaux sans fil. La littérature offre d’ailleurs
une grande variété d’exemples comme le montre la table 1.2. Cependant, les mé-
thodes exactes ne sont pas adaptées aux problèmes qui nous intéressent, c’est-à-dire
de grande taille. Elles sont tout de même parfois utilisées dans la littérature. Leur
intérêt est de prouver que sur de très petits exemples de quelques AP, la solution trou-
vée par un algorithme approché est identique à celle de la méthode exacte et donc
optimale. C’est le cas de l’énumération proposée par [Runser, 2005] pour valider sa
recherche Tabou. Lorsque le problème a été modélisé sous la forme de programmes
linéaires en variables binaires ( [Rodrigues et al., 2000], [Lee et al., 2002]) le logi-
ciel CPLEX d’ILOG est souvent utilisé et trouve la solution optimale sur de petites
instances. Cependant dès que les problèmes sont de plus grande taille, CPLEX est
utilisé comme un algorithme approché puisqu’il est stoppé après un temps d’exécu-
tion donné. [Mathar & Niessen, 2000] utilisent aussi CPLEX pour trouver l’optimum
global au problème relaxé (variables réelles), ce qui donne une borne minimale à leur
problème à variables entières.
1.4 Méthodes d’évaluation 45

sites nombre Optimisation Modèle puiss.


nb nb point de AFP SINR propag. émiss. Algorithmes
cand. sélé. service co-c.adj-c.
[Aguado-Agelet et al., 2002] ∞ 3 400 Friis Q-N,Simplex,AE
[Amaldi et al., 2004b] 50 45 300 cercle G+RL
[Anderson & McGeehan, 1994] fixe 4 rayons RS
[Bahri et al., 2005] 400 75 600 × Friis × Tabou
[Bosio et al., 2007] 30 29 100 × cercle G+RL
[Eisenblätter et al., 2007] 32 8 798 × rayons CPLEX
[Fortune et al., 1995] ∞ 2 1000 rayons Simplex
[He et al., 2004] ∞ 2 rayons DIRECT
[Jaffrès-Runser et al., 2008] 256 11 449 × MR-FDPF RT
[Ji et al., 2002] ∞ 3 Friis Q-N,Simplex,
AE,RS,DG
[Kamenetsky & Unbehaun, 2002] 112 8 112 Friis RL,RS
[Kouhbor et al., 2005] 3000000 13 75 Friis DGD
[Lee et al., 2002] 25 13 100 × cercle CPLEX
[Ling & Yeung, 2005] 15 10 200 × rayons RL
[Lu et al., 2006] 257 11 12600 MR-FDPF RT
[Mathar & Niessen, 2000] 504 25 974 × cercle RS
[Prommak et al., 2002] 4 90 × × Friis ×
[Rodrigues et al., 2000] 6 6 × Friis CPLEX
[Wertz et al., 2004] 57 8 10000 × × rayons RL

Table 1.2 : Tableau récapitulatif des stratégies d’optimisation des articles de la littérature

Abréviations de la table 1.2 :


sites nb cand. nombre maximum de sites candidats traités dans les instances de l’article. S’il est
égal à ∞, cela signifie que l’optimisation du placement est continue.
sites nb sélé. nombre maximum de sites sélectionnés dans les instances de l’article.
AFP Automatic Frequency Planning, signifie que l’allocation de fréquences est intégrée
au problème de placement.
co-c. signifie que l’AFP est réalisée mais seulement en utilisant les canaux totalement
disjoints, seules les interférences en co-canal sont considérées.
adj-c. signifie que l’AFP est réalisée en utilisant tous les canaux disponibles, les inter-
férences des canaux adjacents sont considérées.
SINR signifie que le calcul du SINR est effectué.
Modèle propag. Friis : modèle de propagation basé sur la formule de Friis ;
cercle : modèle de propagation circulaire ;
rayons : modèle de propagation basé sur le lancer de rayons.
MR-FDPF : modèle de propagation du CITI de l’INSA de Lyon.
puiss. émiss. la puissance d’émission est une variable de décision du problème.
Algorithmes Q-N : Quasi-Newtown
AE : Algorithmes Evolutionnaires
G : Glouton
DG : simple Descente par Gradient
DGD : simple Descente par Gradient Discret
RL : Recherche Locale
RT : Recherche Tabou
RS : Recuit Simulé

1.4 Méthodes d’évaluation


Il n’est pas sûr que la solution obtenue à la sortie de l’optimisation ait les qualités
requises. Les raisons principales sont que les critères de qualité de service utilisés
46 Chapitre 1. Etat de l’art sur la planification

dans l’algorithme ne sont qu’approchés, que les phénomènes d’interférences sont


très sensibles et que le modèle de propagation des ondes radio utilisé est peu fiable.
D’autre part il est important que la solution soit robuste vis à vis de la charge du
réseau et des positions des clients.
Le premier type d’évaluation utilise le modèle analytique déjà utilisé lors de
l’optimisation (contraintes ou objectif) mais dans des configurations de demandes
différentes, et permet donc d’évaluer la robustesse de la solution. Le second type
d’évaluation est d’utiliser un simulateur de réseau WLAN qui teste des scénarios.
Enfin, le troisième type d’évaluation correspond au retour d’expériences de déploie-
ments réels.

1.4.1 Evaluation analytique et robustesse

Bien souvent l’évaluation analytique des solutions de réseaux est faite en conser-
vant les mêmes formulations que les critères d’optimisation mais en faisant varier
les paramètres de charge du réseau. On teste donc dans ce cas la robustesse du
réseau solution par rapport à la variation de la demande. Un réseau solution est
robuste si la variation de donnés d’entrée (demande, carte des puissances reçues...)
n’entraine pas une variation trop importante de la qualité de la solution.
[Lee et al., 2002] évaluent le critère de charge du canal mentionné à l’équation
(1.9) sur un réseau dont on accroît le nombre de points de service. L’étude montre
que la courbe d’utilisation du canal par AP est à rendement décroissant et admet
une asymptote. Il serait également intéressant de tester la robustesse d’un réseau
solution par rapport à la variation des puissances reçues.
[Hills et al., 2004] développent un modèle qui permet d’évaluer la puissance du
signal dans un bâtiment lors d’une reconfiguration d’un réseau WLAN existant. En
effet lorsqu’une configuration a réellement été mise en place dans un bâtiment et que
l’on a mesuré expérimentalement le signal dans le bâtiment, il est souvent nécessaire
de faire quelques corrections en augmentant ou en diminuant la puissance d’un AP
ou en déplaçant certains AP. Les auteurs ont développé un modèle qui permet
d’estimer les nouvelles puissances du signal lorsque l’on effectue ces modifications.
Cette méthode appliquée dans les bâtiments de leur université a donné de bons
résultats. Les écarts de puissance avec les valeurs mesurées sont en général de l’ordre
de 3 dB et sont inférieurs à 5 dB. Dans leur modèle, ils représentent un bâtiment
de plusieurs étages sous forme d’un graphe dont les sommets sont soit des AP soit
des points de mesure du signal. Les sommets de type point de mesure sont pondérés
par une valeur qui correspond à la différence entre la puissance réellement reçue
par le point de mesure (mesure effectuée lors de la configuration mise en place) et
l’estimation de la puissance reçue par le point de mesure (estimation effectuée avec
1.4 Méthodes d’évaluation 47

la formule de Friis [Friis, 1946] en vue directe). Les arêtes du graphe, reliant les
AP spatialement les plus proches, sont pondérées par la différence des poids de leurs
deux AP adjacents. C’est la pondération de ces arêtes qui va permettre de recalculer
la puissance du signal lorsque l’on déplace un AP. Notons que pour ce modèle, un
AP peut être déplacé sur n’importe quel point de mesure.
[Bianchi, 2000] propose un modèle analytique de débit pour estimer les per-
formances d’un réseau 802.11 utilisant DCF (Distributed Coordination Function).
Le modèle est restreint au cas où le nombre de clients est fini et dans des conditions
de canal idéales i.e. sans interférences. Le modèle est basé sur une chaîne de Markov
pour simuler les états du backoff du protocole d’accès et prend en compte les méca-
nismes RTS/CTS (Request-To-Send/Clear-To-Send ). Les problèmes de conception
étudiés dans [Runser, 2005] utilisent ce modèle pour la partie évaluation du débit et
donc permettent une vue plus précise du fonctionnement des réseaux optimisés.

1.4.2 Evaluation par simulation

Des techniques de simulation peuvent être employées pour représenter des phé-
nomènes stochastiques faisant intervenir des probabilités dont on ne dispose pas
d’expression analytique.
Ainsi, le modèle d’optimisation de la conception des réseaux mobiles utilisant des
antennes adaptatives présenté dans [Stamatelos & Ephremides, 1996] fait appel à la
simulation pour traiter de manière précise les interférences. Les auteurs emploient
une distribution de Poisson pour obtenir une répartition des mobiles dans chaque
cellule et le processus de simulation est composé des étapes suivantes : pour une
configuration donnée des stations de base, les cartes de couverture et d’interférences
sont établies grâce à un modèle de lancer de rayons (qui est plus précis mais plus coû-
teux que le modèle d’atténuation statistique utilisé lors de la phase d’optimisation).
Ensuite, une génération aléatoire des mobiles dans l’environnement est réalisée. Pour
chaque mobile situé dans la zone d’interférences, on détermine les faisceaux activés
qui s’intersectent en ce point et on teste la présence d’interférences.
Bien que la description de la démarche ne soit pas complètement détaillée, [Jin
et al., 2003] utilisent le logiciel de simulation OPNET dans le cadre de la mise en
place d’un réseau WLAN dans une salle de classe. La simulation leur permet de
déterminer les paramètres du modèle à employer et d’estimer leur impact sur la
qualité du résultat, en terme de débit. Les auteurs s’intéressent ainsi aux distances
entre les stations, à la taille des buffers pour la carte d’interface réseau, ainsi qu’à
la taille des fragments de données. Deux topologies différentes sont testées pour le
placement des AP : il ressort des expériences menées qu’une configuration en étoile,
où l’AP est placé au centre des clients est plus efficace qu’une configuration classique
48 Chapitre 1. Etat de l’art sur la planification

pour les salles de classe, pour laquelle l’AP est placé devant les clients alignés. Ces
résultats sont confirmés par des mesures effectuées sur le terrain.

1.4.3 Retour d’expériences sur quelques déploiements

Le déploiement réel de réseau WLAN à grande échelle ne fait que débuter et il


est intéressant d’en faire un retour d’expérience.
[Rodrigues et al., 2000] décrivent l’expérience menée pour la mise en place
réelle d’un réseau WLAN dans un espace de bureaux. Dans un premier temps,
l’espace à couvrir est décomposé en carrés identiques, dont la taille est déterminée
de manière à ce que chaque carré n’appartienne qu’à une seule pièce. Parallèlement,
les sites potentiels pour installer les AP sont déterminés en fonction des coûts de
mise en place, de la portée qui en résulterait, du matériel disponible et de la sécurité
et de la flexibilité offertes. Plutôt que d’évaluer le niveau de signal reçu en chaque
carré de demande de la part de chaque AP, ce qui serait extrêmement fastidieux,
les carrés de demande sont regroupés en petites zones pour lesquelles on effectue
une mesure globale. On suppose alors la valeur du signal identique pour tous les
carrés appartenant à la même zone. Les auteurs ayant par ailleurs constaté que la
qualité du signal varie selon l’orientation du mobile, plusieurs mesures sont effectuées
pour chaque zone : les valeurs extrêmes sont éliminées et la moyenne est calculée
pour les valeurs restantes. C’est cette valeur qui est considérée par la suite comme
représentative du signal reçu. Afin d’évaluer l’impact des interférences sur le débit
global du réseau, différents scénarios sont testés. Les expériences ainsi menées ont
permis d’établir qu’une distance minimale de trois canaux est nécessaire pour éviter
des interférences entre deux AP proches, c’est-à-dire potentiellement interférents.
La solution optimale du modèle linéaire en variables booléennes, obtenue grâce à
CPLEX, est retenue pour la mise en place du réseau.
[Hills, 2001] décrit la mise en place réelle d’un réseau WLAN sur un campus
de grande taille (environ 300 000 m2 ). Le problème consiste à positionner les AP et
à leur affecter l’une des trois fréquences non interférentes de la norme 802.11b. La
densité d’utilisateurs est prise en compte, ce qui conduit à des zones à forte den-
sité (hot spots). Deux techniques sont envisagées pour satisfaire les demandes dans
de telles zones : d’une part, il est possible d’augmenter le seuil de sensibilité
des récepteurs, ce qui réduit la zone de couverture de chaque AP et permet ainsi
d’augmenter leur nombre ; d’autre part, on peut également augmenter la capacité
des AP en utilisant plusieurs fréquences différentes par cellule. Les solu-
tions envisageables actuellement sont la co-placement de plusieurs AP et les cartes
d’accès sans-fil multiple sur la même AP (dual-port). Pour la plus grande partie du
territoire, composée de zones à faible densité, la conception est réalisée en suivant
1.4 Méthodes d’évaluation 49

des considérations de couverture, et en cherchant à minimiser le nombre d’AP em-


ployés. Au contraire, dans les zones à forte densité, la satisfaction des demandes est
plus difficile et l’on est contraint d’augmenter la capacité en installant plusieurs AP.
Une procédure itérative est suivie, pour laquelle on répète les trois étapes suivantes :
sélection des positions des AP, mesures de puissance du signal et ajustements des
positions. Une fois les positions définitivement fixées, une carte de couverture est
réalisée puis les fréquences sont affectées aux AP. La solution est validée par l’in-
termédiaire d’un audit correspondant à une série de mesures finales. Que ce soit
lors du placement des AP ou lors de l’affectation des fréquences, les zones à forte
densité sont traitées avant les autres, puisque c’est dans ces zones que les choix
de conception sont critiques.

[Doufexi et al., 2003] décrivent un AP fixé au plafond et déployé au centre


d’un ensemble de bureaux. Les dimensions de cet environnement sont 48m × 48m ×
3m. L’épaisseur des murs varie entre 50 mm (cloisons internes) et 150 mm (murs
extérieurs/porteurs). Une analyse est faite sur un déploiement des normes 802.11a
(fréquences à 5 GHz ) et 802.11g (fréquences à 2.4 GHz ). L’étude a montré que l’at-
ténuation du signal à 5 GHz est sensiblement plus forte en raison des pertes accrues
liées à la propagation dans l’espace libre et à la présence de murs. De plus, les effi-
cacités du protocole MAC dans les deux modes de transmission 802.11a et 802.11g
ont été calculées. Il a été démontré que la faible efficacité du protocole MAC
du 802.11g, en maintenant la compatibilité avec le 802.11b, a pour consé-
quence un débit sensiblement réduit par rapport au 802.11a. Cette faible
efficacité du protocole MAC est commune à toutes les extensions du 802.11 relatives
à l’augmentation du débit et résulte de la combinaison de couches physiques de plus
en plus rapides s’appuyant sur le même protocole MAC. En combinant des résultats
d’analyse de propagation, des résultats de simulation de la couche physique et des
calculs des surcoûts au niveau de la couche MAC, il a été démontré qu’un réseau
802.11g réalise une couverture supérieure mais des débits réels inférieurs
par rapport à un réseau 802.11a pour l’exemple d’environnement considéré.
Les différentes fréquences utilisées ont d’autres implications que les simples caracté-
ristiques de propagation du canal radio. La bande ISM (Industriel, Scientifique, et
Médical ) des 2.4 GHz a une largeur de 83 MHz. Tenant compte des bandes de garde,
ceci permet à trois réseaux 802.11g d’opérer sur des fréquences qui ne se recouvrent
pas. La bande ISM des 2.4 GHz est susceptible également de présenter des interfé-
rences significatives avec d’autres systèmes de communication tels que Bluetooth ou
des dispositifs tels que des fours à micro-ondes. En revanche, les fréquences pour le
802.11a dans la bande des 5 GHz permettent d’utiliser 12 AP sur des fréquences
qui ne se recouvrent pas. Cependant, les limites de puissance d’émission sont plus
basses que celles dans la bande ISM des 2.4 GHz. Tous ces facteurs sont à considé-
rer en combinaison avec les différentes caractéristiques de propagation radio lors de
50 Chapitre 1. Etat de l’art sur la planification

l’évaluation des qualités des deux bandes. Clairement, la nature de l’environnement


dans lequel le réseau doit être utilisé a un impact significatif sur la couverture. Pour
de plus petits environnements, avec moins d’atténuation du signal, le 802.11a est
susceptible de réaliser une couverture semblable à celle du 802.11g mais avec un
débit plus élevé. Dans de plus grands environnements, en particulier avec davantage
de cloisons, la couverture supérieure du 802.11g sera plus évidente. Cependant, la
gamme plus étendue des fréquences disponibles pour le 802.11a permettra de dé-
ployer des réseaux multiples pour améliorer la couverture et d’apprécier également
les avantages des débits maximums plus élevés.
Enfin [Raniwala & Chiueh, 2004] présentent une méthode standard de dé-
ploiement de réseaux dans l’industrie. Une stratégie basée sur une utilisation conjointe
des normes à 2.4 GHz et 5 GHz consiste à couvrir la zone complète avec du b/g
et à couvrir les zones de fortes densités avec du a. Cela permet de régler les pro-
blèmes de plus faibles performances liées aux interférences à 2.4 GHz. Par ailleurs,
l’utilisation du paramètre de taux d’association minimum permet de définir un
réseau en refusant volontairement l’accès des plus faibles débits. Ce para-
mètre n’est pas pris en compte dans les études d’optimisation mais est très utile
dans les réseaux chargés pour maintenir une bonne efficacité en charge. Le paramé-
trage typique d’un réseau selon [Raniwala & Chiueh, 2004] est simple : puissance
d’émission maximale, environ 30% de recouvrement en cellules pour assurer une cou-
verture continue (il n’est pas question de mobilité pour l’instant), fréquences placées
au mieux à la main. La phase de surveillance du réseau radio après initialisation est
prépondérante. L’installateur doit faire des mesures avec un outil RF et ajuster les
paramètres.

1.5 Synthèse
Entre les stratégies d’optimisation continue ou combinatoire pour le choix des po-
sitions des bornes, la stratégie combinatoire est plus proche de la réalité physique des
déploiements du fait des très nombreuses contraintes d’installation qui empêchent
de placer les émetteurs n’importe où. Sous sa forme combinatoire le problème est
NP -difficile. Par conséquent il convient d’adopter pour sa résolution une approche
adéquate et efficace qui propose un bon compromis entre temps de calcul et précision.
Compte tenu de la taille des problèmes à traiter, il n’est pas envisageable d’utili-
ser une méthode exacte mais plutôt une méthode approchée. De même, le temps
d’évaluation d’une solution intégrant un calcul de propagation complet est rédhi-
bitoire lorsqu’on est amené à parcourir un grand nombre de solutions de l’espace
de recherche. En particulier, le cas d’un algorithme évolutionnaire avec une grande
population pour la résolution du problème peut se révéler assez pénalisant. L’opti-
1.5 Synthèse 51

misation continue qui nécessite un appel systématique à un calcul de propagation


n’est pas non plus adaptée à cette approche.
La qualité d’une planification automatique est largement déterminée par la fia-
bilité du modèle de propagation. Or plus un modèle de propagation est précis, plus
il prend du temps à s’exécuter et rapidement le modèle de propagation ne peut plus
être intégré à la phase d’optimisation, ce qui est notre cas avec le logiciel Orange
Labs. On observe donc deux approches : soit un modèle de propagation simple est
intégré à l’algorithme d’optimisation, ce qui permet un calcul à chaque itération de
l’algorithme, soit les calculs de propagation du signal pour chaque AP sont effectués
préalablement à la phase d’optimisation et ces données sont transmises à l’algo-
rithme d’optimisation comme données d’entrées. Cette seconde méthode, basée sur
le modèle d’Orange Labs, sera retenue pour la suite de nos travaux.
La planification d’un réseau WLAN soulève deux problèmes imbriqués : sélec-
tionner les sites pour placer les bornes et affecter les fréquences aux bornes. Les
deux problèmes sont NP -difficiles. Cependant la littérature montre que les deux
problèmes peuvent être abordés ensemble sous réserve que la dimension des espaces
étudiés soit abordable (nombre de points de calcul et nombre de sites candidats).
L’approche simultanée permet en tout cas de garantir la meilleure optimisation du
critère de débit qui est le critère de performance le plus sensible pour le client. Par
la suite, le choix ou non d’un traitement simultané dépendra donc de la taille des
instances à traiter.
La définition des critères en contrainte ou en objectif est déterminante. Nous
savons qu’un critère de couverture est optimal (ou satisfait) pour le placement d’un
nombre donné de bornes ; suite à quoi l’augmentation du nombre de bornes peut
se justifier par un critère de débit. De son côté, la réutilisation des fréquences est
impactée par l’agencement des bornes et le recouvrement entre cellules, et donc
peut être un facteur limitant la densité des bornes si ces deux éléments ne sont pas
gérés. Par définition, la couverture et la réutilisation des fréquences sont les éléments
de service garanti en charge, on pourrait donc les exprimer comme contraintes. Le
débit serait alors un critère à optimiser. Reste le coût qui pourrait être proposé sous
la forme d’un second objectif ou d’une valeur maximale ; dans ce dernier cas on
chercherait à maximiser le débit pour un coût donné.
La question de la répartition des bornes dans l’espace est souvent considérée
comme un problème implicitement résolu grâce aux critères de qualité radio ou de
planification de fréquences. En réalité les résultats graphiques qui sont parfois donnés
montrent très rarement une bonne répartition. Pourtant la répartition des bornes
est liée directement à la répartition des signaux donnant accès aux services haut
débit. Il nous semble donc important de considérer les emplacements choisis les uns
par rapport aux autres comme un critère de conception. Nous n’avons pas trouvé ce
type de critères dans la littérature.
52 Chapitre 1. Etat de l’art sur la planification

En ce qui concerne les variables de décision, l’utilisation de la puissance d’émis-


sion comme paramètre combinatoire ne semble pas nécessaire pour améliorer la qua-
lité d’un réseau initial dont les bornes ne sont pas placées. La puissance apporte une
combinatoire plus grande qui demande plus de temps d’exploration sans apporter
un gain de qualité significatif par rapport à une puissance fixe. Nous recommandons
d’agir sur la puissance dans une seconde phase de paramétrage fin du réseau après
le positionnement des bornes. Les autres paramètres de l’AP que sont le diagramme
de rayonnement et l’azimut sont peu étudiés dans la littérature comme variables
d’optimisation. La difficulté d’intégrer ces variables et l’augmentation de la combi-
natoire en sont les principales causes. Cependant ces variables restent primordiales
pour la qualité des résultats.
Sur le choix technologique, l’environnement de déploiement a une influence im-
portante : les fréquences à 5 GHz sont plus sensibles aux obstacles, par conséquent,
le signal est plus fortement atténué. Par ailleurs, la norme 802.11g offre une meilleure
couverture mais un débit plus faible que la norme 802.11a. Ceci est dû à la faible
efficacité du protocole MAC commun aux différentes spécifications de la couche phy-
sique en g, et à une plus faible répartition du débit par utilisateur de la zone couverte
(celle-ci étant plus étendue). Dans les environnements où il y a beaucoup d’obstacles,
le 802.11g semble plus adapté et permet d’avoir une meilleure couverture contre un
débit plus faible. Par contre, s’il y a moins d’obstacles (hall de gare), le 802.11a
peut assurer une bonne couverture et un débit plus élevé que 802.11g. De plus, en
raison du nombre de fréquences non interférentes du 802.11a, il est possible de dé-
ployer plusieurs couches de réseaux permettant ainsi d’augmenter les performances
d’accès et de débit. A noter que nous n’avons répertorié aucune référence littéraire
sur l’optimisation des réseaux mixtes intégrant l’ensemble des technologies définies
par la norme IEEE 802.11 (a, b et g).
Enfin, concernant la confiance accordée aux méthodes actuelles de déploiement
et de validation de réseau, il est prématuré de se faire un jugement définitif car
la très grande majorité des réseaux déployés est de dimension réduite : réseaux
personnels, hot-spot, petites zones (salles de réunions) ou de faible trafic (hôtels,
halls de gares...) en entreprises ou en lieux publics. Dans ces contextes, l’objectif de
simple couverture est toujours atteint. Le problème reste ouvert sur la conception de
réseaux répondant à une forte densité d’utilisateurs, avec mobilité des terminaux, et
pour des classes de QoS élevées. Il n’y a pas encore suffisamment de clients nomades
sur les réseaux existants pour avoir un retour sur la conception et la validation de
réseaux répondant à ces conditions, mais cela viendra avec la baisse du prix des
terminaux et des services encore beaucoup trop onéreux.
Notre constat est qu’il n’y a pas un problème d’optimisation unique et bien
défini pour traiter tous les problèmes que peut poser l’ingénierie des réseaux WLAN
mais en réalité autant de problèmes que de formulations et de combinaisons de
1.5 Synthèse 53

critères. Ensuite, le choix de l’algorithme dépend précisément du modèle qui est


construit à partir des critères et des objectifs, et de la rapidité et de la précision de
la résolution : borne inférieure, solution optimale, solution approchée, ensemble de
solutions... Dans le même esprit, nous pouvons trouver une très grande quantité de
modèles de propagation, de trafic, de calcul de débit, de gestion de la charge, etc. qui
ont tous un impact considérable sur le résultat de l’optimisation et de la simulation.
Notons que les modèles de trafic les plus utilisés qui correspondent à l’expression de
la demande, sont les modèles discrets. Il convient donc de faire un choix spécifique
du modèle et de l’algorithme en phase avec les objectifs du problème à résoudre.
Le travail que nous proposons de traiter dans la suite de ce document prend
comme base la nécessité de créer un modèle à optimiser qui unifie les critères actuels
de qualité à travers un seul critère. Le débit réel proposé au client est ce critère. Pour
le calculer, tous les paramètres du réseau doivent être affectés, sites d’installation,
type d’antenne, puissance d’émission, orientation horizontale et canal de fréquence.
Les difficultés qui se posent sont alors dans deux directions principales : sur le plan de
la modélisation, il faut définir un objectif d’optimisation du débit sous contraintes
de couverture minimale et de coût de déploiement, et sur le plan algorithmique,
il faut définir une procédure qui puisse intégrer les différentes heuristiques liées à
l’affectation de chaque paramètre. Ces travaux sont présentés dans le chapitre deux
pour la modélisation et dans le chapitre trois pour l’algorithmique. Finalement, un
travail plus théorique sera proposé au chapitre quatre.
Chapitre 2

Modélisation de la planification

Une analyse détaillée du fonctionnement des WLAN nous permet d’identifier


le débit réel comme le critère unifiant les différentes caractéristiques de qualité de
service : couverture, interférences et capacité. Nous présentons ainsi un modèle uni-
fié de la qualité de service qui nécessite le traitement simultané des problèmes de
placement des émetteurs et d’allocation des fréquences. Ce modèle de planification
de réseaux WLAN permet d’optimiser tous les paramètres liés aux points d’accès :
type d’antenne, azimut, puissance d’émission et fréquence.
Ce travail a fait l’objet d’une publication dans le journal International Journal
of Mobile Network Design and Innovation (IJMNDI), Inderscience en 2007.

Sommaire
1.1 Le développement des réseaux locaux sans fil . . . . . . . 15
1.2 Critères de planification . . . . . . . . . . . . . . . . . . . 21
1.3 Performances algorithmiques . . . . . . . . . . . . . . . . 40
1.4 Méthodes d’évaluation . . . . . . . . . . . . . . . . . . . . 45
1.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
56 Chapitre 2. Modélisation de la planification
2.1 Introduction 57

Diviser chacune des difficultés que j’examinerai


en autant de parcelles qu’il se pourrait, et qu’il
serait requis pour les mieux résoudre,
second principe du Discours de la méthode,
René Descartes

2.1 Introduction
Le problème de planification revient à trouver une configuration de réseau WLAN
à moindre coût en optimisant la qualité de service. L’état de l’art nous a montré
une grande diversité des problèmes à optimiser liée à un grand nombre de critères
de qualité de service (couverture, interférence, capacité...).
Dans ce chapitre, nous allons voir qu’il est possible de proposer un problème
d’optimisation qui correspond à une synthèse des modèles précédents.
Pour réaliser cette synthèse, nous approfondissons l’analyse du fonctionnement
physique d’un réseau WLAN de la norme IEEE 802.11 en proposant un modèle
de cette réalité physique. Nous en présentons une modélisation possible qui nous
permet de définir les liaisons entre les différents paramètres du modèle physique de
fonctionnement : puissance, fréquence, interférence, capacité, débit...
Nous verrons par cette analyse que le calcul du débit réel en chaque point de
service permet de synthétiser les critères de qualité de service habituels tels que la
couverture, l’interférence, la capacité... En particulier, il permet de supprimer toute
pondération relative entre ces critères. C’est la modélisation que nous proposons
pour le problème à optimiser.
Le modèle de la réalité physique et le problème à optimiser sont les deux premières
étapes du processus décrit à la figure 2.1, et sont présentés dans ce chapitre. La
troisième étape correspondant à l’algorithme d’optimisation est présentée au chapitre
3. La quatrième étape liée au modèle physique d’évaluation a été présentée dans l’état
de l’art (section 1.4).

Figure 2.1 : Décomposition du processus

Pour effectuer cette modélisation du fonctionnement d’un réseau WLAN de la


norme IEEE 802.11b, g et a, que l’on notera par la suite 802.11, nous décomposons
le modèle de la réalité physique en plusieurs sous-modèles :
58 Chapitre 2. Modélisation de la planification

• Le modèle du placement des émetteurs, notés par la suite AP pour Access


Point qui est le nom des émetteurs 802.11 : il définit la méthode de choix des
positions des AP ; in fine cela détermine le domaine de définition des positions
candidates.
• Le modèle du paramétrage des points d’accès : il détermine les ensembles
de définition des différentes variables d’optimisation telles que la fréquence, la
puissance d’émission, l’azimut et le catalogue des différents types d’antennes
possibles définis par leur diagramme de rayonnement plus ou moins directif.
• Le modèle de trafic qui décrit l’expression de la demande de service dans le
réseau : répartition des clients, services demandés, débits souhaités...
• Le modèle de propagation qui définit les règles de propagation du signal
dans un bâtiment. A partir des variables du problème qui définissent le pla-
cement et le paramétrage des AP, il détermine les puissances reçues dans le
bâtiment.
• Le modèle de débit qui estime le débit réellement fourni aux clients du
réseau. Tous les paramètres de configuration du réseau sont nécessaires à cette
étape. Enfin, il faut comparer le débit réellement fournit par le réseau aux
clients à la demande offerte 1 exprimée par ces clients à travers le modèle de
trafic.
Chacun de ces sous-modèles interagit avec les autres comme le représente la
figure 2.2.

Figure 2.2 : Interaction entre les sous-modèles de la réalité physique

1. Le terme de demande offerte ou de demande offerte au réseau caractérise le débit souhaité


par les clients du réseau
2.2 Modèle de placement 59

Ces modèles seront développés dans les cinq premières parties de ce chapitre
en précisant les paramètres qu’ils utilisent pour communiquer entre eux (entrées
et sorties de chaque module). Enfin dans une dernière partie, nous présenterons le
problème complet à optimiser déduit des cinq sous-modèles précédents de la réalité
physique.

2.2 Modèle de placement

2.2.1 Modèle continu ou discret

La première étape consiste à définir l’espace de recherche de notre problème :


le placement de points d’accès dans un environnement clos de type gare, aéroport,
université, bureaux... Il s’agit tout d’abord de définir quels sont les sites possibles
susceptibles d’accueillir un point d’accès.
On a deux types de problèmes selon que l’ensemble des sites est fini ou infini.
• Si l’ensemble est infini, le problème est continu. Les variables d’optimisation
sont alors les coordonnées dans le plan (pour un problème 2D) ou dans l’es-
pace (pour un problème 3D) des positions des points d’accès. Si l’on exclut
les contraintes de domaine qui imposent par exemple aux points d’accès de se
trouver à l’intérieur du bâtiment à couvrir, aucune autre restriction ne s’ap-
plique généralement pour ces positions. La phase d’optimisation consistera, par
exemple, à déplacer les positions de façon continue, de proche en proche, pour
trouver la meilleure configuration parmi une infinité de combinaisons possibles.
• Si l’ensemble est fini, le problème est discret. Le choix du placement des points
d’accès se fait parmi un ensemble de sites candidats défini en amont de la phase
d’optimisation. Les variables d’optimisation sont toujours les coordonnées des
positions des points d’accès, mais elles sont à choisir parmi un ensemble fini.
Nous pouvons ainsi dénombrer le nombre de configurations possibles. Soient
n le nombre de sites candidats, et p le nombre de points d’accès à placer,
n!
nous avons alors Cnp = p!(n−p)! configurations possibles. Par exemple, pour
n = 1000 et p = 100, il y a environ 10300 configurations possibles étant donné
que Cnp ∼ O(np ) pour p << n.
Notre choix est donc de traiter le problème sous sa forme discrète à partir
d’une liste de sites candidats issue des contraintes d’un cahier des charges. Par
ailleurs, d’un point de vue informatique, l’infini n’existe pas, donc nous retombons
toujours sur un problème combinatoire mais avec un pas de maille très petit. Le
placement des AP que nous avons retenu est donc un problème combinatoire c’est-
60 Chapitre 2. Modélisation de la planification

à-dire que la finalité de l’optimisation est de sélectionner une liste de positions à


partir d’une liste prédéfinie de positions candidates.

Ce choix présente un certain nombre d’avantages et d’inconvénients qui orientent


à la fois le comment faire et le type de réseau proposé. Parmi les avantages, il y a
au moins les points suivants :

• Par rapport à l’option continue, le modèle discret permet de réduire la taille de


l’espace de recherche et donc, potentiellement, d’accélérer le processus d’opti-
misation.
• Le fait de se limiter à un ensemble discret de positions est également justifié
par les propriétés de propagation des ondes ; en effet, nous pouvons considérer
que la carte de couverture d’un point d’accès varie peu lorsque celui-ci est
déplacé à l’intérieur d’une pièce sans obstacle, ce qui permet de ne considérer
qu’un site candidat pour toute la pièce. Ceci n’est bien sûr valable que pour
des pièces de taille suffisamment petite.
• Nous pouvons déterminer un coût financier correspondant à l’implantation
d’un AP sur chaque site en fonction de ses particularités, ce qui est très difficile
à réaliser dans un contexte de placement continu. Nous avons souhaité traiter
le problème proche des conditions réelles de déploiement de réseaux WLAN.
Dans ce cas, les limites d’installation du matériel telles que le raccordement
des équipements au réseau électrique et informatique, la proximité d’autres
appareils rayonnants, la proximité de points d’eau et les limites de sécurité
comme le vol et l’accessibilité, font que la planification est en général réalisée
avec un cahier des charges qui impose une liste possible de sites ou tout au
moins exclut un très grand nombre de lieux d’installation.
• Enfin, si nous connaissons les positions des sites candidats, il est possible lors
d’une phase préliminaire de calculer à l’avance la couverture maximale depuis
chaque site. Dans ce cas, le calcul de la propagation du signal est exclu de la
phase d’optimisation et seul l’ajustement de la puissance reçue en fonction des
paramètres de l’AP installé sera nécessaire. C’est un aspect très important car
cela induit un gain en temps de calcul considérable. En effet, dans ce cas le
calcul de la propagation n’est réalisé qu’une seule fois, avant l’optimisation.

Parmi les inconvénients nous retiendrons essentiellement qu’il est nécessaire d’ef-
fectuer une phase de prétraitement pour définir les sites candidats en amont de la
phase d’optimisation. Cette phase peut s’avérer longue et délicate car la liste devient
alors prépondérante pour atteindre les objectifs de qualité souhaités.
2.2 Modèle de placement 61

2.2.2 Sites candidats

Constituer une liste de sites candidats est complexe, il existe des approches ma-
nuelles ou automatiques ou des compromis entre les deux méthodes.
La liste des sites candidats doit être la plus réaliste possible pour permettre
de concevoir un réseau en phase avec les objectifs de service et les contraintes de
déploiement. Le choix des sites candidats doit en particulier tenir compte des points
suivants :
• Distribution des sites en fonction de la localisation des services et des volumes
de trafic attendus : il faut prévoir une densité de sites plus importante si le
service correspond aux tranches supérieures de débit ou si le nombre de clients
prévus est élevé.
• Distribution des sites en fonction de la localisation des perturbations électro-
magnétiques les plus sensibles : distance minimale à respecter avec les points
d’eau (sanitaires, toilettes...), les structures métalliques et les équipements élec-
troniques (baies de brassage...) ou rayonnants (fours micro-ondes, systèmes de
sécurité...).
Lorsqu’une liste est générée automatiquement, les critères de génération sont
essentiellement basés sur la propagation radio. [Runser, 2005] construit une liste
automatique par bloc homogène vis-à-vis de la propagation. Schématiquement, une
pièce constitue un bloc et les positions sont définies au centre des blocs. Cependant,
il est nécessaire de définir une borne minimale de taille de blocs pour gérer les petits
espaces et une borne maximale pour gérer les espaces ouverts. Le premier paramètre
supprime des sites candidats voisins localisés dans des pièces distinctes. Le deuxième
paramètre induit plusieurs emplacements candidats par pièce. Un exemple d’étude
sur un bâtiment de 119 × 60 m2 crée 418 positions candidates pour une taille de
bloc comprise entre 9 m2 et 18 m2 . Bien entendu le résultat dépend totalement de
la configuration du bâtiment.
La liste des sites candidats a un impact sur la qualité du résultat et sur le temps
de recherche des solutions. [Prommak et al., 2002] présentent une comparaison inté-
ressante : l’efficacité d’une liste de sites candidats dans toutes les pièces et couloirs
et d’une liste de sites uniquement dans les espaces de type couloir. Cette compa-
raison est utile pour un bâtiment classique de bureaux où le trafic est relativement
uniforme dans les pièces autour des couloirs. Ces deux types de listes sont testés
dans le même bâtiment, avec le même algorithme et les mêmes conditions de trafic
(90 clients pour lesquels il faut tester le niveau de service à chaque itération). Les
configurations comparées à l’issue de l’exécution sont supposées satisfaire les mêmes
critères de couverture, de service, etc. La liste restreinte propose une solution 1000
fois plus rapide avec les AP uniquement dans les couloirs. Mais curieusement, avec
62 Chapitre 2. Modélisation de la planification

la liste complète, aucun site retenu n’est situé dans les couloirs du bâtiment de test.
Cette hypothèse mériterait d’être vérifiée.
Pour pallier cet inconvénient majeur du choix des sites candidats et pour que
l’optimisation discrète soit efficace, l’espace doit être bien quadrillé par la liste de
sites candidats. Comme méthode d’ingénierie, nous recommandons qu’un site candi-
dat soit retenu par pièce de type bureau, par exemple au centre de la pièce, et que les
espaces ouverts soient quadrillés en considérant une distance inter-site qui dépende
du service demandé sur cet espace, i.e. une distance inversement proportionnelle au
débit souhaité pour ce service. Ces distances pourront être définies par des mesures
en espace ouvert donc parfaitement génériques.

Variables

Les sites candidats sont des positions repérées par des coordonnées dans le bâti-
ment d’étude. On définit donc :
S ensemble des sites candidats.
S
n nombre de sites candidats : nS = |S|.
s le s-ième site candidat avec s ∈ {1, ..., nS }. Il est représenté par ses
coordonnées dans l’espace (Oxyz).
S
cs coût d’installation d’un AP sur le site s. Ce coût comprend no-
tamment la difficulté d’accès au site, le coût de fixation, le coût de
rattachement au réseau filaire... Ces coûts peuvent être différenciés
si nécessaire.
Dans un bâtiment, des AP peuvent être déjà installés. Ils forment le réseau
WLAN natif ; notre but est alors de le compléter. Nous considérerons comme hypo-
thèse que ces AP ne peuvent pas être déplacés et leurs paramètres ne doivent pas
être modifiés.
SI ensemble de sites sur lesquels un AP a déjà été installé :
S I ⊂ S.
∀s ∈ S I , cSs = 0 e, étant donné que l’AP est déjà installé.
nI nombre d’AP déjà installés : nI = |S I |.

Une option possible du modèle est de supposer que, sur chaque site candidat,
nous pouvons placer un à plusieurs AP en fonction de la demande. Plusieurs AP
permettent d’obtenir un débit plus important sur une zone de forte demande. La
notion de secteur est définit comme étant un emplacement pour AP sur un site
donné.
Un secteur n’est donc pas une position géographique définie par ses coordonnées
mais un numéro d’emplacement sur un site donné. Cette option ne sera pas présentée
dans la suite du modèle pour ne pas alourdir les notations.
2.3 Modèle de paramétrage des émetteurs 63

2.3 Modèle de paramétrage des émetteurs


Sur un site candidat, il est possible d’installer différents types d’AP. Pour cela,
nous disposons d’une liste d’équipements. Le paramétrage commence par le choix
du type d’AP en fonction de son diagramme de rayonnement, puis par le réglage
de ses paramètres c’est-à-dire son azimut, sa puissance et sa fréquence d’émission.
Le diagramme, l’azimut et la puissance seront les éléments décisifs pour établir la
couverture de l’émetteur, et la fréquence interviendra pour le calcul des interférences
et du débit.
Le réglage du tilt qui correspond à l’inclinaison de l’antenne par rapport à la
verticale est très important dans les réseaux GSM 900/1800 et UMTS, mais il n’est
pas utilisé en 802.11 car la hauteur des antennes n’est pas significativement différente
de la hauteur de réception du signal. Cet élément serait peut-être à prendre en
compte pour un réseau extérieur en 802.11.

2.3.1 Types d’AP


Peu importe la marque du constructeur d’AP, les critères qui interviennent dans
le choix des différents types d’AP pour la planification des réseaux sont :
• Le prix d’achat de l’AP.
• Les technologies qu’il supporte. Actuellement, il existe principalement deux
types d’AP : ceux qui supportent les normes 802.11b/g (bi-mode), et ceux qui
supportent la norme 802.11a. Il n’existe pas d’AP qui supporte les trois normes
802.11a/b/g simultanément avec la même antenne, donc le même diagramme
de rayonnement (bi-bande, tri-mode) ; par contre il existe des points d’accès
bi-bande tri-mode comportant deux antennes, une pour chaque bande, soit une
pour la norme 802.11a et une pour les normes 802.11b/g. Dans notre modèle,
nous ne travaillerons qu’en bi-mode 802.11b/g ou en mode 802.11a mais pas
en tri-mode 802.11b/g/a.
• Le diagramme de rayonnement de l’antenne. Jusqu’à présent, les antennes
définies pour la norme 802.11 étaient quasiment toutes omnidirectionnelles,
mais les constructeurs offrent à présent une gamme plus importante d’antennes
(bidirectionnelles ou même simplement directionnelles).
• La liste des puissances d’émission que supporte l’AP. Cette liste offre un en-
semble discret de puissances toutes inférieures à la puissance maximale auto-
risée.
Il est donc nécessaire de définir une liste d’AP et leurs paramètres pour construire
une configuration de réseau.
64 Chapitre 2. Modélisation de la planification

Variables

Pour chaque site sélectionné, nous avons le choix d’y placer différents types d’AP.
A ensemble des différents types d’AP disponibles.
nA nombre de types d’AP différents : nA = |A|.
a le a-ième type d’AP, a ∈ A = {1, ..., nA }. Un type d’AP est carac-
térisé par le diagramme de rayonnement de son antenne.
cA
a prix d’achat et d’installation indépendamment du site de l’AP de
type a.

Nous définissons alors la première variable de décision :

1. ws type d’AP placé sur le site s : ws ∈ A ∪ {0}


si ws = a nous choisissons de placer un AP de type a sur le site s ;
si ws = 0 le site s est inoccupé.
Nous en déduisons les éléments suivants :
SO sous-ensemble de sites ouverts c’est-à-dire avec un AP installé :
S O = {s ∈ S, ws ∈ A} = {s ∈ S, ws 6= 0} et S I ⊂ S O .
nO nombre de sites ouverts : nO = |S O |.

2.3.2 Azimut

Etant donné que les antennes ne sont pas toutes omnidirectionnelles, l’azimut est
un paramètre qui a toute son importance. L’azimut s’exprime en degrés et désigne
l’angle entre le nord géographique et la direction préférentielle de l’antenne dans le
plan horizontal. La direction préférentielle d’une antenne est définie par la puissance
d’émission maximale.
Il est intéressant d’un point de vue combinatoire de limiter le nombre d’azimuts
possibles lors de la phase de recherche du placement des AP. Le diagramme d’une
antenne est donné pour chaque degré en horizontal et en vertical. Les variations
d’un degré ont en général un impact très limité sur la propagation du signal. Notre
étude sur les variations du pas d’azimut pour une antenne directionnelle montre
dans [Baala et al., 2007] que considérer un pas inférieur à 30˚ n’améliore pas sensi-
blement les résultats de planification. Par conséquent, nous préconisons de considérer
les 8 orientations de base (nord, nord-ouest, ouest, sud-ouest, sud, sud-est, est, nord-
est) pour la recherche de l’azimut d’une antenne directionnelle lors de la phase de
placement des émetteurs. Dans une étape ultérieure au placement, les positions des
2.3 Modèle de paramétrage des émetteurs 65

AP étant connues, le paramétrage peut alors être affiné en considérant des varia-
tions de l’azimut à un pas plus fin, tous les 10˚par exemple, pour rendre compte du
diagramme.

Variables

Pour chaque type d’AP, il faut définir une liste d’azimuts possibles :
Ha ensemble des azimuts (angles horizontaux) que peut prendre un AP
de type a. Nous travaillerons sur une combinatoire réduite du choix
de l’azimut mais le modèle accepte de traiter 360˚ si nécessaire.
Ha = {0˚} pour une antenne omnidirectionnelle.
Ha = {0˚, 45˚, 90˚, 135˚} pour une antenne bi-directionnelle.
Ha = {0˚, 45˚, 90˚, 135˚, 180˚, 225˚, 270˚, 315˚} pour une antenne di-
rectionnelle.
nH
a nombre de valeurs d’azimut possibles pour un AP de type a : nH a =
|Ha |.

Nous définissons alors la seconde variable de décision :

2. hs azimut de l’AP installé sur le site s : hs ∈ Hws

2.3.3 Puissance d’émission

Les puissances en radio sont souvent exprimées en décibel par milliwatt (dBmW
ou plutôt dBm) plutôt qu’en Watts. Le dBm est une échelle logarithmique par
rapport au milliwatt (mW ). Nous avons :

P [dBm] = 10 × log10 (P [mW ])


P [mW ] = 10P [dBm]/10 (2.1)

La puissance d’émission des antennes 802.11 est réglementée par la loi française.
La PIRE (Puissance Isotrope Rayonnée Equivalente ou puissance rayonnée à la
sortie de l’antenne) moyenne maximale autorisée est de :
• 100 mW ou 20 dBm dans la bande de fréquences 2400-2480 M Hz (norme
802.11b/g).
• 200 mW ou 23 dBm dans la bande de fréquences 5150-5350 M Hz en intérieur
(norme 802.11a).
66 Chapitre 2. Modélisation de la planification

• 1 W ou 30 dBm dans la bande de fréquences 5470-5725 M Hz en intérieur et


en extérieur (non encore utilisée).
Comme indiqué auparavant, chaque AP a un nombre donné de puissances d’émis-
sion possibles définies par le constructeur. Il n’y a pas de variation continue de la
puissance d’émission jusqu’à la valeur maximale.

Variables

Nous avons donc un ensemble discret de valeurs de puissance pour chaque type
d’AP :
Pa ensemble des puissances que peut prendre un AP de type a. La
puissance s’exprime en dBm (décibels par milliwatt). Par exemple :
Pa = {5, 10, 15, 20}.
nPa nombre de puissances d’émission possibles pour un AP de type a :
nPa = |Pa |.

Nous définissons alors la troisième variable de décision :

3. pE
s puissance émise par l’AP installé sur le site s : pE
s ∈ Pws

2.3.4 Fréquence d’émission


Les canaux de fréquences d’émission des AP sont fixés par la CEPT (Confé-
rence Européenne des administrations des Postes et Télécommunications) et l’ETSI
(European Telecommunications Standard Institute) en accord avec la norme choisie
802.11b/g ou 802.11a.
• La norme 802.11b/g définit 14 canaux dans la bande de fréquences 2400-2483
MHz. Ils sont larges de 22 MHz et espacés de 5 MHz comme illustré en figure
2.3. Chaque canal recouvre donc partiellement les quatre premiers canaux adja-
cents de part et d’autre du spectre de fréquence. Cependant en Europe, l’ETSI
n’autorise que l’utilisation des 13 premiers canaux. Le domaine de définition
compte donc 13 valeurs. L’utilisation dans un même réseau de canaux qui se
chevauchent conduit inévitablement à des interférences et donc à une baisse de
débit. Pour éviter tout chevauchement, il est recommandé d’utiliser seulement
3 canaux non recouverts parmi les 13 autorisés ; par exemple les canaux (1, 6,
11) ou (2, 7, 12) ou (3, 8, 13).
• Les canaux disponibles en norme 802.11a varient selon les pays. En Europe la
norme 802.11a définit 8 canaux dans la bande de fréquences 5150-5350 MHz
2.3 Modèle de paramétrage des émetteurs 67

(figure 2.4). Ces canaux sont espacés de 20 MHz et ont 20 MHz de largeur,
ils sont donc totalement disjoints. La ressource spectrale sans interférence est
donc plus importante pour la norme a que pour les normes b/g.

Figure 2.3 : Les canaux de fréquence disponibles en 802.11b/g

Figure 2.4 : Les canaux de fréquence disponibles en 802.11a

Variables

Notre modèle permet de travailler en mono-mode : 802.11b, 802.11g ou 802.11a


ou en bi-modes 802.11b/g. Le mode choisi détermine la liste des équipements dispo-
nibles A et la liste de canaux de fréquences utilisables :
F ensemble des canaux de fréquences que peuvent utiliser les AP. Cet
ensemble dépend de la norme utilisée : 802.11b/g ou 802.11a.
F = {1, ..., 13} si la norme est la 802.11b ou 802.11g.
F = {1, ..., 8} si la norme est la 802.11a.
nF nombre de canaux de fréquences utilisables par un AP :
nF = |F | = 13 ou 8 selon que l’on utilise la norme b/g ou a.

Nous définissons alors la quatrième variable de décision :

4. fs numéro du canal de fréquence alloué à l’AP installé sur le site s : fs ∈ FA


68 Chapitre 2. Modélisation de la planification

2.4 Modèle de trafic

Le modèle de trafic du réseau définit la manière de représenter la demande offerte


au réseau, c’est-à-dire la demande en connexions prévue en fonction des clients. Il
donne également un cadre à l’expression de la qualité de service (QoS ) souhaitée.
Les équipements qui se connectent à un réseau WLAN communiquent avec un AP
via des cartes d’accès ou des adaptateurs sans fil. Ces équipements peuvent être des
ordinateurs fixes ou portables, des imprimantes, des serveurs, des PDA, des PALM,
des Pocket PC, des téléphones... En WLAN, ces appareils sont appelés stations,
usagers, clients ou même points de demande ou de service. Ils ont une position
bien définie dans l’espace et certains d’entre eux peuvent être déplacés en cours
de communication tels les PDA, PALM... Au cours d’une journée, ils ne sont pas
toujours actifs. De plus ils peuvent soit émettre un signal vers un AP (transmission
montante ou uplink ou UL) soit recevoir un signal issu d’un AP (transmission
descendante ou downlink ou DL). La modélisation du trafic doit donc bien préciser
les hypothèses de travail et les éléments non pris en compte.

2.4.1 Modèle dynamique ou statique

Une façon de modéliser un client est de le représenter par un point de l’espace,


fixe ou en mouvement, sur la zone géographique considérée, et alternant au cours
d’une journée entre trois états de fonctionnement : inactif, en réception d’un signal
issu d’un AP ou en émission d’un signal vers un AP. Pour être plus complet, nous
pouvons ajouter aux états de réception et d’émission, le débit auquel est réalisée la
communication avec l’AP.
Ce modèle de trafic est très réaliste mais inadapté à notre problème d’optimisa-
tion car il nécessiterait trop de temps pour évaluer chaque configuration de réseau.
Le problème provient du fait que la demande est dynamique à double titre : d’une
part les clients peuvent se déplacer et d’autre part les états de fonctionnement de
chaque client sont variables avec le temps.
Pour gérer ces variations temporelles, il est intéressant de construire un ensemble
de scénarios représentant la demande à des instants donnés et de tester chacun
de ces scénarios. Cependant, cette démarche est aussi très coûteuse en temps et,
comme noté précédemment, elle ne peut pas être mise en œuvre dans le modèle
mathématique à optimiser. Cette démarche est par contre réalisable, dans un second
temps, pour comparer un petit nombre de configurations possibles, telles que les
solutions sélectionnées par l’algorithme, dans le cadre d’une approche d’aide à la
décision par exemple. Notre objectif n’est pas de construire un simulateur le plus
2.4 Modèle de trafic 69

réaliste possible mais de modéliser les grandes caractéristiques d’un réseau WLAN
pour le planifier.

Par conséquent, pour fournir des données au modèle mathématique à optimiser,


nous effectuons des simplifications du fonctionnement réel du réseau quant à la
modélisation de la demande offerte.
• Nous considérons des clients fixes dans l’espace : ils ne se déplacent pas. Dans
le modèle mathématique, les clients seront représentés par des points de ser-
vice. Il est donc très important de bien positionner ces points de service. Pour
améliorer la qualité de la phase d’optimisation, il est possible de représenter
un client par plusieurs points de service. Inversement, pour améliorer la rapi-
dité des calculs futurs, il est possible de regrouper plusieurs clients sur un seul
point de service.

• Nous ne considérons pas l’état d’inactivité d’un client. Cela revient à considérer
le pire cas : tous les clients se connecteront au réseau en même temps. C’est
une hypothèse peu réaliste puisqu’il est rare qu’un équipement se connecte
en permanence au réseau WLAN. Cependant c’est une hypothèse qui nous
garantit une solution robuste : qui peut le plus, peut le moins. Ce mode de
travail est nommé habituellement modèle de trafic en régime saturé. Il est
également possible de définir une probabilité d’activité ou un taux d’activité
(pourcentage) de chaque client et ainsi de pondérer la demande en débit de
chaque client par ce taux d’activité. Une probabilité d’activité est prise en
compte dans le modèle.
• Nous tenons uniquement compte des liaisons descendantes, i.e. de l’AP
au client. Ceci permet de simplifier considérablement le problème. En effet,
lorsque nous considérons uniquement les signaux issus des AP dont on connaît
la position et le nombre, il est possible d’estimer la propagation de ces ondes et
par conséquent la couverture du réseau. Par contre, si nous tenons compte des
liaisons montantes, i.e. du client à l’AP, la tâche d’estimation de la propagation
de ces signaux devient beaucoup plus complexe et beaucoup moins fiable du
fait que les clients peuvent être mobiles et que leur nombre n’est pas fixe. En
général, dans la littérature, les problèmes de planification ne considèrent que
les liaisons descendantes. Des estimations plus fines peuvent être mises en place
en tenant compte des liaisons montantes [Runser, 2005], [Wong et al., 2005],
mais le temps de calcul peut être important. Dans ce contexte, l’estimation
du SINR n’est jamais totalement fiable puisque l’utilisation des fréquences est
sous-estimée du fait de la non prise en compte des liens montants. Cependant,
en général les modèles en régime saturé montrent un fonctionnement pessimiste
du réseau par rapport à la réalité.
70 Chapitre 2. Modélisation de la planification

2.4.2 Modèle continu ou discret


Pour pallier l’absence de modélisation du déplacement des clients, la demande
n’est pas définie par un ensemble de points discrets dans l’espace, mais par des
zones de service représentées par des polygones. Chaque polygone est caractérisé
par un nombre de clients et le débit souhaité par chaque client de cette zone. C’est
un modèle de trafic continu. Les polygones sont des zones assez vastes pouvant
recouvrir plusieurs pièces d’un bâtiment, ils peuvent également se superposer ce qui
permet de définir des zones de cumul.
Nous appelons carte de services la définition de l’ensemble des zones de service.
Une carte de services définit la manière de représenter la demande offerte sur le réseau
et donne également une information importante sur la qualité de service souhaitée,
c’est-à-dire le débit désiré pour chaque zone. Les polygones de service sont ensuite
traduits en un ensemble de points discrets avec une demande propre par point. Les
figures 2.5 et 2.6 montrent un exemple de traduction des polygones de service par
un ensemble de points de service en fonction du maillage du bâtiment.

Figure 2.5 : Traduction des polygones de service en points de service

Pour fournir des données d’entrée au problème à optimiser, il est nécessaire


d’avoir un modèle de trafic simple, discret et statique, car plus facile à utiliser. Par
contre, pour valider une configuration donnée, et pour tester sa robustesse il sera très
intéressant d’avoir de nombreux modèles de trafic plus évolués, dynamiques et/ou
continus.
Des zones de service sont définies pour caractériser le besoin en débit des clients
du réseau. Elles sont représentées par des polygones dessinés sur chaque étage du
bâtiment. Chaque zone de service est caractérisée par le nombre de clients se dépla-
çant à l’intérieur de celle-ci et par le débit souhaité par ces clients (en kbps). Chaque
2.4 Modèle de trafic 71

Figure 2.6 : Cas de polygones de service superposés.

zone de service est décomposée en points de service selon le maillage choisi pour le
bâtiment.
Une maille est considérée comme appartenant à une zone de service si et seule-
ment si le centre de la maille est inclus dans le polygone qui définit la zone de service.
Le nombre de points de service dépend donc du pas de maillage du bâtiment. L’en-
semble des points de service décrit la demande offerte du réseau.

Variables

T ensemble des points de service. Un point de service correspond à


une maille.
nT nombre de points de service : nT = |T |.
t le t-ième point de service, t ∈ {1, ..., nT }.
κt nombre de clients situés sur le point de service t.
dSt débit en kbps souhaité par les clients du point de service t.
Nous définissons aussi une notion de priorité qui caractérise l’importance de
certaines zones du bâtiment. Elle permet de prioriser des lieux à couvrir pour un
niveau de service donné. Comme pour les zones de service présentées au paragraphe
72 Chapitre 2. Modélisation de la planification

précédent, les zones de priorité sont définies par des polygones. Nous caractérisons
la priorité d’une zone par un nombre entier de -1 à 5. La valeur 5 est la valeur de
priorité maximale. La valeur 0 caractérise une zone sans importance du point de vue
de l’utilisation du réseau (zone de faible usage), comme par exemple des toilettes. La
valeur négative -1 est utilisée pour caractériser une zone ne devant pas être couverte
par le réseau WLAN comme l’extérieur d’un bâtiment pour des raisons de sécurité
par exemple. Ces zones de priorité négative sont également appelées zones interdites.
pt valeur de priorité attribuée au point de service t. Par défaut, la
valeur de priorité des points de servicve est fixée à 1, sinon elle prend
la valeur de priorité à laquelle elle appartient. pt ∈ {−1, 0, 2, 3, 4, 5}.
TI ensemble des points de service interdits. Les points de service
interdits sont les points de service ayant une valeur de priorité
négative. Les autres points sont appelés points de service client.

2.5 Modèle de propagation

2.5.1 Principe de calcul


Les points d’accès sont des équipements raccordés au réseau local (en général
par voie filaire de type Ethernet) qui incorporent une antenne leur permettant de
dialoguer avec les clients situés à proximité. La communication entre les points
d’accès et les clients se fait donc par ondes radio aux fréquences définies par la
norme. Pour ces fréquences, la propagation des ondes dans le bâtiment est complexe
du fait des multiples obstacles. Il est donc très difficile d’établir précisément la zone
de couverture de chaque émetteur. Lors de la planification du réseau, le modèle qui
permet de simuler la propagation des ondes radio est un élément déterminant pour
établir la qualité du résultat. Selon la bande de fréquences utilisée (2,4 GHz ou
5 GHz ), le modèle de propagation est totalement différent.
A partir de la topologie d’un bâtiment, un modèle de propagation permet d’es-
timer, pour chaque point d’accès, la puissance du signal reçu en tout point du bâti-
ment comme illustré sur la figure 2.7. Les paramètres d’un point d’accès intervenant
dans l’évaluation de la puissance reçue sont : la position du point d’accès, sa puis-
sance d’émission, son diagramme de rayonnement, son azimut et la norme choisie
(802.11b/g ou 802.11a). L’évaluation de la puissance reçue fait aussi intervenir des
paramètres du mobile : sa position et son gain d’antenne.
Concevoir, développer et mettre en place un modèle indoor de propagation est
un travail à part entière. Nous avons décidé d’utiliser un modèle développé au sein
d’Orange Labs dans le cadre d’un contrat de recherche. C’est un modèle de propa-
gation à lancer de rayons. Le nombre de rayons et de réflexions sont paramètrables.
2.5 Modèle de propagation 73

Figure 2.7 : Modèle de propagation avec les paramètres de l’AP

2.5.2 Etapes de calcul

En général, plus un modèle de propagation est précis, plus il prend du temps à


s’exécuter ; de ce fait, un modèle de propagation précis ne peut pas être intégré à la
phase d’optimisation. Dans la littérature, il existe deux approches pour calculer le
signal tout en optimisant le réseau : soit un modèle de propagation simple est inté-
gré à l’algorithme d’optimisation, ce qui permet de calculer la propagation à chaque
itération de l’algorithme ; soit les calculs de propagation du signal pour chaque AP
sont effectués préalablement à la phase d’optimisation pour toutes les configura-
tions d’équipements sur chaque site et ces données sont transmises à l’algorithme
d’optimisation comme données d’entrée.

Notre approche est mixte et comporte deux étapes. Dans un premier temps
(phase de propagation), nous calculons pour chaque site candidat au placement
d’un AP les puissances reçues en chaque point du bâtiment grâce au modèle de pro-
pagation. Ces premières estimations de puissances sont réalisées avec des paramètres
par défaut qui donnent la couverture maximale à partir de chaque site (puissance
d’émission maximale et diagramme de rayonnement isotrope) et donnent lieu à ce
que nous appelons données de base par site. Cette étape est effectuée préalablement
à la phase d’optimisation. Elle peut être longue si l’on souhaite des résultats précis.
Dans un second temps (phase d’optimisation), nous ajustons la valeur de ces don-
nées de base en choisissant un diagramme de rayonnement, l’azimut de l’antenne et
la puissance réelle d’émission. Nous obtenons ainsi la valeur réelle de la puissance
reçue pour chaque AP installé et configuré. Ces ajustements sont très rapides à ef-
fectuer, ils sont donc intégrés à la phase d’optimisation. La figure 2.8 présente la
décomposition de ces étapes.
74 Chapitre 2. Modélisation de la planification

Figure 2.8 : Modèle de calcul de la puissance reçue

Variables

Tous les points de service t reçoivent le signal issu de chaque AP installé.

pR
st puissance du signal reçu par le point de service t provenant de l’AP
installé sur le site s. Cette puissance, exprimée en dBm, tient compte
du paramétrage complet de l’AP. La mesure est faite à 1, 20 m du
sol. Ce calcul est effectué à l’aide d’un modèle de propagation des
ondes radio et en connaissant la topologie du bâtiment.

2.6 Modèle de débit

Le modèle de propagation définit comment les ondes émises par chaque AP se


propagent dans le bâtiment et permet d’estimer la puissance des signaux reçus.
Le modèle de débit traduit ces puissances reçues en terme de service fourni par le
réseau, c’est-à-dire en terme de débit offert aux clients. Le modèle de débit définit
les règles permettant d’estimer pour l’ensemble du bâtiment le débit offert par une
configuration de réseau. Pour calculer le débit réel d’un client, nous procédons en
trois étapes. D’abord il faut déterminer le point d’accès avec lequel le client se
connecte : c’est le modèle d’association détaillé dans la section suivante qui définit
cet aspect. Ensuite, il faut estimer la qualité de la liaison radio entre le client et
l’AP de connexion. Cette étape se base sur le calcul du rapport signal à interférences
plus bruit que nous présentons dans la deuxième partie. Enfin, dans un réseau de
type 802.11, un client doit partager le canal radio avec l’ensemble des clients du
même AP et les clients en visibilité radio qui utilisent le même canal de fréquences
que lui. Une analyse détaillée de la couche MAC de la norme 802.11 sera présentée
dans une troisième partie afin d’estimer in fine le débit réel d’un client.
2.6 Modèle de débit 75

2.6.1 Modèle d’association (de charge)

Dans cette partie, nous nous intéressons au mode d’association entre les points
d’accès et les clients. De quelle manière une station et un AP s’associent pour établir
une connexion ? Les règles d’association ne sont pas fixées par la norme 802.11 et
les constructeurs ont la liberté d’implémenter les règles de leur choix.
Il n’existe pas de règle commune adoptée par tous. Cependant une règle se dégage
des autres : un client s’associe avec le point d’accès qui lui offre le signal le plus fort.
Cette règle n’est pas unanime, les cartes d’accès CISCO s’associent en priorité avec
des points d’accès CISCO même en présence d’autres AP fournissant un signal plus
fort mais provenant d’un constructeur différent. Dans notre modèle, nous avons donc
choisi d’utiliser ce type d’association, appelé association au meilleur signal.
Il existe d’autres modes d’association plus évolués que certains constructeurs
tentent de mettre en place. Nous en présentons ici deux exemples : un client s’associe
non pas avec l’AP lui offrant le signal le plus fort mais avec l’AP qui lui offre le débit
nominal le plus important. En effet, nous verrons dans la prochaine partie que le
niveau de SINR détermine également le débit nominal établi entre le client et l’AP.
Quelle que soit la puissance du signal, si le SINR est faible le débit nominal sera
dégradé. Dans ce cas, il est donc préférable que le client s’associe avec un AP lui
fournissant un signal de moindre puissance mais dont le SINR est plus important.
Cette association est appelée association au meilleur débit nominal.
Un mode d’association encore plus évolué, appelé association au meilleur débit
réel, est possible. Il s’agit de mieux équilibrer la charge du réseau sur l’ensemble des
AP. En effet, un client peut recevoir un signal très fort issu d’un AP, mais si cet AP
est déjà en charge d’un nombre important de clients le débit qu’il lui fournira peut
être très faible. Rappelons que le débit offert par un AP est à partager entre tous
les clients de sa cellule. Le client en question aura peut-être intérêt à s’associer avec
un AP lui fournissant un signal moins fort mais en charge de moins de clients et par
conséquent, lui fournissant un meilleur débit réel. Il s’agit d’équilibrage de charge
(load balancing en anglais) pour ce mode d’association.
L’association au meilleur débit est complexe à mettre en œuvre car fortement
sensible à l’évolution temporelle de la demande : la sortie du réseau d’un seul client
peut entrainer une cascade de désassociassions/associations. Cependant, elle est in-
téressante à mettre en œuvre lorsque le réseau est déjà déployé. Mais en tenir compte
lors de la planification du réseau a peu de sens, notre but n’étant pas de faire une
simulation fine d’un réseau trop coûteuse en temps de calcul mais d’estimer rapide-
ment le débit réel pour les clients.
Une quatrième option d’association possible serait de représenter cet aspect dy-
namique du réseau par un modèle plus stable que l’association au meilleur débit que
76 Chapitre 2. Modélisation de la planification

nous appellerons association continue. Dans ce cas, un client s’associe avec plusieurs
AP à la fois, il répartit ainsi sa charge entre plusieurs AP selon la puissance reçue
par chacun des AP. Ce type d’association n’est pas réaliste actuellement car une sta-
tion ne peut pas communiquer avec plusieurs AP à la fois comme c’est le cas pour
l’UMTS. Cependant, il a l’avantage de traduire la notion dynamique d’équilibrage
de charge sous forme statique.
Prenons un exemple d’application de l’association continue pour illustrer notre
proposition : un client reçoit trois signaux issus des AP A, B et C. Les débits
nominaux permis pour ces trois AP sont dA = 1 M bps, dB = 2 M bps et dC =
1 M bps. le client répartit sa charge, égale à 1, entre les trois AP selon le rapport
di
dA +dB +dC
avec i = A, B ou C, soit 14 pour les AP A et C, et 21 pour l’AP B.

Variables

Dans notre travail de planification, pour définir le débit nous faisons le choix de
limiter l’association des points de service t au point d’accès offrant le signal le plus
fort. Nous définissons donc ust la variable d’association.
SIN RC niveau de SINR minimal pour établir une communication.
Un client ayant un SINR supérieur à ce seuil est garanti d’obtenir
au moins le débit minimum. Ce seuil est valable pour une norme
donnée : nous distinguons donc SIN RCb pour la norme 802.11b,
SIN RCg pour la norme 802.11g et SIN RCa pour la norme 802.11a.
ust le point de service t est associé au site s dont il reçoit le signal le
plus fort si ce site lui garantit au moins le débit minimum. Ce qui
donne :

 (
 pR R
st = max(pst )
1 si s∈S O

∀t ∈ T, ∀s ∈ S O , ust = SIN Rt ≥ SIN RC (2.2)

0 sinon

Ainsi
P:
Si ust = 1 alors le point de service t est associé au site s du
s∈S O
réseau.
Si ust = 0 alors le point de service t n’est associé à aucun site
P
s∈S O
du réseau.

Remarque :
Pour les points de service interdits on ne parle pas d’association, on ne calcule pas
2.6 Modèle de débit 77

le SINR. En effet, ces points de service ne représentent pas des clients, on souhaite
simplement qu’ils ne soient pas couverts par un AP. Un point de service t est couvert
par un AP s si la puissance qu’il reçoit de cet AP pR
st est supérieure à un seuil donné.
La couverture ne garantit donc pas un service.

Les notions de sites serveurs et de cellules dérivent de l’association des clients


aux points d’accès.
st site serveur du point de service t. Il s’agit du site auquel le point
de service t est associé. Il est appelé dans ce cas le serveur associé
au point de service :
st = s si et seulement si ust = 1.
st = 0 si et seulement
P si le point de service t n’est pas associé.
Donc on a : st = s × ust .
s∈S O
TsC ensemble des points de service associés au site serveur s :

TsC = {t ∈ T \ust = 1} (2.3)

TsC constitue la cellule du site s, appelée en 802.11 on parle aussi


de BSS pour Base Service Set.
T0C ensemble des points de service qui ne sont associés à aucun site :
X
T0C = {t ∈ T \ ust = 0} (2.4)
s∈S O

T0C est appelée la zone blanche comprenant l’ensemble des points


de service de la zone de calcul qui ne sont pas associés à un site.
nTs nombre de clients appartenant à la cellule TsC :
X
nTs = κt (2.5)
t∈TsC

2.6.2 SINR et débit nominal

Pour se connecter à un réseau WLAN, un équipement doit être doté d’une carte
d’accès ou un adaptateur sans fil. Ils contiennent une antenne qui leur permet de
communiquer avec un AP. La qualité de la liaison radio entre ces deux antennes
est primordiale pour définir le débit utilisé pour la communication. La norme 802.11
définit un certain nombre de codages et de types de modulation et les différents débits
78 Chapitre 2. Modélisation de la planification

théoriques correspondants appelés débits nominaux. Le tableau 2.1 récapitule,


pour les normes 802.11b, g et a, les codages et les types de modulation mis en œuvre
et les différents débits correspondants. Nous ne détaillerons pas ici les différentes
techniques de codage et de modulation dont les descriptions peuvent être trouvées
dans [Allio, 2007].

Carte Cisco Carte Cisco


Aironet b/g Aironet a
Type de Débit Seuil de SINR Seuil de SINR
Technologie Codage modulation nominal sensibilité (dB) sensibilité (dB)
(Mbit/s) (dBm) (dBm)
802.11b DSSS (11 bits) BPSK 1 -94 6 × ×
802.11b DSSS (11 bits) QPSK 2 -93 7 × ×
802.11b CCK (4 bits) QPSK 5,5 -92 8 × ×
802.11b CCK (8 bits) QPSK 11 -90 10 × ×
802.11g/a OFDM (1/2) BPSK 6 -86 14 -85 16
802.11g/a OFDM (3/4) BPSK 9 -86 14 -84 17
802.11g/a OFDM (1/2) QPSK 12 -86 14 -82 19
802.11g/a OFDM (3/4) QPSK 18 -86 14 -80 21
802.11g/a OFDM (1/2) 16-QAM 24 -84 16 -77 24
802.11g/a OFDM (3/4) 16-QAM 36 -80 20 -73 28
802.11g/a OFDM (2/3) 64-QAM 48 -75 25 -69 32
802.11g/a OFDM (3/4) 64-QAM 54 -71 29 -68 33

Table 2.1 : Codages et modulations pour les débits nominaux définis par les normes
802.11b/g/a (les seuils de sensibilité et de SINR sont ceux des cartes Cisco
Aironet 802.11b/g et 802.11a)

La caractéristique principale d’une carte d’accès ou d’un adaptateur sans fil est
son seuil de sensibilité. Selon la puissance du signal reçu par la carte, le seuil de
sensibilité donne le débit nominal qu’il est possible d’établir entre la carte et l’AP
émetteur du signal. Un exemple de seuil de sensibilité est donné dans la table 2.1.
La puissance du signal reçu est donc le premier critère qui intervient dans la qualité
d’une liaison radio.
Le seuil de sensibilité ne tient compte que de la puissance du signal porteur de
l’information et pas de l’environnement électromagnétique c’est-à-dire des signaux
brouilleurs ou interférents. En réalité, le seuil de sensibilité caractérise le niveau
de puissance du signal porteur par rapport au bruit thermique. Le bruit thermique
correspond à l’agitation de porteur de charge au voisinage de l’antenne. La puissance
du bruit thermique est égale à pB = kB BT avec kB la constante de Boltzmann (kB =
1, 3806 × 10−23 W.s.K −1 ), B la largeur de bande (B = 22 M Hz pour les normes
b/g et B = 20 M Hz pour la norme a) et T la température ambiante (T = 300 K).
Le bruit thermique vaut approximativement −100 dBm pour les normes b/g et
−101 dBm pour la norme a.
2.6 Modèle de débit 79

Nous notons donc dans la table 2.1 le seuil de sensibilité comme étant la valeur
nominale de puissance du signal reçu pour que le rapport signal à bruit noté S/N
ou SNR pour Signal-to-Noise-Ratio soit supérieur à un seuil qui permette la com-
munication au débit souhaité. Considérant l’échelle linaire qu’est le Watt, le SNR
est un rapport de deux puissances exprimées en Watt donc sans unité tandis qu’en
échelle logarithmique, le SNR est une soustraction de deux puissances exprimées en
dBm donc son unité est le dB.
Pour généraliser cette définition et considérer tous les brouilleurs, et pas unique-
ment le bruit thermique, nous utilisons alors le rapport signal à interférence plus
bruit noté S/(I+N) ou SINR pour Signal-to-Interference-plus-Noise-Ratio. Ce rap-
port intègre tous les éléments intervenant dans la qualité de la liaison radio : 1) la
puissance du signal porteur de l’information, 2) les puissances des signaux interfé-
rents, 3) la puissance du bruit et comme nous allons voir 4) les écarts de fréquence
des signaux interférents par rapport à la fréquences du signal porteur.

Remarque :
Pour caractériser la qualité de la liaison radio, différents critères de mesure ont été
définis : le taux d’erreur binaire (BER pour Bit Error Ratio), le taux de block er-
roné pour les données (BLER pour BLock Error Rate) ou le taux d’effacement des
trames pour la voix (FER pour Frame Erasure Rate). Ces indicateurs sont utiles
lorsque l’on travaille au niveau de la couche physique ou de liaison car ils indiquent
directement le taux de retransmission d’une trame. Cependant pour notre problème
de planification, nous ne descendons pas à ce niveau de spécification et nous utilise-
rons le rapport signal à interférence plus bruit, SINR, comme critère de mesure de
la qualité radio.
Il existe des tables de correspondance entre le SINR et les critères évoqués pour le
802.11 mais nous ne les utiliserons pas dans ce mémoire. Nous retiendrons simple-
ment que selon la valeur du SINR calculée au niveau d’un client, il est possible de
déterminer le débit nominal à utiliser entre le client et l’AP émetteur du signal.

Le SINR est donc le rapport de la puissance du signal porteur de l’information


et de la somme des puissances des autres signaux considérés comme perturbateurs
ou interférents. Selon la valeur du SINR, les constructeurs définissent le débit nomi-
nal que peut supporter une communication. Le débit nominal possible est fonction
du SINR, de la norme considérée et de la façon dont elle est implémentée par le
constructeur au niveau de chaque carte de réception.
Lorsque le SINR calculé au niveau de la carte est fort, il est possible de mettre
en place un codage et une modulation de l’information sophistiqués qui permettent
un haut débit. Par contre, lorsque le SINR est faible, il est nécessaire de mettre en
œuvre un codage et une modulation de l’information plus robustes (et donc offrant
80 Chapitre 2. Modélisation de la planification

un débit plus faible), afin de transmettre correctement les informations. La table 2.1
donne les débits nominaux possibles selon le niveau de SINR pour les normes b/g
et a. Par exemple, pour un SINR de 22 dB le débit nominal pour la norme g est de
36 M bps.
Un canal est caractérisé par une fréquence centrale appelée fréquence porteuse.
Comme indiqué au paragraphe 2.3.4, les 14 canaux des normes b et g étant espacés
de seulement 5 MHz cela implique qu’ils se chevauchent (cf. figure 2.3). Par consé-
quent deux points d’accès communiquant sur des canaux adjacents se brouillent
mutuellement si leurs cellules se chevauchent : il y a interférence donc diminution
du SINR et du débit. Au contraire, lorsque deux AP communiquent sur des canaux
totalement disjoints, par exemple 1 et 6, ils n’interfèrent pas entre eux même si les
deux AP sont proches spatialement l’un de l’autre.
Pour un client utilisant un canal donné, un signal interférent est qualifié d’interférent
co-canal s’il utilise le même canal que le client, et d’interférent adjacent s’il utilise
un canal adjacent à celui du client. Pour un client, il existe deux types de signaux
interférents selon leur provenance : les signaux descendants provenant des AP autres
que l’AP auquel il est associé et les signaux montants provenant des clients associés
aux AP voisins en supposant que les clients associés au même AP que lui n’émettent
pas en même temps donc ne génèrent pas de brouillage.
Actuellement dans la littérature et en pratique, seuls les signaux provenant des
AP sont pris en compte pour quantifier les interférences [Wong et al., 2005] [Runser,
2005]. Dans le modèle de propagation, nous avons déjà évoqué cet aspect : seules les
liaisons descendantes de l’AP vers le client sont prises en compte. En effet, les clients
étant potentiellement très nombreux et mobiles il est impossible de calculer dans un
temps acceptable la propagation de ces signaux dans tout le bâtiment. Considé-
rer uniquement les signaux interférents provenant des AP a un avantage pratique
certain puisque les AP sont fixes et leur nombre maximum limité. De plus, cette
approximation est justifiée théoriquement par deux aspects. D’une part, les retours
d’expérience de réseaux de type 802.11 ont montré que la charge était essentiel-
lement descendante c’est-à-dire que c’est très majoritairement l’AP qui occupe le
canal (3,7 fois plus [Allio, 2007]) et non les clients de la BSS. D’autre part, le signal
provenant d’AP interférents peut être vu comme la moyenne des signaux interférents
provenant de clients de cette BSS. Une autre approche serait de raisonner avec des
probabilités de coupure de communication.

Remarque :
Les bruits électromagnétiques produits par des équipements autres que les points d’ac-
cès comme des fours à micro-onde ou des appareils industriels utilisant aussi les fré-
quences de la bande ISM (Industriel, Scientifique et Médical) sont considérés comme
des signaux interférents pour les AP. Ils ne sont pas pris en compte dans notre
2.6 Modèle de débit 81

étude ; cependant, ils pourraient être ajoutés aux interférences si on sait précisément
où ils se trouvent et quel est leur niveau de puissance.

Variables

Nous rappelons la définition du SINR :


SIN Rt rapport signal à interférences plus bruit au point de service t
dans le cas d’une association des points de service au point d’accès
fournissant le plus fort signal :
puissance du plus fort signal
SIN Rt =
puissance du bruit + puissance des interférents
P

pR
st t
= B (2.6)
pR
P
p + s0 t γ(|fst − fs0 |)
s0 ∈S O \{st }

Dans cette formule, les notations sont linéaires : les puissances sont
toutes exprimées en milliwatts (mW ) et non en décibel par milli-
watts (dBm). Une division de deux puissances exprimées en mW
correspond à une soustraction de ces deux puissances exprimées en
dBm, nous pouvons donc écrire aussi :
 
X
SIN Rt[dBm] = pR
st t[dBm] −
pB
[mW ] + pR
s0 t[mW ] γ(|fst − fs0 |)[lin]
 (2.7)
s0 ∈S O \{s t}
[dBm]

La perception de la puissance d’un signal dépend de la fréquence à laquelle il est


écouté. Si nous écoutons un signal à la fréquence où il a été émis alors le signal est
perçu à sa puissance maximale. Mais si nous écoutons un signal à une autre fréquence
que celle où il a été émis alors le signal est perçu avec une atténuation caractéristique
de ce décalage de fréquence. Cette atténuation est définie par le facteur de protection
noté γ(.) avec γ(.) ∈ [[0, 1]]. Puisque chaque fréquence est caractérisée par un numéro
de canal noté f , nous considérons l’écart entre le canal f sur lequel est émis le signal
et le canal f 0 sur lequel est perçu le signal. γ(.) est donc fonction de l’écart de canal
|f − f 0 |. Pour calculer γ(.), il est nécessaire de connaître la modulation du signal
afin de caractériser l’impact des interférences. [Burton, 2002] donne un exemple de
ce calcul pour la modulation DSSS. La table 2.2 donne le facteur de protection γ(.)
que nous avons fixé pour la suite du mémoire. Ces valeurs sont considérées comme
des données d’entrée de notre problème.
82 Chapitre 2. Modélisation de la planification

γ facteur de protection entre deux canaux. C’est une fonction qui


donne l’affaiblissement du signal entre deux canaux en fonction de
leur écartement sur le spectre de fréquences. Elle est décroissante
de 1 à 0, définie sur les entiers compris entre [[0; 12]] pour la norme
802.11b/g, cf. table 2.2. Pour la norme 802.11a, les 8 canaux de
fréquence étant totalement disjoints, l’utilisation de canaux adja-
cents ne crée pas d’interférences : γ(x > 0) = 0, il n’existe que des
interférences co-canal : γ(0) = 1.
pB puissance du bruit thermique. pB = −100 dBm pour les normes
b/g et pB = −101 dBm pour la norme a.

Ecart de Facteur de protection Facteur de protection


canal linéaire : 0 ≤ γ(.) ≤ 1 exponentiel en dB : −∞ ≤ γ(.) ≤ 0
0 1 0
1 0.7272 -1.38
2 0.2714 -5.66
3 0.0375 -14.26
4 0.0054 -22.68
5 à 12 0 −∞

Table 2.2 : Facteur de protection γ(.) pour les normes 802.11b/g

Dans les expressions du SINR, fs , s ∈ S, est le numéro de canal de fréquence


affecté à l’AP situé sur le site s. Donc |fst −fs | est le nombre de canaux d’écart entre
le site st et le site s. f = (fs )s∈S est une solution au problème d’allocation de
fréquence.
Prenons un exemple d’utilisation de la table 2.2. Pour la norme 802.11b/g, le
facteur de protection entre le canal 7 (2431-2453 MHz ) et le canal 9 (2441-2463
MHz ) est : γ(7, 9) = γ(|7 − 9|) = γ(2) = 0.2714 ' 5.7 dB. Alors une antenne
émettant un signal à la puissance de 20 dBm sur le canal 7 est perçue sur le canal
9 à la puissance : 20-5.7=14.3dBm.
Nous posons les paramètres suivants :
DN ensemble des débits nominaux autorisés par la norme. Cet ensemble
est valable pour une norme donnée : nous distinguons donc DN b
pour la norme 802.11b, DN g pour la norme 802.11g , DN bg pour la
norme 802.11b/g et DN a pour la norme 802.11a.
dN
k le k-ième débit nominal (en Mbps) que permet une norme. Par
exemple pour la norme 802.11b, les débits nominaux sont : DN b =
{dN N N N
1 = 1M bps, d2 = 2M bps, d3 = 5.5M bps, d4 = 11M bps}.

nN nombre de débits nominaux autorisés par la norme :


nN = |DN |.
2.6 Modèle de débit 83

dN
t débit nominal exprimé en Mbps établi entre le point de demande t
et son serveur : dN N
t ∈ D ∪ {0}
Si le point t n’est pas associé, donc n’a pas de site serveur, son débit
nominal est nul : dN t = 0.
N
dt est une fonction qui donne le débit nominal maximum que per-
met une technologie en fonction du rapport signal à interférences
plus bruit au point t : dNt (SIN Rt ). Cette fonction est valable pour
une norme donnée : nous distinguons donc dN t
b
pour la norme
Ng
802.11b, dt pour la norme 802.11g et dt pour la norme 802.11a.
Na

Le tableau 2.1 page 78 en donne un exemple pour la norme 802.11b.


ηsk nombre de clients associés au site s et communiquant au k-ième
débit nominal : X
ηsk = κt δ(dNt =dNk ) (2.8)
t∈TsC

avec δ(dNt =dNk ) = 1 si dN N


t = dk et δ(dN N = 0 sinon.
t =dk )
nN

Nous remarquons que : ηsk = nTs


P
k=1

2.6.3 Capacité maximale d’un AP en régime saturé


Le débit nominal correspond au débit du niveau de la couche MAC. Il tient
compte du codage et de la modulation du signal utilisés au niveau de la couche phy-
sique. Mais il ne tient pas compte de la méthode d’accès au canal : Carrier Sense
Multiple Access with Collision Avoidance (CSMA/CA) de la couche MAC. Nous
rappelons rapidement le fonctionnement d’accès au canal CSMA/CA pour pouvoir
estimer le débit utile au niveau MAC.

Protocole de la couche MAC :

Lorsqu’une station veut émettre des données, elle écoute le canal. Si le canal est
inoccupé pendant une durée DIFS (pour Distributed InterFrame Space, T DIF S =
50 µs, pour la norme 802.11b/g), on dit que le canal est libre. La station entre
alors dans un processus d’attente appelé algorithme de backoff. Le principe est le
suivant : la station tire un délai d’attente aléatoire compris entre 0 et n time slot
(n = 31 pour la norme 802.11b/g, l’intervalle [[0, n]] est appelé fenêtre de contention)
et décrémente ce compteur lorsque le canal est libre. Le time slot est une unité de
temps qui sert à décompter un temps d’attente, T Slot = 20 µs (les données de temps
sont pour la norme b/g). La station dont le compteur passe à 0 en premier se voit
réserver l’utilisation du canal le temps de la transmission d’un paquet de données.
84 Chapitre 2. Modélisation de la planification

Les autres stations bloquent leur compteur pendant la durée de cette transmission et
recommencent à le décrémenter dès que le canal est à nouveau libre. Si deux stations
ont la même valeur de compteur une collision se produira au niveau du récepteur. Ces
stations devront alors retirer un nouveau délai, compris cette fois entre 0 et 2 × n (62
pour la norme 802.11b/g) car on double l’intervalle de temps à chaque échec, avant
de pouvoir retransmettre le paquet perdu. Si la taille de la fenêtre de contention
atteint sa valeur maximale (correspondant à 8 retransmissions 8 × 31 = 248 pour
la norme 802.11b/g), le paquet est définitivement perdu ; la station passe au paquet
suivant et réinitialise sa fenêtre de contention à [[0, n]]. Cet algorithme permet aux
stations d’accéder au support avec la même probabilité, mais sans garantie de délai.
Lorsque le point d’accès veut émettre des données, il procède exactement de la même
façon qu’une station.
Les figures 2.9 et 2.10 résument le cycle CSMA/CA en cas de succès de la trans-
mission. Une fois un paquet de données transmis, la station destinataire accuse
bonne réception du paquet par l’envoi d’un message ACK (pour ACKnowledgment).
La trame ACK est envoyée après une durée SIFS (pour Short InterFrame Space,
T SIF S = 10 µs pour la norme 802.11b/g). La durée SIFS est inférieure à la durée
DIFS afin que les autres stations ne pensent pas que le canal est libre. Le canal
redevient libre une fois qu’une durée DIFS s’est écoulée après la fin de l’envoi de
la trame ACK. Dans le cas de liaison descendante comme illustré en figure 2.9, les
données sont émises par l’AP et reçues par les stations. Seul l’AP accède au canal,
les autres stations n’envoient que des acquittements. Il n’y a donc pas de collisions
possibles.

Figure 2.9 : Protocole CSMA/CA d’accès au canal dans le cas de trafic descendant

Connaissant le fonctionnement des couches MAC et PHY des normes 802.11b/g/a,


de nombreuses estimations analytiques de la capacité réelle ont été réalisées avec des
modèles plus ou moins fins tenant compte des collisions et autres retransmissions. Ci-
tons les travaux de [Heusse et al., 2003] et plus généralement de l’équipe DRAKKAR,
de [Lu & Valois, 2006], de [Runser, 2005], de [Mühlethaler & Najid, 2001], de [Calì
et al., 2000] et de [Allio, 2007]. La plupart sont basées sur le travail de [Bianchi,
2000] qui caractérise le backoff par une chaîne de Markov. Les travaux de l’équipe
DRAKKAR (Université de Grenoble) ou du CITI (INSA de Lyon) s’intéressent
2.6 Modèle de débit 85

Figure 2.10 : Détail d’un cycle CSMA/CA

aussi à l’impact des stations cachées 2 sur la capacité réelle [Duda, 2008] et au pro-
blème des trois paires parallèles [Chaudet, 2004] dans lequel deux cellules bloquent
systématiquement l’accès au canal d’un client associé à une troisième cellule située
entre elles.
Notre modèle est plus simple puisqu’en trafic descendant, nous considérons le
temps moyen de backoff constant puisqu’il n’y a pas de collision car seul l’AP accède
au canal. Notre analyse est donc volontairement simplifiée pour déterminer une
approximation de la capacité au niveau de la couche MAC. Nous formulons les
hypothèses de calcul suivantes :
• Nous considérons que seul l’AP accède au canal donc nous gérons un trafic
uniquement descendant.
• Nous considérons qu’il n’y a aucune retransmission de trames. Les retransmis-
sions de trames ont lieu soit s’il y a des collisions entre trames, ce qui ne peut
pas se produire dans le cas descendant puisque seul l’AP accède au canal, soit
si la trame reçue est erronée (taux d’erreur par bit trop important) du fait
d’interférences avec des brouilleurs externes au réseau ou de chemins multiples
trop longs. Nous négligeons ces retransmissions puisque nous supposons que le
débit nominal utilisé pour la communication entre l’AP et le client est choisie
justement pour éviter un taux d’erreur par bit trop important.
• Nous considérons le régime saturé, c’est-à-dire que l’AP a toujours une trame
à transmettre ; cela correspond à calculer la capacité maximale que l’AP doit
fournir pour satisfaire la demande. L’accès au canal étant partagé équitable-
ment entre les clients, nous supposons en moyenne que l’AP envoit le même

2. Deux stations sont dites cachées si elles sont associées au même AP mais ne sont pas en
visibilité radio l’une de l’autre. Dans ce cas, une station peut croire que le canal est libre et envoyer
des données à l’AP alors que l’autre station est déjà en train de communiquer avec l’AP, une
collision se produira donc au niveau de l’AP.
86 Chapitre 2. Modélisation de la planification

nombre de trames à tous ses clients. Il y a donc une périodicité comme nous le
constatons dans la figure 2.9, après avoir envoyé une trame au premier et au
second client, l’AP recommence à envoyer une trame au premier client.

Variables

Soient :
duréeBO la durée moyenne du back-off. Etant donné que nous considérons
uniquement le trafic descendant, il n’y a pas de collision possible
sur le canal puisque seul l’AP y accède. Dans ce cas, la durée du
back-off reste toujours comprise entre 0 × T Slot et n × T Slot où n est
la taille de la fenêtre de contention initiale (n = 31 pour la norme
802.11b/g). La durée moyenne est donc : duréeBO = n2 × T Slot . La
durée moyenne du back-off est une constante.
tailleM
t
SDU
la taille de la trame MSDU du point de service t. Cette taille est
caractéristique du service souhaité par le point de service. Pour la
suite, nous fixons tailleM
t
SDU
arbitrairement à la taille de la trame
MSDU moyenne noté tailleM SDU = 8184 bits = 1023 octets.
δk la durée d’un cycle CSMA/CA (cf. figure 2.10) pour une trame
tailleM SDU et pour une transmission au k-ième débit nominal
k ). Pour des réseaux fonctionnant en mode 802.11b ou en mode
(dN
mixte (avec des stations en mode 802.11b et des stations en mode
802.11g), nous avons :

δk = duréeDIFS + duréeSIFS + 2 × duréeen tête PHY + duréeACK


tailleM SDU + tailleen tête MAC + tailleFSC
+ (2.9)
dN
k

Pour des réseaux fonctionnant en mode 802.11a ou en mode 802.11g


uniquement, nous avons :

δk = duréeDIFS + duréeSIFS + 2 × duréeen tête PHY + duréeACK


tailleM SDU + tailleen tête MAC + tailleFSC
 
+4 × celling
4 × dN k

avec la fonction celling(x) qui retourne le plus petit entier supérieur


ou égal à x.
2.6 Modèle de débit 87

Les autres données, récapitulées dans le tableau 2.3, sont définies par la norme.
Une analyse plus fine de la capacité des réseaux 802.11 est réalisée dans le chapitre
V de la thèse de Sylvain Allio [Allio, 2007] dont sont extraites ces valeurs.

Paramètres 802.11b 802.11b/g 802.11a ou


(mixte) 802.11g seul
dN
k 1,2,5.5,11 1,2,5.5,11,6,9,12,18, 6,9,12,18,24,
Mbps 24,36,48,54Mbps 36,48,54Mbps
duréeDIFS 50µs 34µs
duréeSIFS 10µs 16µs
duréeslot 20µs 9µs
taille de la fenêtre 31 15
de contention initiale
duréeBO 31
2
× 20 = 310µs 15
2
× 9 = 67, 5µs
duréeen tête PHY long : 192µs long : 18 + 192µs 20µs
court : 96µs court : 8 + 96µs
tailleACK 14 octets à 1M bps 14 octets

à 6Mbps
duréeACK 14×8
1
= 112µs 4 × celling 14×8+22
4×6 = 24µs
tailleen tête MAC 30 octets
tailleFSC 4 octets
Table 2.3 : Paramètres physiques et MAC liés aux normes 802.11b, 802.11g et 802.11a

Remarque :
Pour le mode RTS/CTS le calcul est analogue. Il est également possible d’ajouter un
terme au dénominateur pour tenir compte des retransmissions.

Sous ces hypothèses, la capacité peut simplement s’écrire :


cAP
s capacité (en Mbps) fournie par l’AP du site s en régime saturé à
l’ensemble des clients de sa cellule :
taille des données utiles transmises
cAP
s =
durée de transmission des données utiles
nTs × tailleM SDU
= (2.10)
nN
BO
ns × durée +
T
P
ηsk × δk
k=1

La capacité dépend du nombre total de clients associés et du débit


nominal de chaque point de service associé. Cette fonction peut
intégrer d’autres paramètres pour tenir compte du trafic montant.
88 Chapitre 2. Modélisation de la planification

Pour estimer la capacité d’un AP, il suffit donc de connaître le nombre de clients
à sa charge et la répartition de ces clients selon les débits nominaux η = (ηk )k∈K .
Les autres paramètres dépendent uniquement de la norme utilisée. Comme présenté
dans la partie précédente, le débit nominal d’un client est déterminé par son SINR.
La répartition η est donc uniquement en fonction du SINR des liaisons descendantes.

2.6.4 Débit réel

Nous définissons maintenant le débit nominal et le débit réel en fonction des


conditions de puissance et de qualité en chaque point de demande.
dO
t débit réel (en kbps) fourni par le réseau au point de demande t pour
la configuration présentée :

cAP
st
dO
t = (2.11)
nTst

Si le point de service t n’est associé à aucun site s, alors : dO


t = 0.

Nous en déduisons pour chaque point de service l’écart entre la demande en débit
et le débit réel fourni par le réseau. Cet écart sera considéré par la suite comme un
indicateur fondamental de la qualité du réseau à concevoir.
∆t écart entre le débit souhaité par le point de service t et le débit
fourni par le réseau :
∆t = dOt − dt
S
(2.12)

Si ∆t ≥ 0, alors la demande du point de service t est satisfaite.


Si ∆t < 0, elle ne l’est pas.
La notion de satisfaction de la demande se décline en fonction de la nature des
points de service :
• Un point de service client est satisfait si et seulement s’il est associé à
un site qui lui offre un débit réel supérieur ou égal au débit qu’il souhaite.
• Un point de service interdit est satisfait si et seulement s’il n’est couvert
par aucun site ouvert, c’est-à-dire si @s ∈ S O , pR C B
st ≥ SIN R + p . Le seuil de
C B
couverture SIN R + p est défini dans le cas où il n’y a pas d’interférences au
point de service s, alors SIN Rt = pR B C
st − p et donc SIN Rt ≥ SIN R devient
pR C
st ≥ SIN R + p .
B
2.7 Le problème à optimiser 89

2.7 Le problème à optimiser

Le problème de planification de réseau 802.11 que nous avons modélisé consiste à


sélectionner des sites parmi une liste de sites candidats sur lesquels il faut installer
un émetteur ou AP. Nous disposons d’une liste de différents types d’AP. Pour
chaque AP, il faut choisir son azimut parmi une liste finie d’azimuts et sa puissance
d’émission parmi une liste finie de puissances d’émission. Enfin, il est également
nécessaire d’attribuer un canal de fréquence à chaque AP, le nombre de canaux
à notre disposition dépendant de la norme considérée (8 ou 13 canaux). Tout ces
choix correspondent aux variables de décision du problème.
Le modèle définit aussi des points de service qui caractérisent la demande
offerte au réseau, autrement dit le besoin en débit des clients du réseau. Chaque
point de service représente un nombre de clients et un débit réel attendu. Nous
attribuons aussi à chaque point de service un paramètre de priorité.
Il existe deux critères de nature différente pour évaluer un réseau : son coût
financier de construction et de maintenance et sa qualité de service c’est-à-dire
sa capacité à répondre aux besoins des clients.
Nous rappelons ci-après les paramètres de travail du problème et sa complexité
avant de définir les objectifs et contraintes du problème à optimiser.

2.7.1 Paramètres de travail

Concernant les notations, les règles générales suivantes ont été adoptées :
• Les ensembles sont décrits par une lettre majuscule.
• Les paramètres, variables et éléments d’ensemble sont définis par une lettre
minuscule.
• Une lettre en exposant d’un paramètre est utilisée uniquement pour clarifier
la signification de ce paramètre ; elle fait partie de la définition du paramètre,
en aucun cas elle ne peut varier.
• Une lettre en indice d’un paramètre fait toujours référence à un élément d’un
ensemble ; cet indice aura toujours pour valeur un entier naturel. Cela implique
que le paramètre concerné est un vecteur ou une matrice.
90 Chapitre 2. Modélisation de la planification

Rappel des notations :

S ensemble des sites candidats.


nS nombre de sites candidats : nS = |S|.
s désigne le s-ième site candidat avec s ∈ {1, ..., nS }.
cSs coût d’installation d’un AP sur le site s.
SI ensemble de sites sur lesquels un AP a déjà été installé (S I ⊂ S).
nI nombre d’AP déjà installés : nI = |S I |.
A ensemble des différents types d’AP à notre disposition.
nA nombre de types d’AP différents : nA = |A|.
a désigne le a-ième type d’AP, a ∈ A = {1, ..., nA }.
F ensemble des canaux de fréquences que peuvent utiliser les AP.
nF nombre de canaux de fréquences utilisables par un AP : nF = |F |.
cA
a coût d’achat et d’installation (indépendamment du site) de l’AP de type a.
Ha ensemble des valeurs d’azimuts que peut prendre un AP de type a.
nH
a nombre de valeurs d’azimuts possibles pour un AP de type a : nH
a = |Ha |.

Pa ensemble des valeurs de puissances que peut prendre un AP de type a.


nPa nombre possible de valeurs de puissances d’émission pour un AP de type a :
nPa = |Pa |.
T ensemble des points de service.
nT nombre de points de service : nT = |T |.
t désigne le t-ième point de service, t ∈ {1, ..., nT }.
κt nombre de clients situés sur le point de service t.
dSt débit en kbps souhaité par les clients du point de service t.
pt valeur de priorité attribuée au point de service t.
TI ensemble des points de service interdits.
pB puissance du bruit thermique.
2.7 Le problème à optimiser 91

SIN RC seuil de SINR minimal pour établir une communication.


DN ensemble des débits nominaux définis par la norme.
nN nombre de débits nominaux définis par la norme : nN = |DN |.
dN
k le k-ième débit nominal que permet la norme.
γ(.) facteur de protection entre deux canaux de fréquence.
δk durée d’un cycle CSMA/CA pour une transmission au débit nominal k.

Table 2.4 : Rappel des données d’entrée du problème

ws type d’AP placé sur le site s : ws ∈ A ∪ {0} ⊂ IN.


fs numéro du canal de fréquence alloué à l’AP installé sur le site s :
fs ∈ FA ⊂ IN.
pE
s puissance émise par l’AP installé sur le site s : pE
s ∈ Pws ⊂ IN.

hs azimut de l’AP installé sur le site s : hs ∈ Hws ⊂ IN.

Table 2.5 : Rappel des variables de décision du problème

SO sous-ensemble de sites ouverts c’est-à-dire avec un AP installé.


pR
st puissance du signal reçu par le point de service t provenant du site s.
ust variable d’association entre le point de service t et le site s.
st site serveur du point de service t.
TsC ensemble des points de service associés au site serveur s
définissant une cellule.
T0C zone blanche : ensemble des points de service qui ne sont pas associés à
un site.
nTs nombre de clients appartenant à la cellule TsC .
SIN Rt rapport signal à interférences plus bruit au point de service t.
92 Chapitre 2. Modélisation de la planification

dN
t débit nominal établi entre le point de demande t et son serveur.
ηsk nombre de clients associés au site s et communiquant au k-ième débit
nominal.
cAP
s capacité fournie par l’AP situé sur le site s en régime saturé.
dO
t débit réel en kbps fourni par le réseau au point de demande t.
∆t écart entre le débit souhaité par le point de service t et le débit fourni
par le réseau.

Table 2.6 : Rappel des données intermédiaires du problème calculées à l’aide des données
d’entrée et des variables de décision

2.7.2 Expression de la combinatoire

A l’aide de l’ensemble des paramètres définis, nous pouvons ainsi calculer le


nombre de configurations possibles pour chaque site :
!
X
nC = nF × nH P
a × na (2.13)
a∈A

Sachant qu’il existe nS − nI sites possibles (les sites déjà installés ne pouvant être
modifiés), pour placer n points d’accès, le nombre de combinaisons possibles est :
!n
X
CnnS −nI × nF × nH P
a × na = CnnS −nI × (nC )n (2.14)
a∈A

Et pour un nombre indéterminé de points d’accès inférieur à nmax :


max
nX
!n
X
CnnS −nI × nF × nH P
a × na (2.15)
n=0 a∈A

Considérons un exemple de planification de réseau pour calculer le nombre de


configurations dans le cas où il est possible d’installer jusqu’à 50 AP. Les paramètres
sont les suivants :
2.7 Le problème à optimiser 93

nF = 13 nous considérons la norme 802.11b/g.


nI = 0 aucun réseau n’est déjà installé.
nA = 3 nous disposons de 3 types d’AP :
omni(1), bi-directive(2) et directive(3).
nH
1 = 1 il n’y a pas d’azimut pour l’AP omni.
H
n2 = 4 il y a 4 azimuts pour l’AP bi-directive.
nH
3 = 8 il y a 8 azimuts pour l’AP directive.
nPa = 4 il y a 4 niveaux de puissances pour chaque AP.
nS = 500 il y a 500 sites candidats.
nmax = 50 nous considérons l’instation d’un à 50 AP au maximum.
Donc, le nombre de configurations est :
n=50
X
n
C500 × (13 × (8 + 4 + 1) × 4)n
n=0
n=50
X
n
= C500 × 624n
n=0

Le nombre total de combinaisons possibles est alors de l’ordre de 10270 .

2.7.3 Critères du problème

Critère de coût financier


Pour chaque configuration de réseau (choix des variables de décision), nous cal-
culons le coût de construction du réseau :
X
cSs + cA
ws (2.16)
s∈S O \S I

Critère de qualité de service


Pour chaque configuration de réseau, nous estimons également la qualité de ser-
vice. Pour cela nous vérifions que tous les points de service sont satisfaits :

∀t ∈ T, ∆t ≥ 0 (2.17)

Vu comme une contrainte, ce critère de capacité garantit à tous les points de


service le débit souhaité. Cette contrainte est forte et peut s’avérer trop contraignante
pour certains problèmes. Il est peut être judicieux de traiter ce critère comme un
94 Chapitre 2. Modélisation de la planification

objectif du problème plutôt que comme contrainte. Dans ce cas, nous calculons le
débit souhaité par les points de service et non satisfaits par cette configuration de
réseau. Cette quantité est mesurée en nombre de kilobits par seconde :
X
max(0; −pt κt ∆t ) (2.18)
t∈T

Plus cette quantité est importante, plus le réseau est de mauvaise qualité et ne
répond pas à la demande des clients.
Pour conserver une qualité minimale sur le réseau, nous pouvons dans ce cas
déterminer une nouvelle contrainte garantissant un débit minimum à tous les clients :

∀t ∈ T, SIN Rt ≥ SIN RC (2.19)

Précisément, cette contrainte garantit que tous les points de service ont un SINR
supérieur au SINR minimal pour établir une communication.
Cette contrainte est équivalente à :

∀t ∈ T, SIN Rt ≥ SIN RC
⇔ ∀t ∈ T, dO
t > 0 : tous les points de service ont un débit non nul.
C
⇔ T0 = : il n’y a pas de zone blanche.
: tous les points de service sont associés à un AP.
P
⇔ ∀t ∈ T, ust = 1
s∈S O

Concernant les points de service interdits qu’il est souhaitable de ne pas couvrir,
nous avons un critère à prendre en compte comme contrainte qui s’écrit :

∀t ∈ T I , @s ∈ S O , pR C
st ≥ SIN R + p
B
(2.20)

2.7.4 Synthèse
Le problème que nous avons à traiter est de déterminer les variables de décision
w, f, pE , h avec ∀s ∈ S, ws ∈ A ∪ {0} ⊂ IN, fs ∈ FA ⊂ IN, pE s ∈ Pws ⊂ IN et
hs ∈ Hws ⊂ IN, afin de minimiser :
X X
cSs + cA (2.21)

ws + β × max(0; −pt κt ∆t )
s∈S O \S I t∈T

sous les contraintes (2.19) et (2.20).


2.8 Conclusion 95

Le premier terme de la fonction objectif concerne le coût financier d’installation


du réseau (achat des AP et coût du raccordement au réseau). Le second terme
concerne la qualité de service du réseau, plus précisément le nombre de kilobits/s
souhaité par des clients et non offerts par le réseau, ce nombre de kbps étant pondéré
par le facteur de priorité. Etant donné la nature différente des termes de la fonction
objectif (e et kbps), le coefficient β a été introduit ; il correspond au coût financier
d’un kbps non satisfait. Ce coût doit être saisi par l’utilisateur.
La contrainte de capacité (2.19) garantit à tous les points de service un débit
minimum. La contrainte (2.20) interdit que la configuration couvre des points de
service interdits.
Ce modèle est la base de notre travail, cependant, il est tout à fait envisageable
de le faire évoluer vers d’autres aspects qui s’avéreraient intéressants, en particulier
en le traitant comme un problème bi-objectif : un objectif pour le coût financier
concernant l’installation du réseau et un objectif pour la QoS du réseau.

2.8 Conclusion

L’analyse du fonctionnement des WLAN nous a permis d’identifier le débit


réel comme le critère unifiant les différentes caractéristiques de qualité
de service rencontrées dans la littérature : couverture, interférences et capacité.
Le calcul du débit réel intègre en effet les critères de couverture en calculant les
puissances reçues en chaque point du réseau, les critères de gestion des interférences
en calculant complètement et précisément le rapport signal à interférence plus bruit
(SINR) et les critères de capacité en calculant la charge de chaque point d’accès et en
modélisant les protocoles de communication (couche MAC et procédure CSMA/CA).
Il permet en particulier de supprimer toute pondération relative entre ces critères.
Notre problème à optimiser est donc basé sur le calcul du débit réel.
Notons que le calcul du débit réel nécessite de traiter simultanément les problèmes
de placement et de paramètrage d’AP et d’allocation des fréquences. C’est à la fois
une contrainte pour le problème d’optimisation, mais c’est aussi la condition qui
permet la synthèse.
De plus, notre modèle de planification de réseaux WLAN permet d’optimiser
tous les paramètres liés aux points d’accès : type d’antenne, azimut et puissance
d’émission. Il intègre aussi des zones de priorité traduisant l’importance relative
des différentes régions de l’espace à couvrir et des zones interdites indiquant les
endroits qu’il n’est pas souhaitable de couvrir pour des raisons de confidentialité ou
de sécurité.
96 Chapitre 2. Modélisation de la planification

Enfin, l’usage du débit réel permet d’exprimer naturellement et simplement les


besoins des clients du réseau. Il suffit de spécifier la carte des débits (ou des services)
souhaités et la répartition des clients dans le bâtiment. Pour cela nous avons proposé
une modélisation du trafic à l’aide de zones de service.
Le modèle constitué offre une combinatoire très importante, de l’odre de 10270
pour 50 AP à installer sur 500 sites candidats. Par ailleurs, les calculs effectués sont
assez complexes et l’écriture du modèle sous une forme permettant l’utilisation de
méthodes exactes n’est pas envisageable actuellement.
Nous présentons donc dans le chapitre suivant une méthode de résolution appro-
chée permettant de trouver des solutions sous optimales mais de bonne qualité.
Chapitre 3

Optimisation de la planification

Le problème de planification de réseaux sans fil correspond d’une part au place-


ment et au paramètrage des émetteurs et d’autre part à l’affectation des fréquences
sur ces émetteurs. Ces problèmes sont généralement traités séquentiellement avec
même parfois séparation du placement et du paramètrage des émetteurs. Comme
nous l’avons rappelé au chapitre 1, ils sont les deux problèmes fondamentaux pour
l’optimisation de la planification de réseau de radiocommunications.
Outre deux stratégies classiques d’optimisation de la planification, méthode pu-
rement séquentielle et méthode de placement avec coloration de graphe, nous propo-
sons deux nouvelles stratégies d’optimisation. L’une, séquentielle, tient compte lors
du placement des émetteurs d’un brouillage moyen entre émetteurs. L’autre, globale,
optimise simultanément le placement des émetteurs et l’affectation des fréquences.
Ces stratégies sont mises en œuvre par un algorithme à Voisinages Variables
Aléatoires (VVA) où le type de voisinage varie aléatoirement à chaque itération
d’une recherche locale.
Ce travail a fait l’objet de trois publications lors des conférences : 67th IEEE
Vehicular Technology Conference Spring 2008 , 3rd IEEE International Conference
in Central Asia on Internet 2007 et 15th IEEE SoftCOM 2007.

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Modèle de placement . . . . . . . . . . . . . . . . . . . . . 59
2.3 Modèle de paramétrage des émetteurs . . . . . . . . . . . 63
2.4 Modèle de trafic . . . . . . . . . . . . . . . . . . . . . . . . 68
2.5 Modèle de propagation . . . . . . . . . . . . . . . . . . . . 72
2.6 Modèle de débit . . . . . . . . . . . . . . . . . . . . . . . . 74
2.7 Le problème à optimiser . . . . . . . . . . . . . . . . . . . 89
98 Chapitre 3. Optimisation de la planification

2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
99
100 Chapitre 3. Optimisation de la planification

3.1 Stratégies d’optimisation


Planifier des WLAN consiste à positionner et paramétrer automatiquement
des points d’accès (AP ) dans un bâtiment afin d’offrir aux clients un accès au réseau
local en répondant au mieux à des critères de couverture, de qualité de service et de
coût financier.
Il y a deux étapes principales dans la planification de WLAN. D’abord, il faut
sélectionner un ensemble de sites parmi une liste de sites potentiels pour positionner
les AP. Pour chaque site sélectionné, il faut choisir le diagramme de rayonnement
de l’antenne à installer sur ce site, l’azimut qui indique la direction principale de
rayonnement de l’antenne et enfin la puissance d’émission de l’AP. Le quadruplet
(site, diagramme de rayonnement, azimut, puissance d’émission) est appelé confi-
guration d’AP . Sélectionner un ensemble de configurations d’AP parmi une liste
de configurations d’AP potentielles est un problème de placement nommé dans le
contexte de planification cellulaire, problème de planification automatique de cellule
(ACP pour Automatic Cell Planning en anglais).
La seconde étape importante est d’affecter une fréquence à chaque configuration
d’AP sélectionnée dans le but de minimiser les interférences. L’ensemble des fré-
quences disponibles dépend de la norme utilisée (IEEE 802.11 a, b ou g) mais aussi
des restrictions de spectre propre à chaque pays. C’est un problème de partage de
ressources, très connu en planification de réseaux cellulaires de type GSM et UMTS,
appelé problème de planification automatique de fréquences (AFP pour Automatic
Frequency Planning en anglais).
Ces deux problèmes sont fondamentalement liés car ils ont des effets antagonistes
sur un réseau. En effet, dans le cadre du problème ACP, plus on ajoute d’AP dans
un réseau, plus on augmente sa couverture ; tandis que dans le cadre du problème
AFP, plus on ajoute d’AP dans un réseau, plus on crée des interférences et in fine, on
diminue sa couverture. Traiter successivement ces problèmes, placement des AP puis
affectation des fréquences, comme dans la plupart des articles de la littérature vus au
chapitre 1, nécessite alors d’ajouter des contraintes au problème de placement des AP
afin de faciliter, dans un second temps, le problème d’affectation des fréquences. Nous
montrons qu’il est maintenant possible de traiter simultanément ces deux problèmes
par une optimisation globale utilisant le modèle que nous avons défini au chapitre 2.
Dans cette partie, nous proposons d’évaluer la Qualité de Service des réseaux
obtenus par différentes stratégies d’optimisation séquentielle ou d’optimisation glo-
bale. Outre deux stratégies d’optimisation de la planification issues de la littérature,
une stratégie purement séquentielle et une stratégie de placement avec coloration
de graphe, nous proposons deux autres stratégies d’optimisation : l’une séquentielle,
mais qui tient compte lors du placement des émetteurs d’un brouillage moyen entre
3.1 Stratégies d’optimisation 101

AP ; l’autre globale qui optimise simultanément le placement des émetteurs et l’af-


fectation des fréquences. Nous évaluerons donc deux contributions nouvelles dans ce
chapitre.
Chacune de ces stratégies est caractérisée par la façon dont les interférences sont
prises en compte. Les interférences sont souvent mesurées en un point du réseau
par le SINR (Signal-to-Interference-plus-Noise-Ratio). Nous rappelons sa définition
pour un point de service t dans le cas où seules les interférences entre AP sont
considérées :
pR
st t
SIN Rt = P R (3.1)
pst × γ(|fst − fs |) + pB
s6=st

où st indique l’AP serveur du point de service t, pR st est la puissance du signal issu


de l’AP s et reçu par le point de service t, fs est le canal de fréquence affecté à l’AP
s, pB est la puissance du bruit thermique et γ(.) est le facteur de protection entre
canaux.
L’estimation du SINR nécessite à la fois de connaître la configuration des AP
(position, diagramme de rayonnement, azimut, puissance) et les fréquences utilisées
par chacun d’entre eux. Le SINR se calcule donc uniquement si les problèmes ACP
et AFP ont été tous les deux traités. Cependant, la façon dont les interférences sont
généralement considérées se traduit souvent par des simplifications du SINR qui
permettent de traiter successivement les problèmes avant de calculer l’évaluation du
réseau via le SINR.
A chacune des quatre stratégies d’optimisation de la planification que nous allons
présenter ci-après correspond une approximation différente du SINR qui s’éloigne
plus ou moins du calcul réel donné par l’équation (3.1).

3.1.1 Optimisation séquentielle


Lorsque les problèmes d’ACP et d’AFP sont traités successivement, il est néces-
saire d’ajouter des contraintes au problème d’ACP afin de tenir compte des limites en
ressource radio. La littérature décrit une grande variété de contraintes. La contrainte
la plus courante consiste à considérer le recouvrement entre cellules en interdisant
de sélectionner deux sites candidats trop proches [Mathar & Niessen, 2000], en mi-
nimisant les zones de recouvrement entre cellules [Bosio et al., 2007] ou encore en
sélectionnant les cellules en tenant compte de leur forme géométrique [Mabed &
Caminada, 2006]. Des approches plus sophistiquées évaluent l’écart de puissances
entre les signaux interférents [Runser, 2005] [Aguado-Agelet et al., 2002], d’autres
définissent un critère de réutilisation de canaux de fréquences pour un réseau en
fonction du recouvrement [Lee et al., 2002].
102 Chapitre 3. Optimisation de la planification

La stratégie purement séquentielle retenue pour notre étude consiste à pénaliser


les recouvrements entre cellules comme dans [Bosio et al., 2007] et [Mathar & Nies-
sen, 2000] en tenant compte des écarts de puissances entre les signaux interférents
comme dans [Stamatelos & Ephremides, 1996] et [Anderson & McGeehan, 1994]. Le
problème d’ACP sélectionnera donc les configurations d’AP qui couvrent le mieux
le réseau tout en minimisant les recouvrements de cellules. Une fois les configura-
tions d’AP choisies, nous traitons le problème d’AFP en utilisant les 13 canaux de
fréquences disponibles pour la norme IEEE 802.11g.
Il y a recouvrement entre cellules lorsqu’un point de service reçoit plusieurs
signaux. L’importance du recouvrement est fonction de l’écart de puissance entre le
signal porteur et les signaux interférents. Pour mesurer le recouvrement en un point
de service t, l’approximation du SINR ci-dessous est appropriée :
pR
SIN Rt ' P Rst t B (3.2)
pst + p
s6=st

Formellement cette approximation correspond au cas où tous les AP utilisent le


même canal : ∀s 6= st : |fst −fs | = 0, ce qui entraine γ(|fst −fs |) = 1. Cette stratégie
permet de traiter le problème ACP sans faire d’affectation de fréquences. Elle va
diriger la planification vers un nombre limité d’AP puisque tout recouvrement est
fortement pénalisé. Une fois les configurations d’AP sélectionnées, nous terminons
la planification en affectant au mieux les canaux de fréquences à chaque AP.
Une stratégie opposée consiste à négliger toutes les interférences. Cela correspond
à approximer le SINR en SNR (Signal-to-Noise-Ratio) :
pR
st t
SIN Rt ' = SN Rt (3.3)
pB

Dans ce cas, l’affectation des fréquences sera très difficile et les résultats en terme
de qualité de service seront médiocres.

3.1.2 Optimisation du placement avec coloration de graphe


[Rodrigues et al., 2000], [Prommak et al., 2002], [Wertz et al., 2004] et [Bahri
et al., 2005] traitent le problème AFP en même temps que le problème ACP, mais
en utilisant seulement 3 canaux disjoints pour la planification de fréquences. Les
normes IEEE 802.11b et g déffinissent 14 canaux de fréquences dont seuls 13 sont
autorisés en France.
Comme illustré en figure 3.1, ces canaux se chevauchent ce qui provoque des
interférences lorsque deux AP dont les cellules se recouvrent utilisent des canaux
3.1 Stratégies d’optimisation 103

Figure 3.1 : Les canaux de fréquence disponibles en 802.11b/g

proches (écart inférieur à 5 canaux). Dans la plupart des publications, les auteurs
se limitent donc à l’usage de trois canaux disjoints : 1, 6 et 11 par exemple, ce
qui simplifie le problème d’AFP. Dans ce cas il n’y a plus d’interférences entre
canaux adjacents, seules existent les interférences co-canal, entre AP utilisant le
même canal. En effet, avec seulement trois fréquences lorsque nous installons plus de
trois AP nous devons réutiliser un canal déjà affecté à un autre AP. Dans ce cas, soit
γ(|fst −fs | = 0) = 1 si les AP s et st utilisent le même canal, soit γ(|fst −fs | ≥ 5) = 0
si les AP s et st utilisent des canaux disjoints. Alors le SINR devient :

pR
st
SIN Rt ' (3.4)
pR
P B
st + p
s, co-canal

Dans cette stratégie, nous affectons bien des fréquences aux configurations d’AP,
mais sur un espace limité. Le problème d’affectation de fréquences ainsi réduit à trois
couleurs (1, 6 et 11) correspond au problème bien connu de coloration de graphe à 3
couleurs (3-Graph coloring). [Ling & Yeung, 2005] ont une approche similaire mais
au lieu de calculer le SINR correspondant à la stratégie, ils estiment directement le
débit en fonction de la probabilité de collision.

Dans cette stratégie à 3 fréquences, il y a recouvrement uniquement si deux


AP utilisant le même canal couvrent la même zone. Pour comparer cette stratégie
avec les autres, il est nécessaire, après cette optimisation globale du placement des
AP avec un nombre de couleurs réduit, de procéder à une nouvelle planification de
fréquences mais cette fois avec les 13 canaux de fréquences disponibles pour la norme
IEEE 802.11g. Le résultat donne un réseau complètement paramétré et ayant toute
liberté d’utiliser toutes les fréquences du spectre même si seulement 3 fréquences ont
été utilisées pour le placement.
104 Chapitre 3. Optimisation de la planification

3.1.3 Optimisation du placement avec brouillage moyen entre


AP

Les deux stratégies présentées précédemment sont inspirées de la littérature et


adaptées à notre problème focalisé sur le calcul du SINR. Cette troisième stratégie
est nouvelle et traite le problème ACP avant le problème AFP. C’est donc une
contribution sur les stratégies d’optimisation séquentielle. Pour prendre en compte
les interférences dans la première étape sans faire d’affectation de fréquences, nous
considérons un brouillage moyen entre les AP et pour définir ce brouillage moyen,
un facteur de protection moyen γ̄ est introduit.

Définition 3.1. Facteur de protection moyen γ̄


Le facteur de protection moyen γ̄ est un réel compris entre 0 et 1. Il caratérise
la protection d’un signal par rapport à un signal brouilleur utilisant un autre
canal de fréquences. Plus le facteur de protection moyen γ̄ est petit plus la
protection est importante. Il indique l’approximation moyenne de γ(.) qui
est le facteur de protection entre canaux. Il nous permet d’approximer le
SINR d’un point de service t par la formule suivante :

pR
st t
SIN Rt ' P R B
(3.5)
s6=st γ̄ × pst + p

Cette approche généralise l’approximation de la première stratégie puisque si


γ̄ = 1, alors nous retrouvons l’équation (3.2) et si γ̄ = 0, alors nous retrouvons le
SNR de l’équation (3.3). Pour déterminer la valeur de γ̄ pour un réseau donné, il
est nécessaire d’estimer la densité d’AP sur le réseau. Plus il y a d’AP, plus il y a
d’interférences et donc plus γ̄ est important. Si nous supposons toujours qu’il est
possible de respecter dans le problème AFP un écart de 2 ou 3 canaux entre tous les
AP, alors on peut fixer la valeur de γ̄ entre γ(3) = 0, 0375 et γ(2) = 0, 2714. Dans
l’exemple que nous présentons dans la partie suivante, nous prenons γ̄ = 0, 1.
Ce paramètre est défini au début de l’expérience selon le nombre d’AP attendus
dans un réseau. Cependant, il est possible de prendre différentes valeurs du facteur
de protection sur les différentes zones d’un même réseau. Nous pouvons, de plus,
faire varier ce paramètre au cours de l’optimisation selon la densité d’AP dans les
diverses zones du réseau.
Cette stratégie souple et dynamique permet de séparer les deux problèmes ; une
planification des canaux de fréquences est donc nécessaire dans un second temps. La
3.2 Expérimentations et résultats 105

start-up TRINAPS 1 a intégré cette stratégie dans son programme de planification


à partir des travaux publiés dans [Gondran et al., 2008].
Il est également envisageable d’itérer plusieurs fois consécutives le problème de
placement avec brouillage moyen et le problème d’allocation de fréquences. Le fac-
teur de protection moyen de chaque itération est déterminé grâce à la solution du
problème d’allocation de fréquences de l’itération précédente ; il évolue donc à chaque
itération.

3.1.4 Optimisation simultanée du placement et de l’affecta-


tion
La quatrième et dernière stratégie résoud les deux problèmes simultanément : il
n’y a pas d’approximation du SINR, nous utilisons la formule (3.1) et l’affectation des
fréquences utilise les 13 fréquences disponibles. Il ne sera donc pas nécessaire, comme
dans les autres stratégies, de résoudre un problème d’affectation de fréquences dans
un second temps.
Dans le cadre d’un contrat de recherche avec Orange Labs nous avons conçu une
application de planification automatique de réseaux sans fil, nommée par la suite
WIFIOPT, qui intègre cette stratégie.

3.2 Expérimentations et résultats


Les quatre stratégies que nous venons de présenter et que nous allons comparer
en terme de qualité de réseaux produits sont résumées dans le tableau 3.1.

ACP/AFP étape ACP étape AFP


Stratégie 1 séquentielle OUI, OUI,
avec γ = 1 avec 13 fréquences
Stratégie 2 globale, NON OUI,
avec les canaux disjoints avec 13 fréquences
Stratégie 3 séquentielle OUI, OUI,
avec γ = 0, 1 avec 13 fréquences
Stratégie 4 globale, NON NON
avec tous les canaux
Table 3.1 : Description des quatre strategies d’optimisation

1. site web de TRINAPS : www.trinaps.com


106 Chapitre 3. Optimisation de la planification

3.2.1 Critère unique d’évaluation

Afin d’unifier les problèmes de placement des AP et d’affectation des fréquences,


il est nécessaire d’avoir un unique critère d’évaluation de la Qualité de Service d’un
réseau. La littérature compte presque autant de critères d’évaluation qu’il existe
d’articles. Cependant, nous pouvons les classer en trois principales catégories comme
nous l’avons vu au chapitre 1 : couverture, interférence et capacité. Les critères
basés sur la couverture nécessitent le calcul des puissances de réception des signaux
des AP ou des distances aux AP. Les critères basés sur les interférences estiment
le recouvrement entre cellules ou approximent le SINR. Les critères sur la capacité
sont souvent basés sur une estimation de la couche MAC ou du nombre de clients
par AP. Le seul critère qui unifie ces trois aspects est le débit réel par client. En
effet, pour avoir une estimation correcte du débit réel par client, il est nécessaire de
tenir compte de ces trois critères. Le modèle développé au chapitre 2 calcule ce débit
réel par client, nous l’utiliserons pour évaluer les résultats des quatre stratégies avec
les approximations de SINR respectives.

3.2.2 Expérimentations

De nombreuses études numériques ont été réalisées pour évaluer ces différentes
stratégies d’optimisation [Gondran et al., 2007b] [Gondran et al., 2008]. Nous avons
utilisé notre application WIFIOPT pour tester l’ensemble des stratégies en modifiant
le paramètrage ou les calculs de manière à reproduire les 4 cas. Par contre l’instance
du problème à optimiser, le fonctionnement de la procédure d’optimisation et la
machine de test (Pentium 4 à 3.2 GHz ) sont identiques.
L’optimisation nécessite de calculer préalablement les cartes de couverture des
sites potentiels qui sont les données d’entrée du problème d’optimisation. Pour cela,
nous avons utilisé une application propriétaire de Orange Labs qui est un logiciel de
propagation d’ondes radio en milieu indoor ; il est basé sur la méthode de lancer de
rayons dans les trois dimensions de l’espace [Chaigneaud et al., 2001]. Le nombre de
rayons et de réflexions à considérer pour le calcul est paramètrable. Les phénomènes
de diffraction sont également pris en compte.
Le problème à optimiser correspond à un bâtiment de deux étages décrit par la
figure 3.2. Chaque étage est un rectangle de 120 mètres de long pour 40 mètres de
large. Nous définissons 94 sites potentiels d’installation d’AP répartis sur les deux
étages. Pour se focaliser sur les différentes stratégies d’optimisation on a réduit la
combinatoire du problème : un seul type d’AP est disponible avec un diagramme
de rayonnement omnidirectionnel et deux niveaux de puissance d’émission possibles.
Le nombre maximum d’AP à installer est fixé à 30.
3.2 Expérimentations et résultats 107

Figure 3.2 : Description du premier et second étage du bâtiment test

Pour définir la demande en trafic, nous utilisons des zones de service représentées
par des polygones couvrant une partie du bâtiment. Chaque zone est caractérisée
par un nombre de clients et un débit souhaité par chacun des clients de cette zone.
Une zone de service est définie en vert sur la figure 3.2 sur chaque étage du bâtiment.
300 clients sont uniformément répartis sur chaque zone de service et chacun d’entre
eux souhaite 500 kbps. La demande globale est donc de 300 M bps. Les deux zones
de service couvrent 7728 mètres carrés, nous définissons donc 7728 points de service
pour le calcul du SINR.
Préalablement à l’optimisation, il est nécessaire de calculer les 94 cartes de cou-
verture des 94 sites potentiels. Chaque carte compte 7728 pixels (mètres carrés) plus
les pixels qui font le contour du bâtiment. La durée de calcul des 94 cartes par le
modèle de propagation d’Orange Labs demande environ 1h30.

3.2.3 Résultats
Pour chaque stratégie, notre algorithme est exécuté trois fois pendant une du-
rée d’une heure. Nous présentons le meilleur résultat des trois exécutions. Notons
que pour chacune des stratégies, les trois exécutions sont relativement homogènes,
les résultats que nous présentons ne sont pas affectés par le choix de la meilleure
exécution.
Les résultats des quatre stratégies sont présentés sur la figure 3.3. Pour chaque
108 Chapitre 3. Optimisation de la planification

stratégie, nous comparons le nombre d’AP sélectionnés, le nombre de points de


service non couverts et le nombre de points de service non satisfaits. Un point de
service est non couvert en service si son SINR est trop faible (inférieur à 4 dB)
c’est-à-dire qu’il y a trop d’interférences ou que le signal porteur est de trop faible
puissance. Un point de service est non satisfait s’il est couvert en service mais que
le débit réel qu’il obtient est inférieur au débit qu’il souhaite (500 kbps).

Figure 3.3 : Résultats des quatre stratégies : nombre d’AP sélectionnés, nombre de points
de service non satisfaits, nombre de points de service non couverts. Il y a
7728 points de service au total.

Considérons d’abord le nombre d’AP sélectionnés pour les 4 solutions. Les stra-
tégies 2, 3 et 4 ont sélectionné 30 AP, ce qui est le maximum permis, la stratégie
1 en a sélectionné seulement 11. Cette limitation est dûe aux interférences : pour
cette stratégie, lorsqu’un nouveau AP est ajouté lors de la phase ACP il fournit
une connexion à de nouveaux points de service, ce qui justifie son ajout, mais il
détériore également la qualité des liaisons radio de nombreux points de service car
c’est un interférant supplémentaire en co-canal. Cet équilibre limite le nombre d’AP
installés à 11. Ce résultat montre que cette stratégie, pénalisant dans un premier
temps tous les recouvrements sans utiliser les fréquences, sur-contraint le problème
de planification WLAN. De ce fait, 11 AP ne suffisent pas à satisfaire la demande et
cette stratégie donne les pires résultats en terme de points de service non couverts
et non satisfaits. A noter que cette stratégie est celle qui est la plus couramment
employée car sa modélisation est la plus accessible.
Les figures 3.4 et 3.5 montrent respectivement les couvertures des quatre straté-
gies pour le premier et le second étage du bâtiment. Le bleu clair indique l’extérieur
du bâtiment. Les pixels noirs indiquent les points de service non couverts, les pixels
3.2 Expérimentations et résultats 109

verts foncés les points de service non satisfaits mais couverts. Les pixels verts clairs
indiquent les points de service satisfaits, c’est-à-dire pour lesquels le débit réel offert
est supérieur à celui souhaité. Enfin, les pixels blancs localisent les positions des AP
sélectionnés par les quatre solutions.

Figure 3.4 : Couverture du 1er étage du bâtiment pour les quatre stratégies

En comparant les deux stratégies d’optimisation globale (stratégies 2 et 4), nous


ne pouvons pas imputer le manque de couverture au fait de traiter simultanément
ou pas les problèmes d’ACP et d’AFP. Les deux stratégies utilisent les 13 canaux
110 Chapitre 3. Optimisation de la planification

Figure 3.5 : Couverture du 2ème étage du bâtiment pour les quatre stratégies

de fréquence, mais pour la stratégie 2, la planification est réalisée en deux étapes ;


d’abord une optimisation ACP/AFP simultanée avec les 3 canaux disjoints, puis
une optimisation AFP avec les 13 canaux. En revanche, nous concluons qu’affecter
directement les 13 canaux disponibles (stratégie 4) au lieu des trois canaux disjoints
(stratégie 2) donne de meilleurs résultats : pour un même nombre de sites, il y a plus
de points de service satisfaits. Utiliser tous les canaux disponibles dans une approche
globale permet de répartir les interférences sur l’ensemble du bâtiment et de les
3.3 Approche algorithmique 111

garder à un niveau relativement faible. A contrario, avec 3 canaux disjoints, les points
de service avec interférences sont moins nombreux mais le niveau de l’interférence est
plus important, ce qui détériore plus la Qualité de Service d’un réseau. L’approche
globale avec 3 canaux conduit à un minimum local et les points de service à problème
ne sont pas rattrapables lors de l’AFP complémentaire avec 13 canaux.
Nous obtenons de meilleurs résultats avec la stratégie séquentielle n˚3 qu’avec
la stratégie globale n˚2 et des résultats bien meilleurs que la stratégie séquentielle
n˚1. Ce résultat surprenant signifie qu’il est intéressant de traiter simultanément
les problèmes ACP/AFP uniquement sous la condition d’utiliser tous les canaux de
fréquences. Ceci correspond à une avancée significative dans la résolution séquentielle
des problèmes d’affectation de fréquences en général, que ce soit en WLAN ou en
réseaux cellulaires comme le GSM.
Enfin la stratégie 4 obtient les meilleurs résultats avec près de trois fois moins
de points de service non satisfaits que pour la stratégie 3. Tout d’abord cela prouve
qu’il est maintenant possible de réaliser une optimisation globale du problème de
planification sur des réseaux de grande taille. En effet, il est possible de planifier
des réseaux de plus d’une centaine d’AP. Par ailleurs, les deux principales carac-
téristiques de cette stratégie (traitement simultané des problèmes de placement et
d’affectation et utilisation de toutes les fréquences disponibles) doivent être utilisées
simultanément pour obtenir les meilleurs résultats puisque les stratégies 2 et 3 sont
dominées.
Malgré des résultats moins bons que pour la stratégie 4, la stratégie 3 est très
prometteuse puisqu’elle permet de séparer les deux problèmes sans perte de qualité
trop importante. Elle présente l’avantage d’avoir une combinatoire beaucoup plus
faible et d’avoir un modèle de calcul moins sophistiqué que la stratégie 4. De plus
cette méthode peut être améliorée. Au lieu de fixer le facteur de protection moyen γ̄
à une valeur unique pour toute l’expérience (ici, γ̄ = 0, 1), il est possible d’employer
plusieurs valeurs selon les différentes zones du bâtiment. Par exemple, si l’on souhaite
un débit moins important sur le premier étage, ce qui signifie moins d’AP et donc
moins d’interférences, on peut baisser le facteur de protection moyen γ̄ à 0, 05 ;
inversement on peut fixer γ̄ = 0, 5 sur une zone de forte densité d’AP. Il est également
envisageable de faire évoluer le coefficient γ̄ au cours de l’optimisation en fonction
de la densité d’AP. Ces propositions font parties des perspectives de notre travail.

3.3 Approche algorithmique


Nous présentons ici les divers éléments concernant l’approche algorithmique que
nous avons conçue et mise en œuvre dans l’application WIFIOPT pour l’optimisa-
112 Chapitre 3. Optimisation de la planification

tion du modèle décrit dans le chapitre précédent et pour fournir les résultats des
quatre stratégies d’optimisation que nous avons évaluées.
Le problème de planification de réseaux locaux sans fil est un problème NP -
difficile pour lequel de nombreuses métaheuristiques et méthodes exactes ont été
utilisées : Recherche Tabou, algorithmes évolutionnaires, recuit simulé, branch and
bound, programmation linaire...
La taille des problèmes que l’on souhaite résoudre écarte l’usage de méthodes
exactes. Deux caractéristiques principales de notre problème ont orienté le choix de
la métaheuristique à utiliser. D’une part, nous avons choisi de réaliser une estimation
précise de la Qualité de Service d’un réseau en calculant le débit réel en chaque
point de service du réseau. Ce calcul complexe comprenant l’affectation des points
de service aux AP serveurs, le calcul du SINR, le calcul du débit nominal pour tous
les points de service et pour finir l’estimation de la capacité de chaque AP, nécessite
un temps de traitement important et par conséquent l’évaluation d’une solution par
l’application est longue. Cette caractéristique a écarté les métaheuristiques à base
de population (algorithmes évolutionnaires, algorithmes par colonies de fourmis,
optimisation par essaims particulaires...) et nous a orienté vers des algorithmes de
recherche locale permettant un calcul rapide des variations de la fonction à optimiser
basées autant que possible sur des évaluations incrémentales à partir de l’évaluation
courante pour éviter de refaire tous les calculs.
D’autre part, comme nous l’avons souvent répété, le problème de planification
de réseau est composé de deux sous problèmes, le placement et paramétrage des AP
et l’affectation des fréquences. Nous avons réussi à unifier ces deux problèmes en
calculant le débit réel par client, cependant il y a fondamentalement deux classes de
variables de décision : les variables concernant les configurations d’AP (site, type
d’antenne, azimut, puissance d’émission) et les variables concernant l’affectation de
fréquence (canal). Cela nous a conduit à construire différents types de voisinage
selon qu’ils concernent les variables de configuration, les variables de fréquences
ou les deux. Etant donné qu’un minimum local est relatif à un type de voisinage,
c’est-à-dire qu’il n’est pas forcément le minimum pour un autre type de voisinage,
il est intéressant d’utiliser un algorithme de haut niveau basé sur plusieurs types de
voisinage.
Par conséquent, nous avons défini un algorithme basé sur un principe simple et
relativement peu étudié explicitement dans la littérature : le changement aléa-
toire de voisinage durant la recherche. C’est-à-dire qu’à chaque itération de
la recherche, le type de voisinage est tiré au hasard. De plus, l’exploration du type
de voisinage choisi suit une procédure plus ou moins complexe qui accepte ou non
la détérioration de la solution courante. Cela peut être une métaheuristique connue
(descente simple, Recherche Tabou, recuit simulé...) ou toute autre heuristique. Nous
3.3 Approche algorithmique 113

avons appelé cet algorithme, algorithme à Voisinages Variables Aléatoires,


VVA.
L’idée de l’algorithme VVA est de changer aléatoirement de voisinages N1 , N2 , ..., Nn
durant la recherche tout en combinant différentes heuristiques. Pour cela, une heu-
ristique Hi est associée à chaque voisinage Ni et une probabilité pi de séléctionner
le couple voisinage/heuristique (Ni , Hi ) est définie. A chaque itération, l’algorithme
VVA séléctionne aléatoirement un voisinage Ni et son heuristique Hi associée selon
les probabilités. Il applique l’heuristique Hi à la solution courante dans le voisinage
Ni . L’algorithme VVA réitère cette procédure jusqu’à satisfaire un critère d’arrêt.
L’algorithme VVA peut être formalisé par le pseudo code suivant :

Algorithme VVA

Données d’entrée :
N := {N1 , ..., Nn } l’ensemble des n voisinages.
H := {H1 , ..., Hn } l’ensemble des heuristiques associées aux voisinages.
P := {p1 , ..., pn } l’ensemble des probabilités associées aux voisinages.

s := GenererU neSolutionInitiale()
s∗ := s
TANT QUE le critère d’arrêt n’est pas atteint
i := ChoisirV oisinageAleatoirement(P )
// on applique l’heuristique Hi à la solution s dans le voisinage Ni .
s := Hi (s, Ni )
SI f (s) < f (s∗ )
s∗ := s
FIN SI
FIN TANT QUE

Nous préciserons plus loin les voisinages et heuristiques choisis dans notre cas.
Si les Hi sont toutes des heuristiques de descentes simples alors VVA peut être
vu comme un algorithme de descente à voisinages variables (VND, Variable Neigh-
borhood Descent [Hansen & Mladenovic, 1999]) à la différence que le changement de
voisinage se fait aléatoirement et non systématiquement.
Notre approche peut également être vue comme une hyper-heuristique [Burke
et al., 2003] et [Meignan, 2008] puisque plusieurs heuristiques sont utilisées. Dans
notre cas, chaque type de voisinage utilise une heuristique particulière. Un état de
l’art complet des recherches locales utilisant plusieurs structures de voisinage est
réalisé dans la thèse d’Isabelle Devarenne [Devarenne, 2007].
114 Chapitre 3. Optimisation de la planification

Nous décrivons plus précisément cet algorithme au paragraphe 3.3.2. Pour l’ini-
tialiser il s’appuie sur une solution réalisable ; pour cela nous utilisons un algo-
rithme glouton aléatoire [Mezani, 2005] basé sur la couverture des points de
service que nous présentons au paragraphe 3.3.1.

3.3.1 Algorithme glouton aléatoire de couverture

Nous avons choisi un algorithme de recherche locale pour l’optimisation, il est


donc nécessaire de construire une solution initiale, point de départ de cet algo-
rithme. C’est le rôle de la fonction GenererU neSolutionInitiale() du pseudo-code
précédant. Une méthode gloutonne aléatoire de couverture construit cette solution
initiale. Notre choix s’est porté sur cette méthode pour la simplicité de sa mise en
œuvre et parce qu’elle fournit une solution initiale meilleure qu’une solution aléa-
toire.
Un algorithme glouton est un algorithme qui construit une solution progressive-
ment en faisant une suite de choix définitifs donc sans retour. Confronté à un choix,
l’algorithme choisit ce qui lui semble le meilleur pour avancer. C’est un choix local et
on espère que la succession de choix locaux va amener à une bonne solution globale.
Les choix à effectuer sont simplement l’affectation des variables du problème. Faire
le meilleur choix se rapporte à l’objectif à atteindre ou/et aux contraintes à satis-
faire. Dans notre cas, nous avons choisi de travailler plutôt sur les contraintes : ne
pas dépasser le nombre d’AP fixé et obtenir la meilleure couverture avec ce nombre.
Un algorithme glouton aléatoire est un algorithme glouton où les décisions succes-
sives sont tirées aléatoirement dans l’ensemble des meilleurs choix possibles à chaque
étape [Mezani, 2005]. L’avantage d’une telle méthode est qu’elle fournit un
ensemble de solutions initiales relativement variées et de bonne qualité.
La méthode gloutonne utilisée fonctionne en deux étapes. D’abord un algorithme
de couverture maximale sélectionne successivement les configurations d’AP qui aug-
mentent la couverture courante. Ensuite, à partir de ces configurations retenues, les
canaux de fréquences sont affectés par un second algorithme glouton.
Plus précisément, l’algorithme glouton aléatoire de couverture cherche à ajouter
à la solution en construction une configuration d’AP qui augmente le nombre de
points de service couverts, jusqu’à atteindre le nombre maximal d’AP, ou jusqu’à
couverture complète des points de service, ou jusqu’à ce qu’aucune configuration
n’apporte de points de service couverts supplémentaires. Son fonctionnement géné-
ral est le suivant :
3.3 Approche algorithmique 115

Algorithme glouton aléatoire

Données d’entrée :
S : ensemble des configurations déjà sélectionnées par l’algorithme.
Initialement, S := ∅ ou s’il existe un réseau déjà en place :
S := {configurations d’AP déjà en place}
m : nombre de points de service qui reste à couvrir.
nmax : nombre maximum de configurations d’AP à sélectionner.
E : ensemble des configurations d’AP possibles.
T : ensemble des configurations d’AP ne couvrant aucun point de service non
encore couvert par S.
T = ∅ s’il n’y a pas de réseau existant.

1. POUR toute configuration e ∈ E\{S ∪ T }


calculer ne le nombre de points de service qu’elle couvre.
FIN POUR
SI ne = 0
T := T ∪ {e}
FIN SI
2. TANT QUE m 6= 0 et |S| ≤ nmax
Choisir la configuration e∗ ∈ E\{S ∪ T } par tirage aléatoire
dans E\{S ∪ T } en affectant à chaque configuration e la probabilité :

exp(ne /θ)
pe = P (3.6)
exp(ne0 /θ)
e0 ∈E\{S∪T }

S := S ∪ {e∗ }.
POUR e ∈ E\{S ∪ T }
mise à jour des ne : on retranche à ne les points de service
nouvellement couverts par e∗ .
SI ne = 0
T := T ∪ {e}.
FIN SI
FIN POUR
FIN TANT QUE

Comme pour le recuit simulé, nous avons ici le choix de la variable de température
θ.
A la fin de l’algorithme glouton aléatoire de couverture, nous attribuons aléatoi-
rement un canal de fréquences à chaque AP sélectionné. Puis pour améliorer loca-
lement ce plan de fréquences, une procédure de descente simple est réalisée : pour
116 Chapitre 3. Optimisation de la planification

chacun des AP pris dans l’ordre d’apparition nous parcourons toutes les fréquences
possibles et nous affectons celle qui améliore le plus la fonction de coût donnée par
l’équation (2.21). Ce cycle est réitéré jusqu’à n’avoir aucune amélioration sur l’en-
semble des AP. Le processus est appelé algorithme multi-start d’amélioration
du plan de fréquences dans la mesure où nous réitérons la procédure de descente
en prenant plusieurs plans de fréquences aléatoires pour démarrer (10 relances).
Une solution s du problème est notée : s = {(S1 , f1 ), ..., (Sn , fn )}. Les Si repré-
sentent les n configurations d’AP séléctionnées par la solution s. Si ∈ E avec E
l’ensemble des configurations d’AP possibles. Les fi sont les fréquences allouées aux
configurations Si . Le pseudo code suivant décrit l’algorithme multi-start d’amélio-
ration du plan de fréquences noté Hmulti−start .

Heuristique multi-start d’amélioration


du plan de fréquences : Hmulti−start

Données d’entrée :
nb_multi_start : nombre d’appel de la procédure.
s : solution courante.

s∗ := s
k := 1
TANT QUE k 6 nb_multi_start
s0 := ∅
TANT QUE s0 6= s
s0 := s
POUR i := 1 à n
POUR f ∈ F \ {fi }
s00 := s \ {(Si , fi )} ∪ {(Si , f )}
// i.e. s00 = {(S1 , f1 ), ..., (Si , f ), ..., (Sn , fn )}
SI f (s00 ) < f (s)
s := s00
FIN SI
FIN POUR
FIN POUR
FIN TANT QUE
SI f (s) < f (s∗ )
s∗ := s
FIN SI
POUR i := 1 à n
fi0 := choisirAleatoirementDans(F )
FIN POUR
3.3 Approche algorithmique 117

on affecte de nouvelles fréquences à la solution :


s := {(S1 , f10 ), ..., (Sn , fn0 )}
k := k + 1
FIN TANT QUE

3.3.2 Algorithme d’optimisation à voisinages variables aléa-


toires
Le cœur de l’optimisation réside dans l’algorithme de recherche locale basée sur
une exploration itérative et aléatoire de différents types de voisinage.
Le choix a été fait de ne pas manipuler simplement un paramètre d’une configu-
ration d’AP (l’azimut, la puissance d’émission, le site ou le type d’antenne) mais de
travailler à une échelle supérieure en manipulant des configurations d’AP complètes.
L’ensemble des configurations d’AP possibles forment le pool de configurations can-
didates d’AP. Une configuration d’AP est définie par un site candidat, un type
d’antenne caractérisé par son diagramme de rayonnement, une puissance d’émission
et un azimut. Le canal de fréquence joue un rôle différent, utile pour le calcul du
SINR et du débit, et n’est pas défini dans une configuration d’AP candidate.
On garde la même notation que dans les paragraphes précédents. Une solution
s du problème est notée s = {(S1 , f1 ), ..., (Sn , fn )}. Nous avons défini cinq types de
voisinage différents :
• Un voisinage de suppression (Nsupp ) : l’ensemble des solutions pour les-
quelles une configuration d’AP est supprimée de la solution courante.
s0 ∈ Nsupp (s) si ∃(Si , fi ) ∈ s, tel que s0 = s \ {(Si , fi )}.
• Un voisinage d’ajout (Najout ) : l’ensemble des solutions pour lesquelles une
configuration d’AP est ajoutée à la solution courante.
s0 ∈ Najout (s) si ∃(Si0 , fi0 ) ∈ E × F \ s, tel que s0 = s ∪ {(Si0 , fi0 )}.
• Un voisinage de remplacement (Nrempl ) : l’ensemble des solutions qui dif-
fèrent de la solution courante d’une seule configuration d’AP avec le même
nombre d’AP.
s0 ∈ Nrempl (s) si ∃(Si , fi ) ∈ s et (Si0 , fi0 ) ∈ E × F \ s, tel que s0 = s \ {(Si , fi )} ∪
{(Si0 , fi0 )}.
• Un voisinage fréquentiel (Nf req ) : l’ensemble des solutions qui ont les mêmes
configurations d’AP que la solution courante et ne diffèrent que par le plan de
fréquences.
s0 = {(Si0 , fi0 ), ∀1 6 i 6 n} ∈ Nf req (s) si ∀i, Si0 = Si et ∃fi0 ∈ F \ {fi }.
• Un voisinage intra-site (Nintra−site ) : l’ensemble des solutions qui ont les
118 Chapitre 3. Optimisation de la planification

mêmes sites que la solution courante et ne diffèrent que par les autres variables
(type d’antenne, puissance d’émission, azimut, plan de fréquences).
s0 = {(Si0 , fi0 ), ∀1 6 i 6 n} ∈ Nintra−site (s) si ∀i, site(Si0 ) = site(Si ) et fi0 ∈ F
avec site(Si ) la fonction qui retourne le site de la configuration Si .
Remarquons que Nf req (s) ⊂ Nintra−site (s).

Pour un type de voisinage, l’exploration des solutions voisines peut être rapide ou
lente selon la simplicité ou la complexité des mouvements permis dans ce voisinage.
L’heuristique à mettre en place pour chaque type de voisinage doit donc tenir compte
de ce critère de temps pour établir s’il est raisonnable d’explorer tout ou partie des
solutions voisines.

De plus, si certains voisinages sont plus aisés à explorer que d’autres du fait du
calcul, il est intéressant de les choisir plus souvent. A chaque itération de l’algorithme
à voisinages variables aléatoires, chaque type de voisinage a une probabilité
fixée dès le départ d’être choisi. Ces probabilités sont approximativement inverse-
ment proportionnelles à la durée d’exploration de chaque voisinage.

Le schéma global d’un algorithme à voisinages variables aléatoires est donné à la


figure 3.6.

Figure 3.6 : Schéma général d’un algorithme à voisinages variables aléatoires VVA

Pour notre problème, chaque type de voisinage utilise une heuristique particulière
que nous présentons ci-dessous.
3.3 Approche algorithmique 119

3.3.3 Descente avec double contrôle de la dégradation dans


les voisinages de suppression, d’ajout et de remplace-
ment
Ajouter, supprimer ou remplacer une configuration d’AP sont des mouvements
complexes qui demandent un temps d’évaluation de la nouvelle solution assez long
puisque de tels changements impliquent que de nombreux points de service changent
d’AP serveur. Il est donc trop coûteux d’explorer tout le voisinage. Par conséquent,
lorsque le voisinage de suppression, d’ajout ou de remplacement est choisi, le voi-
sinage est parcouru aléatoirement jusqu’à trouver une solution meilleure que la so-
lution courante. Tout le voisinage n’est donc pas exploré et la solution courante
évolue vers la première amélioration rencontrée. Pour ne pas être bloqué dans un
minimum local, nous acceptons tout de même de dégrader la solution courante sous
certaines conditions. Un double contrôle de la dégradation est effectué : d’une part,
un contrôle quantitatif de la dégradation qui définit le pourcentage d’occurrence
d’une dégradation par rapport au nombre de solutions voisines visitées, et d’autre
part un contrôle qualitatif de la dégradation qui définit l’amplitude maximale d’une
dégradation ; cette amplitude est calculée par rapport à la meilleure solution et à la
solution courante. Nous présentons ci-dessous le pseudo-code de cette heuristique,
notée Hdouble−controle .

Heuristique de double contrôle de la dégradation


associée au voisinage N : Hdouble−contrle

Données d’entrée :
s : la solution courante.
s∗ : la meilleure solution rencontrée.
m : nombre de solutions explorées dans le voisinage.
N : voisinage utilisé par l’heuristique (N = Nsuppl , Najout ou Nrempl ).
proba : probabilité de dégrader la solution courante (0 ≤ proba ≤ 1).
degrad1 : coefficient de dégardation par rapport à la meilleure solution.
degrad2 : coefficient de dégardation par rapport à la solution courante.

POUR i := 1 à m
s0 := ChoisiAléatoirement(N (s))
SI f (s0 ) < f (s)
s := s0
SINON
// contrôle de l’amplitude maximale de la détérioration
SI f (s0 ) ≤ f (s∗ ) × (1 + degra1 ) + f (s) × degrad2
120 Chapitre 3. Optimisation de la planification

// contrôle de la fréquence de déterioration


accepter s0 comme solution courante avec la probabilité proba.
FIN SI
FIN SINON
FIN POUR

Le double contrôle de la dégradation mis en place doit permettre d’effectuer un


saut dans l’espace des solutions lorsque l’on a atteint un minimum local. A travers
plusieurs configurations de paramètres, nous avons étudié l’influence des facteurs
d’occurrence et d’amplitude sur la qualité des solutions trouvées, sur la vitesse de
convergence vers les optima locaux et sur la capacité de la recherche à sortir des
optima locaux. Ces tests ont montré l’intérêt de mettre en place ce double contrôle
quantitatif et qualitatif de la détérioration de la solution courante afin d’assurer
une convergence. Pour l’application WIFIOPT, nous avons implémenté une version
simplifiée de cette heuristique (m = 1) et avons retenu les paramètres suivants :
• Contrôle de la fréquence de détérioration de la solution courante : la probabilité
d’accepter une solution voisine plus mauvaise en terme de fonction de coût
que la solution courante est à 1/20 (=: proba). Cela correspond à accepter
de dégrader la solution courante après avoir évalué une vingtaine de solutions
voisines plus mauvaises.
• Contrôle de l’amplitude maximale de la détérioration. Lorsque l’on accepte une
détérioration, l’amplitude de cette détérioration ne doit pas être trop grande
pour ne pas complètement détruire la solution. Ce contrôle est géré par deux
coefficients de dégradation, degrad1 et degrad2 . Ces coefficients indiquent res-
pectivement l’amplitude de dégradation acceptée par rapport à la meilleure
solution rencontrée s∗ et par rapport à la solution courante s. Ce contrôle sur
l’amplitude maximale de la dégradation est issu de l’étude de [Mabed et al.,
2005]. Une solution voisine s0 est acceptée si sa fonction de coût vérifie la
condition suivante :

f (s0 ) ≤ f (s∗ ) × (1 + degrad1 ) + f (s) × degrad2 (3.7)

où f est la fonction coût à minimiser. Nous avons affecté les coefficients de


dégration degrad1 = 0, 55 et degrad2 = 0, 5 pour fixer l’amplitude maximale
de la dégradation acceptée. Si degrad1 = degrad2 = 0, alors la condition
devient simplement : f (s0 ) ≤ f (s∗ ) et aucune dégradation n’est acceptée. Si
seul degrad2 = 0, alors f (s0 ) ≤ f (s∗ ) × (1 + degrad1 ) et une dégradation
proportionnelle à la meilleure solution rencontrée est acceptée. Enfin dans le
cas général, la dégradation est proportionnelle à la fois à la meilleure solution
rencontrée et à la solution courante.
3.3 Approche algorithmique 121

3.3.4 Algorithme multi-start d’amélioration du plan de fré-


quences dans le voisinage fréquentiel
Modifier le plan de fréquences d’une solution ne modifie pas les associations des
points de service avec leur AP serveur. En effet, l’association est un critère lié à la
couverture et non à la fréquence puisqu’elle est basée sur la meilleure puissance re-
çue. Il est donc simplement nécessaire de recalculer le SINR et le débit des points de
service. Cela demande beaucoup moins de temps que les ajouts, suppressions ou rem-
placements d’AP. Nous pouvons donc réaliser une exploration plus importante de ce
voisinage. Lorsque le voisinage fréquentiel est choisi, nous effectuons un réaménage-
ment complet du plan de fréquences ; c’est-à-dire que l’on réaffecte les fréquences de
tous les AP de la solution courante. Pour cela, nous appliquons l’algorithme multi-
start d’amélioration du plan de fréquences que l’on a présenté dans la partie 3.3.1
concernant l’algorithme glouton. A l’issue de cet algorithme nous n’avons pas at-
teint le minimum local en terme de plan de fréquences pour les configurations d’AP
courantes, mais la qualité de leur plan de fréquences a pu être améliorée.

3.3.5 Descente dans le voisinage intra-site


Lorsque le voisinage intra-site est choisi, une méthode d’intensification est ap-
pliquée sur la solution courante. La procédure est déterministe : pour chaque site
ouvert, on évalue l’ensemble des configurations possibles d’AP pour le site et on
conserve la meilleure. Pour évaluer chaque solution voisine, on doit affecter une fré-
quence ; donc pour chaque test d’une configuration d’AP, on évalue la solution pour
tous les canaux de fréquence possibles et on retient le meilleur canal. L’ordre dans
lequel on parcourt les sites est arbitraire. A la fin de cette procédure d’amélioration
intra-site, on applique l’algorithme multi-start d’amélioration du plan de fréquences
qui permet de regénérer un plan de fréquences global. Cette transformation peut être
vue comme une série particulière de remplacements de configurations d’AP ayant le
même site. Elle est très couteuse en temps de calcul, c’est pour cette raison qu’elle
est rarement effectuée.

Heuristique de descente associée au voisinage intra-site : Hintra−site

Données d’entrée :
s : la solution.
n : nombre de configurations d’AP sélectionnées par la solution s.
F : l’ensemble des fréquences disponibles.
122 Chapitre 3. Optimisation de la planification

E : l’ensemble des configurations d’AP disponibles.

POUR i := 1 à n
POUR S ∈ E tel que site(S) = site(Si )
POUR f ∈ F
s0 := s \ {(Si , fi )} ∪ {(S, f )}
SI f (s0 ) < f (s)
s := s0
FIN SI
FIN POUR
FIN POUR
FIN
// on applique l’algorithme de multi-start
s := Hmulti−start (s)

3.3.6 Synthèse de l’algorithme à Voisinages Variables Aléa-


toires VVA

La figure 3.7 résume l’algorithme complet mis en œuvre avec les 5 voisinages et
les heuristiques utilisées. Les probabilités appliquées ont été fixées empiriquement
en fonction du temps de calcul de chaque voisinage et de leur efficacité observée. Par
rapport aux notations du pseudo-code donné dans la partie 3.3 pour l’algorithme
VVA nous avons défini cinq (n = 5) triplets voisinage/heuristique/probabilité de
type (Ni , Hi , pi ) : (Nsupp , Hdouble−controle , 0.25), (Najout , Hdouble−controle , 0.25),
(Nrempl , Hdouble−controle , 0.479), (Nf req , Hmulti−start , 0.02) et
(Nintra−site , Hintra−site , 0.001).
Il est possible de construire d’autres types de voisinage et d’autres heuristiques
afin d’enrichir les possibilités d’exploration. Alterner les phases d’intensification et
de diversification dans l’algorithme est un des aspects critiques de l’optimisation.
Notre algorithme d’optimisation à voisinages variables aléatoires VVA permet faci-
lement de mettre en place cette alternance. En effet, certains voisinages permettent
d’intensifier la recherche à partir de la solution (voisinage intra-site et voisinage fré-
quentiel), d’autres autorisent la dégradation (voisinages de suppression, d’ajout et
de remplacement) et permettent ainsi une diversification de la recherche à partir de
la solution.
Les probabilités attachées à chaque voisinage pilotent cette alternance. Dans
l’application WIFIOPT, la probabilité de chaque voisinage est fixe durant toute la
durée de l’optimisation. Cependant, il peut être intéressant de remplacer ces pro-
babilités par des probabilités conditionnelles afin de faire évoluer les poids au cours
de l’optimisation. C’est le cas de la méthode ALNS (Adaptive Large Neighborhood
3.4 Critères de Qualité de Service 123

Figure 3.7 : Algorithme à Voisinages Variables Aléatoires VVA

Search [Ropke & Pisinger, 2006]) où plusieurs voisinages sont utilisés et choisis avec
une probabilité qui s’adapte dynamiquement lors de la recherche en fonction de
l’efficacité de chaque voisinage.
L’algorithme d’optimisation à voisinages variables aléatoires VVA que nous avons
présenté n’est pas propre à notre problème et peut être considéré comme un algo-
rithme général d’optimisation.

3.4 Critères de Qualité de Service


Nous présentons maintenant deux analyses sur des nouveaux critères de Qualité
de Service (QoS ), compatibles avec le modèle mais indépendants de l’algorithme
d’optimisation, qui constituent une contribution sur l’évaluation des réseaux. La
première analyse concerne un critère de sécurité lié à des zones interdites de couver-
ture. C’est un critère non encore étudié, excepté dans [MacGibney & Klepal, 2005]
124 Chapitre 3. Optimisation de la planification

et nous montrons comment notre algorithme en tient compte.


La seconde analyse concerne un critère sur les formes géométriques des cellules ;
il est déjà utilisé dans les réseaux GSM mais pas encore dans les réseaux WLAN.
L’étude que nous avons effectuée [Gondran et al., 2007a] ouvre des pistes permettant
de séparer le problème de placement des AP du problème d’allocation des fréquences.
Ce deuxième critère pourra aussi servir pour l’optimisation de la mobilité dans les
WLAN dans le cadre des perspectives de notre travail puisqu’il permet de limiter
les handovers.

3.4.1 Critère de sécurité


Nous avons défini au chapitre 2 partie 2.4 des zones interdites c’est-à-dire des
zones que l’on ne souhaite pas couvrir pour des raisons de sécurité et de confiden-
tialité par exemple. Nous interdisons alors les solutions de réseaux qui conduisent à
couvrir tout ou partie de ces zones interdites. Toute configuration d’AP qui couvre
en puissance un point de service interdit du fait d’une puissance reçue supérieure au
seuil de sensibilité, est supprimée du pool des configurations candidates.
La couverture radio ne s’arrêtant pas strictement et de façon homogène face à
un obstacle, il est impossible de s’engager sur le respect de la couverture de chaque
point de service à un débit minimal et en même temps sur le respect des contraintes
de zones interdites. Cela dépend complétement de la configuration du bâtiment et
des multitrajets suivis par les ondes radio. En conséquence, nous avons autorisé dans
l’application WIFIOPT de relâcher ces contraintes en ajoutant une pénalité au coût
de la solution pour chaque point de service interdit couvert par la solution.
Nous présentons sur les figures 3.8 et 3.9 un exemple de configurations interdites.
A l’extérieur d’un bâtiment, il y a une zone interdite que l’on ne souhaite pas couvrir
qui correspond à un tronçon de route. La figure 3.8 montre que le site candidat situé
dans le bâtiment et proche de cette zone la couvre si on y installe un AP dont
l’antenne a un diagramme de rayonnement omnidirectionnel : cette AP est donc
interdite sur ce site. La figure 3.9 montre que seuls trois des huit azimuts possibles
sont autorisés sur ce site si on y installe un AP dont l’antenne a un diagramme de
rayonnement directionnel.

Les nombreuses expériences que nous avons menées sur les zones interdites montrent
que dans une très grande majorité des cas, lorsqu’il n’y a pas de zones interdites, seuls
les AP avec les antennes ayant un diagramme de rayonnement omnidirectionnel sont
sélectionnées dans les meilleures solutions de réseaux. L’usage des antennes bidi-
rectionnelles ou directionnelles s’avère utile presque exclusivement pour
3.4 Critères de Qualité de Service 125

Figure 3.8 : Configuration interdite avec une antenne omnidirectionnelle

Figure 3.9 : Configurations interdites avec une antenne directionnelle (seuls trois azi-
muts sont autorisés)

les questions de sécurité lorsqu’il y a des zones interdites. De ce fait, l’uti-


lisation d’AP directives ne constituent donc pas forcément la meilleure solution
lorsque l’on veut augmenter la capacité d’un réseau en réduisant les cellules via la
directivité.

Prenons un exemple concret pour illustrer ce cas. L’objectif est de déployer un


réseau de norme IEEE 802.11g dans un centre de sports et loisirs de deux étages.
Le bâtiment présente 27 sites potentiels d’installation. Cinq zones de service doivent
être couvertes. Elles sont représentées sur les figures 3.10 et 3.11 par des rectangles
de couleurs et caratérisées par un nombre d’utilisateurs simultanés répartis unifor-
mément sur cette zone et avec un débit souhaité par utilisateur. Au total, il y a
sur ces 5 zones 92 clients demandant un débit total de 23,75 Mbps. Les surfaces
non couvertes par une zone de service, comme l’espace au centre du bâtiment, sont
ignorées pendant l’optimisation. Nous réalisons deux planifications automatiques, la
126 Chapitre 3. Optimisation de la planification

première dans les conditions que l’on vient de présenter, la seconde en ajoutant au
problème une zone à ne pas couvrir. Cette zone interdite est située sur le côté droit
du bâtiment à l’étage 1 (cf. le rectangle rouge sur la figure 3.11).
La première solution sans zone interdite sélectionne trois sites pour couvrir
l’ensemble des zones, cf. figure 3.10. Les trois AP que l’algorithme installe sur ces
sites ont des diagrammes de rayonnement omnidirectionnel. Le coût financier du
réseau (achat et installation des 3 AP ) est de 3800 euros. Pour cette configuration
de réseau, les 92 clients sont satisfaits, le réseau leur fournit le débit souhaité. La
seconde solution avec la zone interdite a sélectionné cinq sites pour couvrir les
mêmes zones, cf. figure 3.11. Cependant les cinq AP installés sur ces sites ont tous
des diagrammes de rayonnement directionnel, la flèche bleue indique l’orientation de
l’azimut. Pour cette configuration de réseau, les 92 clients sont également satisfaits.
L’installation de ce réseau coûte 7300 euros.
Dans cet exemple volontairement simple, nous constatons que pour garantir un
critère de sécurité comme la non couverture d’une zone, l’algorithme propose un
réseau non trivial, plus coûteux et avec des antennes au diagramme de rayonnement
directionnel. La sécurité des réseaux WLAN a donc un impact fort sur l’ingénierie de
la couverture radio et demande des règles spécifiques d’aménagement non triviales
sans l’aide d’un algorithme d’optimisation.

Figure 3.10 : Planification du réseau (3 AP omnidirectionnels) dans le cas où il n’y a


pas de zone interdite
3.4 Critères de Qualité de Service 127

Figure 3.11 : Planification du réseau (5 AP directionnels) dans le cas où il y a une zone


interdite

3.4.2 Critère géométrique

Le second critère sur lequel nous avons travaillé porte sur la forme des cellules.
Dans les réseaux cellulaires de type GSM ou UMTS, des études [Mabed & Caminada,
2006] ont montré que la non prise en compte de critères de connexité et de géomé-
trie sur les cellules peut aboutir à des réseaux hétérogènes dans lesquels certaines
cellules sont composées de plusieurs zones isolées les unes des autres. D’une part,
ces situations ont tendance à augmenter les phénomènes d’interférences et à rendre
le problème d’allocation de fréquences plus complexe. D’autre part, elles conduisent
à un grand nombre de transferts intercellulaires ou handovers en cas de mobilité.
Or les transferts favorisent les risques d’interruption des communications, ils sont
la cause d’environ 70% des coupures, et ils engendrent des charges supplémentaires
sur le réseau non facturables au client. Dans le cas des réseaux WLAN ce type de
critère n’a pas encore été étudié.
Théoriquement, la forme géométrique idéale pour une cellule correspond à un
hexagone, dans la mesure où il s’agit de la figure la plus proche du cercle correspon-
dant à un rayonnement omnidirectionnel qui permet d’obtenir un pavage régulier du
plan et une distance fixe entre les AP de cellules adjacentes.
Le peu de travaux de la littérature qui tient compte de la forme de la cellule
comme critère d’impact sur la Qualité de Service d’un réseau concerne les réseaux
128 Chapitre 3. Optimisation de la planification

cellulaires. [Hao & Vasquez, 2000] ont utilisé la notion de connectivité de cellule
définie par [Reininger & Caminada, 2001] durant une phase de pré-optimisation
de planification de réseau. [Jedidi et al., 2004] ont introduit un critère cellulaire
mesurant la distorsion par rapport à un disque. [Mabed & Caminada, 2006] ont
approfondi ce critère et étudié son impact sur les interférences en GSM. Nous avons
adapté ce critère au contexte des WLAN et avons étudié son impact sur la Qualité
de Service.
Le critère géométrique de [Mabed & Caminada, 2006] se formule par :
P
V (b)
b∈C
G(C) = p (3.8)
8 × |C| − 6 × π × |C|

où C désigne la cellule, composée de |C| mailles, et où pour chaque maille b de C,


V (b) indique le nombre de mailles voisines appartenant à C. La figure 3.12 donne un
exemple pris dans [Mabed & Caminada, 2006]. Le critère G est compris entre 0 et
1 et mesure la distorsion d’une cellule par rapport à la forme de référence qu’est le
disque. G(C) = 1 si la forme de la cellule C est un disque et décroit si la géométrie
de la cellule s’en écarte. Dans la figure 3.12 de gauche, la cellule est composée de
plusieurs zones isolées les unes des autres ce qui detériore sa qualité.

Figure 3.12 : Variation de la fonction G pour deux cellules de tailles proches dans le
contexte d’un réseau GSM.

L’environnent spécifique des WLAN où les zones à couvrir sont souvent des
bâtiments de plusieurs étages demande à généraliser l’indicateur pour tenir compte
des 3 dimensions de l’espace. Dans un environnement 3D, les mailles d’une cellule C
sont réparties sur les différents étages k du bâtiment. Nous notons C = ∪k Ck avec
Ck la cellule 2D correspondant à l’étage k. Nous calculons les indicateurs 2D G(Ck )
pour chaque étage du bâtiment par la formule (3.8) et nous définissons l’indicateur
3.4 Critères de Qualité de Service 129

géométrique 3D comme la moyenne pondérée de ces indicateurs :


X |Ck |
G3D (C) = G(Ck ) (3.9)
k
|C|

L’indicateur géométrique 3D G3D est lui aussi compris entre 0 et 1. Pour estimer
la qualité géométrique d’un réseau WLAN, nous définissons l’indicateur géométrique,
GW LAN qui est la moyenne pondérée des indicateurs géométriques 3D de toutes les
cellules du réseau :
X |C|
GW LAN = P 0 G3D (C) (3.10)
C
|C |
C0

L’indicateur géométrique du réseau GW LAN est compris entre 0 et 1. La cardi-


nalité de chaque étage par cellule et de chaque cellule du réseau nous permet de
normaliser le critère géométrique par l’importance relative de chaque élèment de
couverture.
Un exemple de valeur de GW LAN est présenté pour rendre compte de l’intérêt de
cet indicateur géométrique. Le bâtiment test compte 3 étages (cf. figure 3.13) de 45
mètres carré chacun, et des résultats sont présentés en figure 3.14. Chaque couleur
correspond à la couverture d’un AP. Dans la figure du haut, avec un indicateur
géométrique plus faible, le réseau contient des cellules composées de plusieurs zones
isolées les unes des autres. Dans la figure du bas, les cellules sont plus compactes et
connexes.

Figure 3.13 : Description de bâtiment pour l’indicateur géométrique

Comme le montre la figure 3.14, cet indicateur porte une information importante
sur la connexité et la compacité des cellules d’un réseau. Plus la valeur est proche de
130 Chapitre 3. Optimisation de la planification

Figure 3.14 : Variation de l’indicateur géométrique GW LAN pour deux réseaux de 12 AP


dans le contexte d’un réseau WLAN.

1, plus la connexité et la compacité des cellules du réseau sont bonnes. Par consé-
quent dans un contexte de mobilité dans les réseaux WLAN pour des services de
téléphonie Wi-Fi par exemple, nous pourrons utiliser le critère GW LAN pour limiter
le handover c’est-à-dire les changements de cellule pour un client en déplacement :
plus le critère est proche de 1, moins il y a de changement de cellule lors d’un
déplacement.

De plus, dans la figure 3.14, nous remarquons que plus GW LAN est élevé, plus le
nombre moyen de cellules voisines est faible. Le nombre moyen de cellules voisines
est de 5.9 pour la figure du haut (GW LAN = 0.91) alors qu’il est de 4.9 pour la figure
du bas (GW LAN = 0.94). Cette corrélation se retrouve dans de nombreux exemples.
Or, plus le nombre moyen de cellules voisines est faible, plus le problème d’allocation
de fréquences est facile à résoudre puisque cela diminue le nombre de contrainte de
réutilisation des fréquences. Dans un contexte d’optimisation séquentielle des pro-
blèmes de placement des AP et d’affectation des fréquences, cet indicateur permettra
à l’étape de placement des AP d’évaluer la réalisabilité de l’allocation de fréquences.
Que ce soit pour la mobilité ou l’affectation de fréquences, l’indicateur GW LAN offre
des perspectives d’évolution intéressantes au travail que nous avons engagé sur la
géométrie.
3.5 Conclusion 131

3.5 Conclusion
En complément de deux stratégies usuelles d’optimisation des problèmes de pla-
nification de réseau sans fil, une méthode purement séquentielle et une méthode de
placement avec coloration de graphe, nous avons proposé deux nouvelles stratégies :
• Une méthode globale, qui optimise simultanément le placement des AP et
l’affectation des fréquences, et qui utilise les 13 canaux de fréquences autorisés
en France. Cette méthode est complexe par certains calculs effectuées mais elle
explore toutes les ressources disponibles pour la planification.
• Une méthode séquentielle qui tient compte lors du placement des AP d’un
brouillage moyen entre AP puis qui résout le problème AFP pour les sites
séléctionnés en utilisant la même fonction d’évaluation que pour le problème
ACP. Cette fonction d’évaluation, basée sur le calcul du débit réel en chaque
point de service, tient compte à la fois des variables de placement sur les sites
et des fréquences.
Nous avons montré que l’optimisation globale permet de planifier automati-
quement des WLAN de grande taille composés d’une centaine d’AP et qu’elle
donne les meilleurs résultats des quatre approches. L’optimisation séquentielle
avec brouillage moyen donne souvent des résultats très proches et s’est avérée
beaucoup plus performantes que les méthodes séquentielles usuelles.
Ces stratégies sont mises en œuvre par une heuristique nouvelle dite à voisi-
nages variables aléatoires VVA : à chaque itération de cette recherche locale le
type de voisinage est pris au hasard. Cet heuristique est très modulaire et permet
facilement de combiner les deux sous problèmes que sont le placement et l’affecta-
tion. C’est une heuristique qui n’est pas propre à notre problème et qui peut être
considérée comme un mécanisme général d’optimisation.
Sur la base de nos travaux un programme utilisant l’optimisation globale, WI-
FIOPT, a été développé et livré à Orange Labs. Il permet de proposer aux entreprises
des solutions sans fil de haute qualité de service. Un autre programme basé sur l’op-
timisation séquentielle avec brouillage moyen est utilisé par la start-up TRINAPS
pour proposer des solutions de réseau à ses clients.
Ces stratégies d’optimisation globale et d’optimisation séquentielle à brouillage
moyen sont a priori généralisables à tous les problèmes de planification de réseaux
de radiocommunications tels le GSM, le GPRS, l’UMTS...
Notons enfin, que les deux stratégies permettent de prendre en compte diverses
notions de Qualité de Service, notamment certains problèmes de sécurité et de ges-
tion du handover. En effet, lorsque nous ne souhaitons pas couvrir certaines zones
pour des raisons de sécurité, l’usage d’antennes directionnelles devient très pra-
132 Chapitre 3. Optimisation de la planification

tique et apporte des solutions adaptées. Par ailleurs, sachant que les technologies
permettant la mobilité dans les WLAN sont en plein développement, l’indicateur
géométrique que nous proposons évalue la forme des cellules et apporte une solution
efficace pour limiter le nombre de changement de cellules lors d’un déplacement.
Dans le chapitre suivant, nous verrons comment il est encore possible d’améliorer
les deux méthodes que nous avons conçues en remplaçant les contraintes liées aux
SINR par des contraintes de T -coloration de graphe ou d’hypergraphe.
Chapitre 4

T -coloration de graphe et
d’hypergraphe

Nous nous intéressons dans ce chapitre aux phénomènes d’interférences dans les
problèmes d’affectation de fréquences. A partir des contraintes sur le rapport signal
à interférences plus bruit, nous définissons un problème de T -coloration de graphe
associé. Puis nous introduisons un nouveau problème, la T -coloration d’hypergraphe
afin de rendre compte des interférences multiples. Les interférences multiples sont
très rarement prises en compte dans les modèles alors qu’elles constituent la diffi-
culté principale de l’optimisation de la qualité de service. Les équivalences entre les
problèmes sont étudiées, et des propriétés et des tests sont présentés.
Ce travail a fait l’objet d’une publication lors de la conférence 19th IEEE Interna-
tional Symposium on Personal, Indoor and Mobile Radio Communications, PIMRC
2008 : Hypergraph T-Coloring for Automatic Frequency Planning problem in Wire-
less LAN.
Sommaire
3.1 Stratégies d’optimisation . . . . . . . . . . . . . . . . . . . 100
3.2 Expérimentations et résultats . . . . . . . . . . . . . . . . 105
3.3 Approche algorithmique . . . . . . . . . . . . . . . . . . . 111
3.4 Critères de Qualité de Service . . . . . . . . . . . . . . . . 123
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
134 T -coloration de graphe et d’hypergraphe
4.1 Introduction 135

"Le début de la science moderne date du moment où aux ques-


tions générales se sont substituées des questions limitées ; où au
lieu de demander : "Comment l’univers a-t-il été créé ? De quoi
est faite la matière ? Quelle est l’essence de la vie ?", on a com-
mencé à se demander : "Comment tombe une pierre ? Comment
l’eau coule-t-elle dans un tube ? Quel est le cours du sang dans le
corps ?". Ce changement a eu un résultat surprenant. Alors que
les questions générales ne recevaient que des réponses limitées, les
questions limitées se trouvèrent conduire à des réponses de plus en
plus générales."
François Jacob, Le jeu des possibles, 1981.

4.1 Introduction

Afin d’améliorer les algorithmes présentés dans le chapitre précédent, nous nous
intéressons dans ce chapitre au phénomène d’interférences dans les problèmes d’af-
fectation de fréquences. Une analyse de l’impact des interférences dans les réseaux
sans fil nous permet de construire plusieurs modèles du problème d’affectation de
fréquences.
Nous commençons par une approche simplifiée du problème où il s’agit de vérifier
que les différents rapports signal à interférences plus bruit SINR (en anglais, Signal-
to-Interference-plus-Noise-Ratio) calculés aux points de service du réseau dépassent
des seuils donnés. C’est donc un problème de décision. Puis, nous montrons que ces
contraintes sur les SINR induisent les contraintes d’un problème de T -coloration
de graphe. Cependant, la notion de graphe est restrictive car elle correspond à des
relations binaires sur les ensembles qui ne prennent pas en compte les interférences
multiples.
En effet, pour simplifier l’étude du phénomène d’interférence, il est de coutume
de considérer les sources d’interférences indépendantes les unes des autres. Ainsi,
il est plus facile d’estimer l’impact d’un signal interférent sur le signal porteur de
l’information comme s’il était l’unique interférent. Dans ce cas, l’interférence est
dite binaire et un graphe permet de représenter cette influence. Cependant, c’est
l’action conjuguée de tous les signaux interférents qu’il faut réellement considérer.
Dans ce cas, l’interférence est dite multiple car elle fait intervenir plusieurs signaux
interférents.
Nous introduisons donc un nouveau problème, la T -coloration d’hypergraphe
afin de rendre compte des interférences multiples. Cela représente plus finement
la réalité du phénomène et un hypergraphe permet de représenter ces influences
136 T -coloration de graphe et d’hypergraphe

multiples. Les hyperarêtes de l’hypergraphe auront pour fonction de représenter les


contraintes n-aires qui lient plus de deux variables à la fois.

Suite au problème de décision où il s’agit de comparer les SINR à des seuils, nous
présentons une procédure qui construit le problème de T -coloration de graphe ou
d’hypergraphe associé au problème complet d’allocation de fréquences des WLAN.
Cette procédure fixe dynamiquement les seuils de SINR pour toutes les contraintes
afin de satisfaire les demandes en débit du réseau.

Les deux dernières parties introduisent des algorithmes qui utilisent les modèles
de graphe et d’hypergraphe. D’une part, nous proposons des règles pour réduire la
taille des graphes et des hypergraphes dans le cadre de problèmes de T -coloration. La
réduction a pour objectif de rendre les problèmes plus faciles à traiter. D’autre part,
nous montrons comment utiliser les problèmes de T -coloration dans un contexte
d’optimisation et non de décision. Nous faisons alors une analyse des résultats d’op-
timisation en T -coloration de graphe et d’hypergraphe sur un ensemble de scénarios
de réseaux.

4.2 Problème simplifié d’allocation de fréquences


dans les WLAN

Nous allons d’abord étudier un problème simplifié de satisfaction de contraintes


que nous appellerons contraintes SINR où la valeur calculée doit être supérieure à un
seuil de qualité donné q. Ce problème est appelé CSPSIN R (paragraphe 4.2.1). Nous
montrerons que ce problème est lié au problème bien connu de T -coloration sur les
graphes (paragraphe 4.2.2). Cependant, le problème de T -coloration de graphe ne
permet d’exprimer que les interférences binaires. Il est nécessaire de généraliser sa
définition pour rendre compte des interférences multiples. Nous introduirons donc
une nouvelle classe de problème, la T -coloration d’hypergraphe (paragraphe 4.2.3)
dont nous étudierons les propriétés.

Dans le chapitre 2, la table 2.1 donne une série de niveaux de SINR nécessaires
pour établir une connexion à un débit nominal donné. Cette table nous a permis de
faire le lien entre la qualité radio et la qualité de service. En effet, au chapitre 2 la
satisfaction du client a toujours été exprimée par comparaison entre le débit souhaité
en un point de service t et le débit réel fourni par le réseau. Dans cette partie, nous
nous intéressons seulement à la qualité radio c’est-à-dire au SINR et pas au débit.
Ainsi nous considèrerons par la suite des objectifs de qualité radio plutôt que de
qualité de service.
137

4.2.1 Le problème CSPSIN R

Dans de nombreux problèmes d’allocation de fréquences pour différents systèmes


de radiocommunications, les contraintes sur les fréquences proviennent d’interfé-
rences qui peuvent être évaluées en calculant le SINR aux points de service du
réseau. Les contraintes de qualité de service sont respectées en garantissant aux
points de service t du réseau un certain niveau de SINR par la suite noté qt .

Données et variables du problème

Les données et variables du problème définies au chapitre 2 et dont nous avons


besoin ici sont rappelées ci-dessous :
SO est l’ensemble des nO sites ouverts c’est-à-dire avec un AP installé :
S O = [[1, nO ]]. Le problème consiste à assigner à chaque AP un
numéro de canal de fréquence.
F est l’ensemble fini des numéros de canal de fréquence possibles.
F = [[1, 13]] pour la norme IEEE 802.11b/g.
f est la fonction d’affectation de S O dans F . f : S O 7→ F associe à
chaque AP un numéro de canal de fréquence. On note f(s) = fs et
f est totalement définie par {f1 , ..., fs , ..., fnO } : f = (fs )s∈S O . Les fs
sont les variables de décision, F est leur domaine de définition.
T est l’ensemble des points de service. Un point de service correspond
à un nœud du maillage de la zone à servir. nT = |T | est le nombre
de points de service et nous avons : T = [[1, ..., nT ]].
CSIN R est l’ensemble des contraintes de type SINR associées aux nT
points de service : CSIN R = (CtSIN R )t∈T . Chaque contrainte CtSIN R
garantit que le SINR calculé au point de service t, SIN Rt , est
supérieur ou égal à qt .

CtSIN R : SIN Rt ≥ qt

Rappelons que chaque point de service t est associé à un AP, noté


st , appelé AP serveur. Nous avons :

pR
st t
SIN Rt = P R
pst γ(|fst − fs |) + pB
s6=st
138 T -coloration de graphe et d’hypergraphe


pR
st est la puissance du signal reçu par le point de service t pro-
venant de l’AP installé sur le site s ∈ S. Cette puissance,
exprimée en mW, tient compte du paramétrage complet de
l’AP. L’AP serveur du point de service t étant st , pR
st t est la
puissance porteuse de l’information.
pB est la puissance du bruit thermique. pB = −100dBm pour
les normes b/g et pB = −101dBm pour la norme a.
γ est le facteur de protection entre deux canaux. C’est une
fonction qui donne l’affaiblissement du signal entre deux ca-
naux en fonction de leur écartement sur le spectre de fré-
quences. Elle est décroissante de 1 à 0 et définie sur les entiers
compris entre [[0; 12]] pour la norme 802.11b/g, cf. table 2.2.
Pour la norme 802.11a, les 8 canaux de fréquence étant to-
talement disjoints, l’utilisation de canaux adjacents ne crée
pas d’interférences : γ(x > 0) = 0, il n’existe que des inter-
férences co-canal : γ(0) = 1.

Ces contraintes SINR sont des contraintes n-aires qui font intervenir au moins
deux variables.
Ce premier problème, CSPSIN R , est appelé problème de satisfaction de contraintes
SINR à seuil. Il est défini par le triplet (f, F , CSIN R ). Le problème consiste à trouver
les valeurs à assigner aux variables fs telles qu’elles satisfassent toutes les contraintes
CSIN R ou à établir qu’une telle affectation n’existe pas. C’est un problème de déci-
sion.
Avant de transformer ces contraintes CSIN R en contraintes binaires puis n-aires
nous allons rappeler dans le paragraphe suivant le cadre habituellement utilisé pour
traiter l’affectation de fréquences avec des contraintes binaires : la T -coloration de
graphe.

4.2.2 La T -coloration de graphe : CSPTg


Rappel du problème

Soit un graphe non orienté G = (V, E). Colorier un graphe consiste à affecter
une couleur ci à chaque sommet vi ∈ V du graphe. Pour le problème de coloration
simple, la contrainte est que deux sommets adjacents ne doivent pas avoir la même
couleur. La seconde contrainte est que le nombre maximum de couleurs est limité à
k.
139

En T -coloration, les couleurs sont ordonnées les unes par rapport aux autres,
donc pour caractériser cet ordre, nous associons à chaque couleur un nombre entier.
Nous notons alors ci ∈ IN la couleur affectée au sommet vi ∈ V . Pour le problème
de T -coloration, les contraintes portent sur des écarts de couleur à respecter entre
deux sommets adjacents.
On définit ces contraintes de couleur entre sommets adjacents du graphe en
introduisant la collection d’ensembles : T = {Tij ⊂ IN / (vi , vj ) ∈ E}. Chaque
Tij indique les écarts de couleur interdits entre deux sommets adjacents. Chaque
Tij contient au moins l’élément zéro et se compose d’un ensemble d’entiers positifs
comme l’ensemble {0, 2, 4, 7}.
Dans le cas général, une T -coloration du graphe G(V, E) associée à la collection
d’ensembles T = {Tij ⊂ IN, /(vi , vj ) ∈ E} est une coloration ci de chaque sommet
vi de V qui respecte les contraintes suivantes : ∀(vi , vj ) ∈ E, |ci − cj | ∈
/ Tij .
Si tous les Tij = {0}, alors le problème de T -coloration est ramené à un problème
de coloration simple. Le problème de coloration simple étant NP -complet, la T -
coloration de graphe l’est aussi.
Si chaque Tij ∈ T est un ensemble d’entiers consécutifs de la forme Tij =
{0, 1, ..., tij − 1}, alors la contrainte de couleur devient : ∀(vi , vj ) ∈ E, |ci − cj | ≥ tij .
T peut alors être représentée par une matrice T = (tij )i,j∈V symétrique dont la
diagonale est nulle avec ∀(vi , vj ) ∈ / E, tij = 0.
Si ∀(vi , vj ) ∈ E, tij = 1, alors Tij = {0} et la matrice T est la matrice d’adjacence
du graphe G. La T -coloration est bien une généralisation de la coloration. Dans la
suite du mémoire, nous ne considérerons que ce type de T -coloration.

Définition 4.1. T-coloration de graphe


Une T -coloration du graphe G(V, E) associée à la matrice symétrique de
diagonale nulle T = (tij )i,j∈V , tij ∈ IN, est une coloration ci de chaque
sommet vi de V qui respecte les contraintes suivantes :

∀(vi , vj ) ∈ E, |ci − cj | ≥ tij

L’ordre d’une T -coloration correspond au nombre de couleurs différentes em-


ployées pour colorier le graphe. Le spectre d’une T -coloration est la différence entre
la plus grande et la plus petite valeur assignée à un des sommets du graphe. Nous
notons k le spectre maximum disponible, il correspond au domaine de définition des
variables : fs ∈ [[1, k]] = F .
Un problème de T -coloration de graphe est défini par le triplet (G = (V, E), F, T ).
140 T -coloration de graphe et d’hypergraphe

Problème de T -coloration de graphe associé au problème CSPSIN R

Sachant que ∀t, ∀s, pR st ≥ 0 et qt > 0, les contraintes SINR du problème


SIN R
CSP peuvent être réécrites :

∀t = 1, ..., nT , SIN Rt ≥ qt
pR
st t
⇔ P R ≥ qt
pst γ(|fst − fs |) + pB
s6=st
X pR
st t
⇔ pR
st γ(|fst − fs |) ≤ − pB (4.1)
s6=st
qt

Ces contraintes indiquent que la somme des interférents doit être inférieure ou
égale à un niveau donné. L’idée la plus simple est d’abord de relâcher ces contraintes
n-aires en contraintes binaires. En effet si la somme des interférents doit être infé-
rieure à une valeur, alors chaque interférent doit au moins être inférieur à cette
valeur. Ceci est vrai car toutes les valeurs sont positives. Chaque contrainte SINR
est ainsi transformée en (nO − 1) contraintes binaires :

pR
(4.1) ⇒ ∀t ∈ T, ∀s 6= st , pR
st γ(|fst − fs |) ≤ st t − pB
q
 Rt 
p st t B
q
−p
⇒ ∀t ∈ T, ∀s 6= st , |fst − fs | ≥ γ −1  t R  := λst (4.2)
pst

Le sens de l’inégalité est inversé car la fonction γ est décroissante. La satisfaction


de ces contraintes binaires est nécessaire à la satisfaction des contraintes SINR,
mais non suffisante. D’après les formules précédentes, chacune des nT contraintes
SINR génère (nO − 1) contraintes binaires, ce qui produit au total nT (nO − 1)
contraintes binaires. Etant donné qu’il y a nO variables, il n’existe que nO (nO −
1)/2 contraintes binaires possibles. En effet, dans un contexte de CSP, seules les
contraintes binaires ayant l’écart le plus important sont conservées. On obtient ainsi
l’ensemble Cb de contraintes binaires suivantes :

∀s, s0 ∈ S O , |fs − fs0 | ≥ tss0 (4.3)


avec tss0 = max{ max 0
λst ; max λs0 t } (4.4)
∀t, s =st ∀t, s=st

Cette transformation des contraintes n-aires CSIN R en contraintes binaires Cb


nous amène à définir un second problème, CSPTg = (f, F , Cb ) qui est un problème
de T -coloration de graphe.
141

Définition 4.2. Problème CSPTg associé au problème CSPSIN R


A tout problème CSPSIN R = (f, F , CSIN R ), un problème de T -coloration
de graphe CSPTg = (f, F , Cb ) est associé où Cb est l’ensemble des contraintes
binaires :

∀s, s0 ∈ S O , |fs − fs0 | ≥ tss0 (4.5)


avec tss0 = max{ max λst ; max λs0 t } (4.6)
∀t, s0 =st ∀t, s=st
 R 
p st t
−1  qt
− pB
et λst = γ  (4.7)
pR
st

Proposition 4.1.
Toute solution du problème CSPSIN R est également solution du problème
de T -coloration de graphe CSPTg = (f, F , Cb ) associé.

Les contraintes binaires Cb sont nécessaires à la satisfaction des contraintes SINR


CSIN R , nous notons :
CSIN R ⇒ Cb
On présente ci-dessous une condition d’équivalence de ces deux problèmes. On
dit que le point de service t est équivalent binaire si :
pR
st t
SIN Rt := P R
≥ qt (4.8)
pst γ(tsst ) + pB
s6=st

Proposition 4.2.
Si tous les points de service sont équivalents binaires, alors les problèmes
CSPSIN R et CSPTg sont équivalents.

Démonstration. En effet pour toute solution f de CSPTg , on a |fs − fs0 | ≥ tss0 , donc
puisque γ est décroissante et que les puissances pR B
st sont positives ainsi que p , nous
obtenons :
pR
st t pR
st t
SIN Rt = P R B
≥ P R
= SIN Rt
pst γ(|fst − fs |) + p pst γ(tsst ) + pB
s6=st s6=st
142 T -coloration de graphe et d’hypergraphe

Par conséquent puisque tous les points de service sont équivalents binaires (i.e.
SIN Rt ≥ qt ), on a ∀t, SIN Rt ≥ qt .

Dans les cas de non équivalence binaire, pour se rapprocher d’une équivalence
entre les problèmes, nous généralisons le problème de T -coloration aux hypergraphes.

4.2.3 La T -coloration d’hypergraphe : CSPTh

Avant d’introduire le problème de T -coloration d’hypergraphes, nous rappelons


quelques définitions sur les hypergraphes orientés.

Définition 4.3. Hypergraphe


Soient un ensemble V = {v1 , ..., vn } et une famille E = {E1 , ..., Em } de
partie de V .
Le couple H = (V, E ) est un hypergraphe si :

∀k = 1...m, Ek 6= ∅
et ∪k Ek = V

Les éléments v1 , ..., vn de V sont les sommets de l’hypergraphe et les élé-


ments E1 , ..., Em de E sont les arêtes (ou les hyperarêtes) de l’hypergraphe.

Définition 4.4. Hypergraphe orienté et pointé


Un hypergraphe H = (V, E ) est dit orienté si chaque hyperarête Ek est un
couple de deux parties non vides disjointes de V de la forme Ek = (Ek+ , Ek− )
où Ek+ sont les hyperarêtes sortantes et Ek− les hyperarêtes entrantes. Si de
plus ∀k, |Ek+ | = 1, l’hypergraphe est dit pointé et on dit que l’hyperarête
Ek pointe vers un sommet noté vsk , appelé pointe de l’arête (Ek+ = {vsk }).
Pour chaque hyperarête Ek d’un hypergraphe pointé, nous adoptons la no-
tation suivante : Ek = (vsk , Γk ) avec Γk = Ek− = {vk1 , ..., vkq }. Nous notons
V = {vi1 , ..., vim } l’ensemble des pointes des arêtes E = {E1 , ..., Em } et
H = (V, V , E ) l’hypergraphe pointé.
143

Définition 4.5. Cellule d’un hypergraphe pointé


On appelle cellule d’un hypergraphe pointé H = (V, E ), l’ensemble des
hyperarêtes qui pointent vers le même sommet. Ainsi la cellule associée au
sommet vi ∈ V est :

Ci = {Ek = (vsk , Γk ) ∈ E / vsk = vi }

C1 , ..., Cn est alors une partition des arêtes de l’hypergraphe E .

Définition 4.6. Contrainte n-aire linéaire


Soient un ensemble f = {f1 , ..., fn } de n variables et un ensemble α =
{α1 , ..., αn } de n réels positifs. On appelle contrainte n-aire linéaire cen-
trée sur le j-ième élément de f la contrainte d’écart suivante :
X
αi |fj − fi | ≥ αj
∀i6=j

Le triplet (f, j, α) caractérise complètement cette contrainte.

Définition 4.7. Problème de T-coloration d’hypergraphe


Soit un hypergraphe pointé H = (V, V , E ), avec V = {v1 , ..., vn } les som-
mets, V = {vi1 , ..., vim } l’ensemble des pointes des arêtes E = {E1 , ..., Em }.
A chaque arête Ek = (vsk , Γk ) de l’hypergraphe on associe une
contrainte n-aire linéaire Cknaire = (f, sk , αk) avec αk = {αk1 , ..., αkn }
et ∀i = 1, ..., n, αki ∈ IR+ .
Soit T la collection de ces contraintes n-aires linéaires :
T = {C1naire = (f, i1 , α1 ), ..., Cm
naire
= (f, im , αm)}.

Une T -coloration de l’hypergraphe H associée à la collection de contraintes


n-aires linéaires T est une coloration ci de chaque sommet vi de V qui
respecte ces contraintes Cknaire :
X
αki |fik − fi | ≥ αkik
∀i6=ik

Un problème de T -coloration d’hypergraphe est défini par le triplet


(H = (V, V , E ), F, T ).
144 T -coloration de graphe et d’hypergraphe

Remarque :
Si pour tout αk il existe un j tel que

 1 pour i = j
αki = tij pour i = ik
0 sinon

alors les contraintes n-aires sont binaires :

|fik − fj | ≥ tij

Le problème de T-coloration d’hypergraphe est donc une généralisation du problème


de T-coloration de graphe. Le problème de T-coloration d’hypergraphe est donc NP-
complet.

Problème de T -coloration d’hypergraphe associé au problème CSPSIN R

On a constaté que les contraintes binaires Cb ne sont pas nécessairement suffi-


santes à la satisfaction des contraintes SINR, CSIN R . On va donc renforcer une de
ces conditions binaires afin d’obtenir l’équivalent des contraintes SINR. Pour chaque
contrainte SINR cible, il existe plusieurs renforcements possibles des contraintes bi-
naires : ces renforcements sont disjonctifs ; nous décidons alors de les synthétiser
en ajoutant des contraintes n-aires linéaires. Après cette double modification des
contraintes, nous montrons dans quelles conditions il y a équivalence des problèmes.
Pour chaque point de service, il est possible d’obtenir les contraintes SINR en
renforçant une des conditions binaires de Cb .
pR
En effet SIN Rt < qt entraine
P R
pst γ(tsst ) > qstt t − pB . La contribution à
s∈Γ(st )
la somme de chaque AP interférent s est pR
st γ(tsst ). On dit qu’une contribution est
pR
significative si lorsqu’on la supprime la somme passe en dessous du seuil ( st t
qt
−pB ).
C’est-à-dire que l’AP s0 est significatif si :
X pR
pR
st γ(tsst ) ≤ st t − p B
qt
s∈Γ(st )\{s0 }

On note Γ∗ (st ) les AP interférents significatifs de Γ(st ).


Pour chaque AP interférent significatif s0 , l’écart de fréquences entre les AP s0 et
st est augmenté jusqu’à ce que la somme passe en dessous du seuil, les autres écarts
étant maintenus fixes. On appelle t+t
ss0 cet écart supplémentaire. Puisque γ est une
145

fonction décroissante qui atteint 0 à partir d’un certain écart, t+t st s0 existe toujours et
est égal à :
 
R
X p st t
t+t
st s0 = min
u ∈ IN∗ , pR
s0 t γ(ts0 st + u) + pR
st γ(tsst ) ≤ − pB 
0
qt
s∈Γ(st )\{s }

On déduit de cette définition que si une solution f vérifie Cb et si ∃s ∈ Γ∗ (st ), |fst −


fs | ≥ tst s + t+t
st s alors la solution f vérifie également SIN Rt ≥ qt . On a donc la pro-
position suivante :

Proposition 4.3.
Si une solution f de CSPb est telle que ∀t, ∃s ∈ Γ∗ (st ) : |fst −fs | ≥ tst s +t+t
st s
alors f est aussi solution de CSPSIN R .
En d’autres termes :

Cb
⇒ CSIN R
∀t ∈ T, ∃s ∈ Γ∗ (st ), |fst − fs | ≥ tst s + t+t
st s
s

On présente des conditions pour lesquelles la réciproque de la proposition 4.3 est


vérifiée.

Proposition 4.4.
Si pour tous les points de service t non équivalents binaires, les
AP interférents sont tous significatifs : Γ∗ (st ) = Γ(st ) et tous
les écarts supplémentaires sont égaux à 1 : t+t
 ss0 = 1 alors
Cb
⇔ CSIN R
∀t ∈ T, ∃s ∈ Γ∗ (st ), |fst − fs | ≥ tst s + 1

Démonstration.
Soit un point de service t non équivalent binaire.
Puisque tous les écarts
P supplémentaires Psont égaux à 1, la contrainte n-aire linéaire
associée à t est : |fst − fs | ≥ tst s + 1.
s∈Γ∗ (st ) s∈Γ∗ (st )
Montrons par l’absurde que ∃s ∈ Γ(st ) : |fst − fs | ≥ tst s + 1.
Supposons donc que ∀s ∈ Γ(st ), |fst − fs | < tst s + 1. Par définition de la matrice T ,
on a ∀s ∈ Γ(st ), |fst − fs | ≥ tst s . Par conséquent, on a : ∀s ∈ Γ(st ), |fst − fs | = tst s ,
ce qui n’est pas possible puisque t est un point de service non équivalent binaire.
146 T -coloration de graphe et d’hypergraphe

Puisque ∀s ∈ Γ(st ), |f Pst −fs | ≥ tst s et que


P l’on vient de montrer que ∃s ∈ Γ(st ), |fst −
fs | ≥ tst s + 1 alors |fst − fs | ≥ tst s + 1
s∈Γ(st ) s∈Γ(st )
Comme Γ∗ (st ) = Γ(st ), on a :
P P
|fst − fs | ≥ tst s + 1
s∈Γ∗ (st ) s∈Γ∗ (st )

Exemple 1, point de service équivalent binaire :

Pour illustrer cette construction, prenons l’exemple d’un seul point de service
et de trois AP numérotés 1, 2 et 3. Puisqu’il n’y a qu’un seul point de ser-
vice, l’indice t est omis. Les puissances reçues par ce point de service sont
pR
1 = 10
−6 mW (= −60 dBm), pR = 6, 31 × 10−8 mW (= −72 dBm) et
2
p3 = 5, 01 × 10−8 mW (= −73 dBm). Nous rappelons la valeur du bruit ther-
R

mique : pB = 10−10 mW (= −100 dBm). L’AP serveur est l’AP 1 car il offre le
plus fort signal. L’hyperarête correspondant à ce point de service pointe vers l’AP
1, nous la notons E = (1, {2, 3}). Le seuil SINR de qualité de service demandé en
ce point de service est q = 31, 62(= 15 dB), donc la contrainte SINR CSIN R est
SIN R ≥ q, c’est-à-dire

pR1
≥q
pR
2 γ(|f1 − f2 |) + p R γ(|f − f |) + pB
3 1 3

avec γ(.) défini par la table 2.2 (cf. chapitre 2).

On obtient les deux contraintes binaires :


pR
 !
1 −pB
−1
 q
 |f1 − f2 | ≥ γ =2


pR

2
Cb : pR
!
 1 −pB
 |f1 − f3 | ≥ γ −1
 q
=2
pR

3

 
0 2 2
On a donc t12 = 2 et t13 = 2 d’où T =  2 0 0 .
2 0 0
Si ces contraintes sont validées à l’égalité, c’est-à-dire si |f1 −f2 | = 2 et |f1 −f3 | =
2, alors
pR
1
SIN R = R = 32, 44 ≥ q
p2 γ(2) + pR3 γ(2) + p
B

et le point de service est donc équivalent binaire. La proposition 4.2 entraine :



|f1 − f2 | ≥ 2
SIN R ≥ q ⇔
|f1 − f3 | ≥ 2

c’est-à-dire :
CSIN R ⇔ Cb
147

Exemple 2, point de service non équivalent binaire :

On reprend le même exemple que l’exemple


! 1 mais avec pR
3 = 5, 01
−7 mW (=
R p1
−pB
−63 dBm), alors |f1 − f3 | ≥ γ −1 s
pR
= 3, t13 = 3 et
3

pR1
SIN R = = 27, 77 < q
pR
2 γ(2) + p R γ(3) + pB
3

Le point de service n’est plus équivalent binaire : les écarts ne sont pas suffisants,
il est nécessaire de les augmenter.
Si |f1 − f2 | = 2, quel est l’écart minimum de |f1 − f3 | pour que SIN R ≥ q, i.e.
quelle est la valeur minimale de t+ 13 pour que

pR
1
≥q ?
p2 γ(2) + p3 γ(3 + t+
R R
13 ) + p
B

On trouve t+ + +
13 = 1 ; de façon analogue nous obtenons t12 = 1. Dans ce cas (t12 =
+
t13 = 1), la proposition 4.4 entraine :


 |f1 − f2 | ≥ 2
|f1 − f3 | ≥ 3

SIN R ≥ q ⇔

 |f1 − f2 | ≥ 3
ou |f1 − f3 | ≥ 4

Ajout d’une contrainte n-aire linéaire



|f1 − f2 | ≥ 3
Les conditions sont disjonctives donc difficilement utili-
ou |f1 − f3 | ≥ 4
sables pour la propagation de contraintes dans un graphe par exemple. Nous avons
préféré construire une contrainte n-aire linéaire, notée Ctnaire = (f, st , αt), qui résume
l’ensemble de ces contraintes disjonctives.
1/t+k si t+t

st s st s 6= 0
On pose alors pour s 6= st , αts :=
0 sinon
et αtst := 1 +
P
tsst αtst
s6=st
La contrainte n-aire linéaire supplémentaire à ajouter est :
X
Ctnaire (f, st , αt) := αts |fst − fs | ≥ αtst
s∈Γ∗ (st )

où Γ∗ (st ) est l’ensemble des AP interférents significatifs de l’AP serveur du point


de service t.
148 T -coloration de graphe et d’hypergraphe

Exemple 2 (suite) :

Si nous reprenons l’exemple 2 du point de service avec trois AP où t12 = 2, t13 = 3,


t+ +
12 = 1 et t13 = 1, alors nous avons α1 = 6, α2 = 1 et α3 = 1 et la contrainte
n-aire linéaire supplémentaire C naire à ajouter est la suivante :

|f1 − f2 | + |f1 − f3 | ≥ 6

Cependant, cette transformation d’un ensemble de contraintes disjonctives en


une contrainte n-aire linéaire n’est pas une équivalence ; la nouvelle contrainte n-
aire linéaire Ctnaire est seulement nécessaire mais non suffisante à la satisfaction des
contraintes disjonctives. Montrons que l’on a :
 
Cb Cb
∗ +t ⇒ (4.9)
∃s ∈ Γ (st ), |fst − fs | ≥ tst s + tst s Ctnaire = (f, st , αt)
En effet

Cb
∃s ∈ Γ∗ (st ), |fst − fs | ≥ tst s + t+t
st s
(
∀s, αts |fst − fs | ≥ αts tst s car αts ≥ 0
⇔ |fst −fs | tst s +t+t
∃s ∈ Γ∗ (st ), t+t
st s
≥ t+t
st s
st s
car t+t
st s > 0

∀s, αts |fst − fs | ≥ αts tst s

∃s ∈ Γ∗ (st ), αts |fst − fs | ≥ αts tst s + 1

 Cb

P P
α |f
 s∈Γ∗ (s ) ts st − f s | ≥ αts tst s + 1 = αtst
t s6 =st

Cb

Ctnaire = (f, st , αt )

Cependant, sous certaines conditions, l’équivalence est vérifiée comme pour la


proposition suivante.

Proposition 4.5.
Soit un point de service t non équivalent binaire.
∗ +t
Si ∀s
 ∈ Γ (st ), tst s = 1, 
Cb Cb
alors ∗ ⇔
∃s ∈ Γ (st ), |fst − fs | ≥ tst s + 1 Ctnaire = (f, st , αt)
149

Démonstration.
Puisque la contrainte n-aire linéaire s’écrit : tst s + 1 et que
P P
|fst − fs | ≥
s∈Γ∗ (st ) s∈Γ∗ (st )
∀s ∈ Γ∗ (st ), |fst − fs | ≥ tst s alors ∃s ∈ Γ∗ (st ), tel que |fst − fs | ≥ tst s + 1 étant
donné que les fs ∈ IN.

Exemple 2 (suite) :

Reprenons l’exemple 2 du point de service avec les trois AP. Puisque t+ +


12 = t13 = 1,
la proposition 4.5 entraine l’équivalence suivante :

|f1 − f2 | ≥ 2 
 |f1 − f2 | ≥ 2


|f1 − f3 | ≥ 3

⇔ |f1 − f3 | ≥ 3
|f1 − f2 | ≥ 3
|f1 − f2 | + |f1 − f3 | ≥ 6

 
ou |f1 − f3 | ≥ 4

Définition 4.8. Problème CSPTh associé au problème CSPSIN R


A tout problème CSPSIN R = (f, F , CSIN R ), un problème de T -coloration
d’hypergraphe CSPTh = (f, F , Cb+n ) est associé tel que Cb+n =Cb ∪Csup n−aire
avec :
Cb les contraintes binaires correspondant au problème de T -coloration de
graphe (cf. définition 4.2),
Csup
n−aire l’ensemble des contraintes n-aire linéaires supplémentaires ajoutées
pour tout point de service non équivalent binaire :
X
∀t non équivalent binaire, αts |fst − fs | ≥ αtst
s∈Γ∗ (st )

1/t+t si t+t

st s st s 6= 0
avec ∀s 6= st , αts := et αtst := 1 +
P
tsst αtst
0 sinon s6=st
!
∗ R pR
et t+k
st s = min u ∈ IN , pst γ(tsst + u) + pR st t
− pB
P
s0 t γ(ts0 st ) ≤ qt
s0 ∈Γ(s t )\{s}

Conditions d’équivalence entre les problèmes CSPSIN R et CSPTh

Nous avons défini dans la proposition 4.2, une condition d’équivalence entre le
problème initial CSPSIN R et le problème de T -coloration de graphe associé CSPTg .
Nous présentons quelques conditions d’équivalence entre le problème CSPSIN R et le
problème de T -coloration d’hypergraphe associé CSPTh .
150 T -coloration de graphe et d’hypergraphe

Proposition 4.6.
Si pour tous les points de service t non équivalents binaires, les AP interfé-
rents sont tous significatifs : Γ∗ (st ) = Γ(st ) et tous les écarts supplémentaires
sont égaux à 1 : t+t
ss0 = 1, alors il y a équivalence entre le problème CSP
SIN R

et le problème de T -coloration d’hypergraphe CSPTh associé.

Démonstration.
Soit un point de service t non équivalent binaire.
Puisque tous les écarts
P supplémentaires Psont égaux à 1, la contrainte n-aire linéaire
associée à t est : |fst − fs | ≥ tst s + 1.
s∈Γ∗ (st ) s∈Γ∗ (st )
Montrons par l’absurde que ∃s ∈ Γ(st ), |fst − fs | ≥ tst s + 1
Supposons donc que ∀s ∈ Γ(st ), |fst − fs | < tst s + 1
Par définition de la matrice T , on a ∀s ∈ Γ(st ), |fst − fs | ≥ tst s
Par conséquent, on a : ∀s ∈ Γ(st ), |fst − fs | = tst s
Ce qui n’est pas possible puisque t est un point de service non équivalent binaire.
Puisque ∀s ∈ Γ(st ), |f Pst −fs | ≥ tst s et que
P l’on vient de montrer que ∃s ∈ Γ(st ), |fst −
fs | ≥ tst s + 1 alors |fst − fs | ≥ tst s + 1
s∈Γ(st ) s∈Γ(st )
Comme Γ∗ (st ) = Γ(st ), on a :
P P
|fst − fs | ≥ tst s + 1
s∈Γ∗ (st ) s∈Γ∗ (st )

Remarque :
On peut généraliser la proposition 4.6 pour le cas où il existe pour chaque point de
service t non équivalent binaire, un unique écart supplémentaire supérieur ou égal à
1:
∃!s0 , t+t
st s0 ≥ 1 et ∀s ∈ Γ(st )\{s }, tst s = 1.
0 +t

De même, puisque γ est quasi convexe sur IR+ , d’autres généralisations sont pos-
sibles ; notamment pour le cas où deux AP s1 et s2 ont des écarts supplémentaires
égaux à 2 : ∀s ∈ Γ(st )\{s1 , s2 }, t+t
st s = 1, tst s1 = 2 et tst s2 = 2.
+t +t

4.3 Construction des problèmes de T -coloration


4.3 Construction des problèmes de T -coloration

La planification de fréquences consiste à allouer à chaque AP un canal de fré-


quence afin de minimiser les interférences. Dans la version simplifiée présentée dans
151

le premier paragraphe, minimiser les interférences consistait à vérifier que le SINR


calculé en des points de service du réseau est supérieur à un seuil donné. Le pro-
blème réel est plus complexe puisqu’il s’agit d’optimiser la capacité en terme de
débit du réseau. En effet dans le problème simplifié, les seuils q de SINR sont des
données d’entrée du problème, ce qui n’est pas le cas pour le problème complet : ces
seuils sont à déterminer sachant que pour chaque AP une certaine répartition de ses
seuils doit être respectée. C’est un problème en soit puisqu’il existe un nombre très
important de répartitions possibles correspondant à une même capacité. L’objet de
ce paragraphe est de déterminer ces seuils et ainsi de ramener le problème de plani-
fication de fréquences à un problème de T -coloration de graphe ou de T -coloration
d’hypergraphe.
Dans la partie 4.3.1, les spécificités du problème d’allocation de fréquences pour
les réseaux 802.11 sont présentées et nous montrons que la distribution des
clients d’un AP selon leurs débits nominaux détermine la capacité de
l’AP . Dans la partie 4.3.2, nous illustrons sur des exemples l’importance de cette
répartition des débits nominaux. Dans la partie 4.3.3, nous rappelons le lien qui
existe entre le débit nominal d’un client et son SINR (Signal-to-Interference-plus-
Noise-Ratio). Ce lien permet de déterminer les seuils de SINR nécessaires pour
obtenir une certaine répartition des débits nominaux.
On détermine alors par une procédure dynamique les seuils q de SINR qui ra-
mènent le problème d’allocation de fréquences au problème simplifié CSPSIN R .
Dans la partie 4.3.4, cette procédure est appliquée pour construire la matrice T
du problème de T -coloration de graphe associé au problème complet. Dans la par-
tie 4.3.5, cette procédure est appliquée pour construire la matrice T et les contraintes
n-aires pour le problème de T -coloration d’hypergraphe associé.

4.3.1 Problème complet d’allocation de fréquences dans les


WLAN
Hypothèses simplificatrices

Dans la planification de réseaux, les simplifications que nous avons considérées


sont essentiellement des approximations sur les protocoles de communication afin
d’estimer grosso-modo le débit réel fourni à chaque client du réseau. Des analyses
plus fines ont évidement été réalisées par les spécialistes des domaines concernés.
Cependant, il nous fallait trouver un compromis entre la précision des protocoles
et les performances d’un outil de planification de réseaux. Notre but n’était pas de
faire un simulateur de réseau mais bien de faire ressortir les caractéristiques les plus
pertinentes pour construire un outil de planification automatique de réseaux. Ces
152 T -coloration de graphe et d’hypergraphe

approximations ont été présentées dans la partie 2.6.3 "Capacité maximale d’un AP
en régime saturé" et consiste à ne considérer que le trafic descendant en régime
saturé.

Données supplémentaires du problème

Les données que l’on ajoute au problème décrivent la demande offerte dans le
réseau : répartition des clients, services et débits demandés. C’est ce que l’on a appelé
le modèle de trafic dans le chapitre 2.
κt est le nombre de clients situés sur le point de service t.
dSt est le débit en kbps souhaité par les clients du point de service t.
Rappelons que st ∈ S O désigne l’AP serveur du t-ième point de service.
nTs est le nombre de clients appartenant à la cellule de l’AP s :
X
nTs = κt
t∈T / s=st

cSs est la capacité cible de l’AP s, elle correspond au débit utile total
que souhaite écouler
P l’ensemble des clients de l’AP s.
O S S
∀s ∈ S , cs = dt κt
t∈T / s=st

Objectif du problème - Problème complet

L’objectif du problème complet est de déterminer f afin de satisfaire les contraintes


de qualité de service exprimées comme suit :
"Tous les AP doivent avoir la capacité d’écouler un débit réel au moins égal au
débit total souhaité par l’ensemble des points de service de sa cellule.
On a donc nO contraintes :

∀s = 1, ..., nO , cAP
s ≥ cSs (4.10)

où, cAP
s est la capacité réelle maximale de kbps que peut écouler le s-ème AP. Nous
appellerons ce problème le problème complet. Dans le chapitre 2 Modélisation,
la capacité d’un AP en régime saturé lorsque l’on considère uniquement un trafic
descendant et sans aucune retransmission de trame est donnée par :

nTs × tailleM SDU


cAP
s = (4.11)
nN
nTs × duréeBO +
P
ηsk × δk
k=1
153

où l’on rappelle les définitions déjà introduites au chapitre 2 :


tailleM SDU est la taille moyenne de la trame MSDU.
duréeBO est la durée moyenne du back-off, elle est une constante.
DN est l’ensemble des débits nominaux autorisés par la norme.
dN
k est le k-ième débit nominal (en Mbps) que permet une norme. Par
exemple pour la norme 802.11b, les débits nominaux sont :
DN b = {dN 1 = 1M bps, dN2 = 2M bps, dN3 = 5.5M bps, dN
4 =
11M bps}.
nN est le nombre de débits nominaux autorisés par la norme :
nN = |DN |.
ηsk est le nombre de clients associés au site s et communiquant au k-
ième débit nominal.
δk est la durée d’un cycle CSMA/CA (cf. figure 2.10) pour une trame
tailleM SDU moyenne et pour une transmission au k-ième débit no-
minal (dNk ).

Pour estimer la capacité de l’AP s, il suffit donc de connaître le nombre de clients


à sa charge et la répartition de ces clients selon les débits nominaux ηs = (ηsk )k∈K .
Les autres paramètres dépendent uniquement de la norme utilisée. La partie suivante
montre comment déterminer la répartition ηs en fonction du SINR.

4.3.2 Répartition des clients selon les débits nominaux

On montre ici l’impact important de la répartition des clients selon les débits
nominaux sur la capacité d’un AP. [Heusse et al., 2003] ont montré qu’en régime
saturé, un client au débit nominal 1 Mbps a le même débit utile qu’un client de la
même cellule au débit nominal de 11 Mbps : le protocole d’accès au canal CSMA/CA
est équitable entre tous les clients d’une même cellule. En d’autres termes, un client
à faible débit nominal ralentira l’ensemble des clients de la cellule.
Pour déterminer la capacité totale d’un AP, il est nécessaire de connaître la
répartition des clients selon les débits nominaux. Ensuite, en régime saturé, cette
capacité est partagée équitablement entre tous les clients quelque soit leur débit
nominal.
Il est particulièrement intéressant de connaître l’impact relatif de chaque débit
sur la capacité totale. Pour donner un ordre d’idée, un client supplémentaire au
débit nominal de 1 Mbps ralentit autant les autres clients de la cellule que 15 (=
154 T -coloration de graphe et d’hypergraphe

CSM A/CA
δl
Figure 4.1 : Nombre de clients équivalents au débit nominal 54 Mbps : CSM A/CA
δ9

CSM A/CA
δ1
CSM A/CA ) clients supplémentaires au débit 54 Mbps. Pour calculer ce rapport, il
δ9
suffit de comparer les durées de transmission d’une trame MSDU dans les deux cas.
La figure 4.1 donne pour chaque débit nominal k, le nombre de clients équivalents
au débit 54 Mbps (k = 9). Nous constatons clairement que les débits les plus faibles,
en particulier les 3 premiers, dégradent considérablement la capacité de l’AP. Par
conséquent, modifier l’allocation de fréquences du réseau pour augmenter le débit
nominal d’un client lent sera beaucoup plus intéressant que d’augmenter celui d’un
client qui en a déjà un bon.

Exemples de répartition

Sur des exemples optimisés par l’algorithme WIFIOPT, nous présentons quelques
profils de répartition de clients selon leur débit nominal. Nous constatons que les
cellules peuvent se classer en deux groupes en fonction de la modalité de la répartition
de leurs clients selon le débit nominal :
• Une modalité croissante caractéristique de la figure 4.2 de gauche : plus le
débit nominal est important, plus on a de clients.
• Une modalité à une bosse : le nombre de clients augmente avec le débit puis
diminue et enfin ré-augmente. La figure 4.2 de droite en donne un exemple.
Il existe toute une variété de modalités selon que la bosse est plus ou moins
marquée.
La capacité totale d’un AP est indépendante du nombre de clients. Elle est
de 11, 24 M bps pour la modalité croissante (figure de gauche) et de seulement
6, 25 M bps pour la modalité à une bosse (figure de droite) (pour tailleM SDU = 1300
155

Figure 4.2 : Répartition des clients au sein d’une cellule selon leur débit nominal (extrait de
tests réalisés avec WIFIOPT). La figure de gauche montre une modalité croissante
et celle de droite une modalité à une bosse.

octets).
La chute de la Qualité de Service provient des cellules avec une modalité à une
bosse car des clients restent "bloqués" à un débit faible.

4.3.3 SINR et débit nominal


Le SINR d’un point de service caractérise la qualité de la liaison radio entre
celui-ci et l’AP serveur. Sa connaissance permet de déterminer le débit nominal mis
en place entre l’AP et le point de service. Le tableau 4.1 donne un exemple pour la
norme 802.11b/g.

k Débit nominal Seuil SINR


dN
k (Mbit/s) qkSIN R (dB)
1 1 6
2 2 7
3 5,5 8
4 11 10
5 18 14
6 24 16
7 36 20
8 48 25
9 54 29

Table 4.1 : Débits nominaux mis en place en fonction du SINR pour la norme IEEE
802.11b/g. Ces valeurs peuvent changer d’un équipement à un autre (cartes
et points d’accès), mais nous les considérons fixes. Exemple : si un client a
un SIN R = 15 dB, alors sSIN 5
R ≤ SIN R < sSIN R et donc le débit nominal
6
utilisé par le client est dN
5 = 18 M bps.

Le débit nominal d’un point de service est directement lié à la valeur de son
SINR via cette table. Ainsi en agissant uniquement sur l’allocation des fréquences,
156 T -coloration de graphe et d’hypergraphe

on modifie le SINR des clients et donc la répartition selon les débits nominaux et in
fine la capacité de l’AP.

4.3.4 Construction du problème de T -coloration de graphe


associé
L’objectif de cette partie est de montrer comment associer au problème complet
avec contraintes de capacité un problème de T -coloration de graphe. Cette procédure
a trois caractéristiques importantes :
• Elle est fondée sur le calcul du SINR.
• Les seuils de SINR sont déterminés dynamiquement.
• Enfin elle nécessite une estimation de la capacité en débit de chaque AP du
réseau.

Modèle de capacité à un niveau de SINR

Si tous les clients d’une cellule s ont tous le même débit nominal k : ηsk = nTs ,
alors la capacité réelle de l’AP (équation 4.11) devient :

tailleM SDU
cAP
s = (4.12)
duréeBO + δk

La figure 4.3 donne les capacités réelles maximum d’un AP lorsque ses clients
ont tous le même débit nominal (pour une taille de trame MSDU, tailleM SDU = 1023
octets). Cette capacité ne dépend pas du nombre de clients. Ce panel de capacité
fournit un ordre de grandeur de la capacité maximale offerte pour un trafic descen-
dant ; elle varie approximativement entre 1 et 13 M bps.
Dans ce cas, la capacité est à un niveau de SINR.
On appelle T = (tss0 )s,s0 ∈S O la matrice des écarts des canaux de fréquences entre
les AP s et s0 .
Pour tout ensemble de seuil de SINR : q = (qs )s∈S O , correspond comme nous
l’avons montré au paragraphe 4.2.2 un ensemble de contraintes binaires (4.3) c’est-
à-dire une matrice symétrique T fonction de q.

Construction des contraintes binaires

La procédure pour déterminer l’ensemble des contraintes binaires (c’est-à-dire la


matrice T ) est la suivante :
157

Figure 4.3 : Capacité réelle maximum (régime saturé) en Mbps d’un AP pour un trafic
uniquement descendant et lorsque les clients de la cellule ont tous le même
débit nominal. Elle ne dépend pas du nombre de clients.

1. Le seuil de SINR de chaque AP s est fixé au minimum : qs = min qkSIN R .


k∈K
C’est-à-dire le seuil de SINR permettant de mettre en place le plus petit débit
nominal, soit 1 M bps : ∀s ∈ S O , qs = q1SIN R = 4 dB pour la norme IEEE
802.11b/g.
2. Les contraintes SINR sont construites à partir du modèle de capacité à un
niveau de SINR ; soit : ∀t, SIN Rt ≥ qst .
3. A partir de ces contraintes SINR, une matrice T est construite par la formule
(4.3) du paragraphe 4.2.2.
4. Nous calculons le SINR de tous les points de service t :
pR
st t
∀t ∈ T, SIN Rt = P R
pst γ(tsst ) + pB
s6=st

Nous en déduisons le nombre de clients par débit nominal k pour chaque AP


s, ηsk : X
∀k ∈ K, ηsk = κt
t / s=st , qkSIN R ≤SIN Rt <qk+1
SIN R

Nous obtenons la capacité cAP


s de chaque AP s par la formule (4.11) :
nTs × tailleM SDU
cAP
s =
nTs × duréeBO +
P
ηsk δk
k∈K

5. Si toutes les contraintes de capacité (4.10) sont vérifiées ou si le seuil de SINR


de tous les AP est maximum, alors la procédure est arrêtée et la dernière
matrice T construite définit le problème de T -coloration de graphe.
158 T -coloration de graphe et d’hypergraphe

6. Sinon nous augmentons de +1 dB le seuil de SINR des AP s dont la contrainte


de capacité n’est pas vérifiée, i.e. : si cAP
s < cSs , alors qs = qs + 1 et la procédure
retourne au 2.

La figure 4.4 représente cette procédure sous forme graphique.

Figure 4.4 : Procédure de création des contraintes binaires

Equivalence entre contraintes binaires et contraintes de capacité

Si la procédure s’arête à l’étape 5 à cause de la première condition (contraintes de


capacité (4.10) vérifiées) alors les contraintes binaires (4.3) impliquent les contraintes
de capacité (4.10).
159

Dans le cas où l’on sort de la procédure à l’étape 5 par la seconde condition


(augmentation du seuil de SINR plus possible) cela signifie que la capacité maximale
que peut fournir un AP est inférieure à la demande, et dans ce cas il est impossible
de satisfaire les contraintes de capacité quelle que soit l’allocation de fréquences.
Par exemple, si la demande cSs de l’AP s est de 15 Mbps, alors cette demande ne
peut pas être satisfaite puisque l’on a constaté sur la figure 4.3 que la capacité réelle
maximale est inférieure à 14 Mbps en 802.11g.

Remarque :
La matrice T construite par la procédure précédente correspond à un niveau qs de
SINR pour chaque AP s. Nous définissons la matrice T− qui correspond au niveau
qs − 1 de SINR pour chaque AP s. Ainsi le problème d’allocation de fréquences est
borné par deux problèmes de T-coloration de graphe, l’un sur-contraint avec la ma-
trice d’écart T et l’autre sous-contraint avec la matrice d’écart T− .

4.3.5 Construction du problème de T -coloration d’hypergraphe


associé

Nous avons modélisé dans le paragraphe 4.3.4 le problème d’affectation de fré-


quences des réseaux WLAN par un problème de T -coloration de graphe. Comme
nous l’avons vu au paragraphe 4.2.3, pour tenir compte complétement des contraintes
d’interférence multiple, il est nécessaire d’utiliser une modélisation du réseau par un
hypergraphe.
On modifie la procédure précédente (figure 4.4) afin de construire des contraintes
n-aires et ainsi de définir un problème de T -coloration d’hypergraphe plus proche
du problème complet. L’étape 5 est remplacée par les étapes 5’, 5” et 5” ’.

5’ Si toutes les contraintes de capacité (4.10) sont vérifiées, alors la procé-


dure est arrêtée, les contraintes binaires suffisent à satisfaire les contraintes
de capacité et la dernière matrice T construite définit le problème de T -
coloration de graphe.
5” Sinon pour tout point de service t non équivalent binaire, la procé-
dure construit une contrainte n-aire linéaire (αt) souvent équivalente à la
contrainte SINR associée :
X
αts |fst − fs | ≥ αtst
s6=st
160 T -coloration de graphe et d’hypergraphe

5” ’ Si la satisfaction des contraintes binaires et SINR entraine la satisfaction de


toutes les contraintes de capacité (4.10) ou si le seuil de SINR de tous les
AP est maximum, alors la procédure est arrêtée et les dernières contraintes
binaires (matrice T ) et n-aires linéaires construites définissent le problème
de T -coloration d’hypergraphe.
Cette nouvelle procédure est représentée par la figure 4.5.

Figure 4.5 : Modification de la procédure de création des contraintes n-aires

Nous pouvons donc ramener notre problème à un problème de T -coloration de


graphe et même de manière plus complète à un problème de T -coloration d’hyper-
161

graphe. L’objectif est d’intégrer ce nouveau formalisme à l’optimisation globale de


planification de réseaux présentée au chapitre 3.
De plus, avant d’appliquer un algorithme à ces nouveaux problèmes, nous avons
intérêt à effectuer une réduction des problèmes de T -coloration de graphe ou d’hy-
pergraphe. La partie suivante présente des exemples d’une telle réduction.

4.4 Réduction de graphe et d’hypergraphe


4.4 Réduction de graphe et d’hypergraphe

Dans cette partie, nous présentons des prétraitements permettant de réduire


la taille du graphe ou de l’hypergraphe pour le problème de T -coloration. Ils ont
été inspirés par les régles de réduction de graphe pour le problème de k -coloration
présentées dans la thèse de [Mendes, 2005].

4.4.1 Réduction de graphe pour la T -coloration à 13 couleurs


Réduction par degré

Supposons que nous cherchions une T -coloration du graphe G(V, E) avec k cou-
leurs. Pour chaque sommet vi ∈ V , si le poids de l’ensemble de ces arêtes adjacentes
vérifie : X
(2tij − 1) ≤ k − 1
vj / (vi ,vj )∈E

alors le sommet vi et ses arêtes peuvent être supprimés du graphe. Plus précisément
on a :

Proposition 4.7. Réduction par degré


Soit un problème de T -coloration de graphe défini par le triplet
(G(V, E),k,T). S’il existe un sommet vi ∈ V tel que :
X
(2tij − 1) ≤ k − 1
vj / (vi ,vj )∈E

et si G0 (V 0 , E 0 ) est le sous graphe de G engendré par V 0 = V \{vi } et T 0 la


sous matrice de T où l’on a supprimé la i-ème ligne et la i-ème colonne,
alors toute T 0 -coloration de G0 (V 0 , E 0 ) avec k couleurs entraine une T -
coloration de G avec k couleurs.
162 T -coloration de graphe et d’hypergraphe

Démonstration. Chaque arête (vi , vj ) ∈ E interdit au sommet vi au maximum (2tij −


1) couleurs,P
donc le nombre maximal P de couleurs interdites pour le sommet vi est
égal à : (2tij − 1). Si (2tij − 1) ≤ k − 1, alors il existe au moins
vj /(vi ,vj )∈E vj /(vi ,vj )∈E
une couleur pour colorier vi .

Dans le cas de la T -coloration


P avec 13 couleurs (cas des réseaux 802.11b/g), la
proposition (4.7) devient : (2tij − 1) ≤ 12.
vj / (vi ,vj )∈E

Figure 4.6 : Exemple de réduction par degré pour la T-coloration avec 13 couleurs

Réduction par voisinage

Proposition 4.8. Réduction par voisinage


Soient un graphe G(V, E) et un couple de sommets (vi , vj ) ∈ V 2 tel que
/ E. On note Γ(vi ) les sommets voisins du sommet vi .
(vi , vj ) ∈
Si Γ(vj ) ⊆ Γ(vi ) et pour tout vk ∈ Γ(vj ), tjk ≤ tik ,
et si G0 (V 0 , E 0 ) est le sous graphe de G engendré par V 0 = V \{vj } et T 0 est
la sous matrice de T où l’on a supprimé la j-ème ligne et la j-ème colonne,
alors toute T 0 -coloration de G0 (V 0 , E 0 ) avec k couleurs entraine une T -
coloration de G avec k couleurs.

En effet, si nous savons colorier Γ(vi ) et vi avec k couleurs, nous pouvons colorier vj
avec la même couleur que vi .
163

Figure 4.7 : Exemple de réduction par voisinage

(t, p)-clique

Définition 4.9. (t, p)-clique


Soient un graphe G(V, E) et un ensemble T définissant un problème de
T -coloration.
• Une p-clique (clique de cardinalité p) désigne un ensemble de p sommets
deux-à-deux adjacents.
• Une (t, p)-clique est une p-clique dont toutes les pondérations tij des arêtes
sont égales à t.

En 802.11b/g, si nous avons une (4, 4)-clique, alors nous ne pouvons affecter que
les fréquences 1-5-9-13 à ces 4 sommets. Il y a 4! = 24 colorations possibles de la
(4, 4)-clique correspondant aux 24 permutations.
En 802.11b/g, si nous avons une (3, 5)-clique, alors nous ne pouvons affecter que
les fréquences 1-4-7-10-13 à ces 5 sommets. Il y a 5! = 120 colorations possibles de
la (3, 5)-clique correspondant aux 120 permutations.
En 802.11b/g, si nous avons une (2, 7)-clique, alors nous ne pouvons affecter que
les fréquences 1-3-5-7-9-11-13 à ces 7 sommets. Il y a 7! = 5040 colorations possibles
de la (2, 7)-clique correspondant aux 5040 permutations.

Fusion de sommets

Supposons que nous cherchions une T -coloration avec 13 couleurs du graphe


G(V, E) et qu’il existe une (4, 4)-clique C (respectivement une (3, 5)-clique C et une
(2, 7)-clique C). Pour tout couple de sommets (vi , vj ) ∈
/ E tels que vi ∈
/ C et vj ∈ C,
si vi est adjacent à tous les sommets vk ∈ C\{vj } avec tik = 4 (resp. tik = 3 et
164 T -coloration de graphe et d’hypergraphe

Figure 4.8 : Une (4,4)-clique, une (3,5)-clique et une (2,7)-clique

tik = 2), alors vi et vj sont de la même couleur et peuvent alors être fusionnés de la
façon suivante : chaque voisin de vi devient voisin de vj avec la même pondération
d’arête, puis vi et ses arêtes adjacentes sont supprimés du graphe. En effet dans ce
cas vj et vi ont la même couleur.

Proposition 4.9. Fusion de sommets


Soient un graphe G(V, E) et un ensemble T définissant un problème de T -
coloration avec 13 couleurs.
Si C est une (4, 4)-clique (respectivement une (3, 5)-clique ou une (2, 7)-
clique),
si (vi , vj ) ∈ V 2 tels que (vi , vj ) ∈
/ E et vi ∈
/ C et vj ∈ C,
si ∀vk ∈ C\{vj }, tik = 4 (resp. tik = 3 ou tik = 2),
alors vi et vj ont la même couleur et le sommet vi peut être fusionné avec
le sommet vj de telle façon que : ∀vk ∈ Γ(vi ), tjk = max{tjk ; tik }

Figure 4.9 : Exemple de réduction par fusion de sommets


165

4.4.2 Réduction d’hypergraphe et notion de dominance

Pour évaluer la qualité de service d’une configuration de réseau, il est nécessaire


d’évaluer le SINR de tous les points de service d’un bâtiment. Un point de service
représentant une superficie d’un mètre carré, le nombre de points de service devient
rapidement considérable on pour des bâtiments de grande taille. A chaque point
de service correspond un certain nombre de contraintes binaires et une contrainte
n-aire, donc plusieurs arêtes binaires et une arête n-aire lui sont associées.
Réduire le nombre de points de service signifie donc réduire le nombre d’arêtes de
l’hypergraphe. Il est alors intéressant de réduire le nombre de points de service pour
accélérer l’évaluation des contraintes. Nous présentons une notion de dominance
entre points de service qui permet de sélectionner les points de service les plus
difficiles à satisfaire et dont la satisfaction entraine celle de tous les autres.

Définition 4.10. Dominance de point de service


Soit pRst la puissance du signal émis par l’AP s et reçu par le point de service
t. st désigne l’AP serveur du point de service t.
Le point de service t domine le point de service t0 si et seulement si :
Ils ont le même serveur : st = st0 .
La puissance du serveur au point de service t est inférieure ou égale à la
puissance du serveur au point de service t0 : pR R
st t ≤ pst0 t0 .
Toutes les puissances issues des AP interférents s et reçues au point de
service t sont supérieures ou égales aux puissances issues des AP interférents
s et reçues au point de service t0 : ∀s 6= st , pR R
st ≥ pst0 .
Une des inégalités précédentes est stricte : ∃s 6= st , pR R R R
st > pst0 ou pst t < pst0 t0 .

Proposition 4.10.
Si le point de service t domine le point de service t0 alors :

SIN Rt < SIN Rt0

Démonstration.
Puisque ∀s 6= st , pR R
st ≥ pst0 et sachant que γ est une fonction positive et que st = st0 ,
alors
P quelque soit la solution
P R f, on a :
R
pst γ(|fs − fst |) ≥ pst0 γ(|fs − fst0 |)
s6=st s6=st
166 T -coloration de graphe et d’hypergraphe

et pR B
pR B
P P
st γ(|fs − fst |) + p ≥ st0 γ(|fs − fst0 |) + p
s6=st s6=st
Comme pR R
st t ≤ pst0 t0 , on en déduit que :
pR pR
s 0
st t t0 t
P
pR B ≤ P
pR γ(|fs −fst0 |)+pB
st γ(|fs −fst |)+p st0
s6=st s6=st
L’inégalité est stricte puisque l’une des deux inégalités précédentes l’est.

Définition 4.11. Pareto optimal


Pour une population T de points de service, un point de service t est Pareto
optimal si et seulement s’il n’existe aucun point de service qui le domine :

@t0 ∈ T : t0 domine t

Proposition 4.11.
Soit une population T de points de service et T ∗ les points de service Pareto
optimaux de T . Les problèmes de T -coloration d’hypergraphe construits par
la procédure de la figure 4.5 à partir de T et de T ∗ sont identiques.

Démonstration.
Une solution satisfait un point de service si elle vérifie les contraintes créées par
ce point de service lors de la procédure (figure 4.5). Les points de service Pareto
optimaux de T sont les points de service les plus difficiles à satisfaire puisqu’ils sont
non dominés. D’après la proposition 4.10, si une solution les satisfait alors cette
solution satisfait également tous les points de service de T .

Sur un exemple d’un bâtiment de 8800 m2 (donc de 8800 points de service)


où l’on a installé 30 AP, nous avons 924 points de service Pareto optimal. Nous
constatons que l’ordre de grandeur de la réduction est de 90%.

4.5 Optimisation utilisant la T -coloration


4.5 Optimisation utilisant la T -coloration

4.5.1 Catégories de problèmes


Dans ce chapitre nous avons jusqu’à présent traité le problème de planification de
fréquences sous la forme d’un problème de satisfaction de contraintes de type CSP ;
167

c’est-à-dire un problème de décision. Il s’agit de répondre par oui ou non à la ques-


tion : "Existe-il une affectation de fréquences qui satisfasse toutes les contraintes ?"
En pratique, nous répondons généralement "oui" si notre algorithme a trouvé une
telle solution et "non" (ou "je ne sais pas") dans le cas contraire.
Dans les problèmes réels que nous avons rencontrés, il n’existe souvent pas de
solutions réalisables. C’est-à-dire que l’on répond souvent "non" (ou "je ne sais
pas") à la question précédente ; il n’existe pas (ou nous ne trouvons pas) de solution
qui satisfasse toutes les contraintes à la fois. Cependant, nous souhaitons tout de
même obtenir une solution, la moins non réalisable possible c’est-à-dire qui violent
"le moins possible" les contraintes. Nous pouvons alors supprimer des contraintes
que l’on juge moins importantes et rester dans le contexte d’un problème CSP. Nous
pouvons aussi transformer le problème de décision en un problème d’optimisation
et c’est ce qui nous intéresse dans ce paragraphe. Dans ce cas, l’approche la plus
classique est d’associer à chaque contrainte non satisfaite une pénalité et de recher-
cher une solution qui minimise la somme des pénalités. Il existe un grand nombre
de façons de relâcher ces contraintes.

Remarque :
La façon de relâcher dépend beaucoup du contexte applicatif du problème et cor-
respond à une nouvelle modélisation du problème : deux problèmes équivalents de
satisfaction de contraintes ne vont certainement pas être équivalents une fois re-
lâchés. Contrairement aux problèmes de décision, où l’on conserve seulement les
contraintes les plus dures, car on est dans une optique de tout ou rien, il est sou-
vent nécessaire dans le cas de problème de minimisation de pénalités de garder l’en-
semble des contraintes pour que la fonction de coût rende compte de la granularité
des contraintes.

Nous présentons maintenant un exemple de nouvelle modélisation et quelques


résultats préliminaires pour intégrer la T -coloration de graphe et d’hypergraphe
dans l’application WIFIOPT qui traite globalement le problème de planification de
réseau 802.11.
Pour les problèmes de T -coloration il y a deux critères de nature différente pour
évaluer une solution : le critère du nombre de couleurs utilisées par une solution et
le critère des écarts de couleurs à respecter par une solution. La table 4.5.1 présente
quatre problèmes différents selon que l’on considère les critères en contraintes ou en
objectifs.
Le problème 4 est le problème de CSP présenté jusqu’à présent dans ce chapitre.
Dans le contexte de planification de réseau WLAN, le nombre de canaux de fréquence
est fixé par les normes IEEE 802.11 ; c’est une contrainte que l’on ne peut pas
168 T -coloration de graphe et d’hypergraphe

critère du nombre de couleurs = k


objectif contrainte
Problème 2 : déter-
miner une coloration
objectif Problème 1 :
critère des avec k couleurs qui
multiobjectif
écarts minimise les violations
d’écarts de couleur T
Problème 3 : détermi- Problème 4 : pro-
ner une T -coloration blème de décision
de couleurs contrainte
de G avec un nombre CSP : existe-t-il une
(T )
de couleur minimum. T -coloration de G
avec k couleurs ?

Table 4.2 : Les quatres problèmes de T-coloration.

relâcher. C’est donc le problème 2 qui nous intéresse dans ce paragraphe. Le problème
3 est aussi très étudié notamment dans les systèmes de communications militaires
où il est nécessaire de dimensionner le plan de fréquence en utilisant le moins de
spectre possible du fait des interférences entre réseaux déployés sur le terrain. C’est
le cas par exemple des travaux référençant les problèmes du CELAR [Dupont et al.,
2005] [Devarenne et al., 2008].

4.5.2 Exemple d’optimisation utilisant les contraintes de T -


coloration
Nous nous intéressons donc au problème d’optimisation de type 2 : minimiser
les violations d’écarts de couleur T. Il existe de nombreuses façons d’affecter les
pénalités aux contraintes non satisfaites. Dans l’exemple que l’on présente ici, nous
choisissons de minimiser le nombre de clients non satisfaits. Nous appelons
points de service les zones du bâtiment à couvrir. A chaque point de service t, t ∈ T
correspond un nombre κt de clients, ce sera nos pénalités. Pour obtenir le débit
réel demandé par les clients d’un point de service t, il est nécessaire de satisfaire
un groupe de contraintes Gt = {Ct1 , ..., Ctn } où les Cj sont des contraintes d’écarts
de fréquences entre AP. Soit f = (fs )s∈S O une solution du problème d’allocation de
fréquences qui alloue la fréquence fs à l’AP s.
La formulation de problème de minimisation du nombre de clients non satisfaits
est :  
X Y
trouver f qui minimise κt 1 − δCj  (4.13)
t Cj ∈Gt
169

si la contrainte Cj est respectée par la solution f



1
avec δCj =
0 sinon

Dans ce cas il suffit qu’une seule contrainte du groupe soit non satisfaite pour
que les clients du point de service soient non satisfaits.
On n’a pas précisé le type de contraintes utilisé ici. Cela peut être des contraintes
de niveau de SINR, des contraintes binaires (T -coloration de graphe) ou des contraintes
n-aires linéaires (T -coloration d’hypergraphe). Ces contraintes sont issues des algo-
rithmes présentés aux figures 4.4 et 4.5.
Nous avons validé cette approche en testant sur un benchmark de 7 instances
le problème d’optimisation de T -coloration d’hypergraphe. Différents types d’algo-
rithmes (plusieurs Recherches Tabou et algorithmes évolutionnaires) ont été testés.
Le benchmark et les résutats sont accessibles sur le site :
http ://alexandre.gondran.free.fr/benchmaks/hypergraph_T-coloring

La table 4.3 présente les résultats des 7 instances de problèmes. Pour chaque
instance (pb n˚) nous indiquons le nombre d’AP installés sur le réseau (nb. AP ), le
nombre total de contraintes (nb. contraintes), le nombre de points de service (nb. pts
service), le nombre total de clients (nb. clients) et la durée d’optimisation en seconde
(durée d’optim.), elle correspond au critère d’arrêt des algorithmes. Les exécutions
ont été réalisées sur un Pentium 4 de 3.2 GHz. Plusieurs méthodes de Recherche
Tabou et d’algorithmes évolutionnaires ont été développées et nous présentons les
résultats des deux meilleurs algorithmes de chaque catégorie. La fonction de coût
pour les deux métaheuristiques est donnée par l’équation (4.13) et correspond au
nombre de clients non satisfaits. Pour chaque instance du problème, l’algorithme est
exécuté 5 fois et nous indiquons dans la colonne moy., la moyenne des fonctions de
coût finales des 5 exécutions et dans la colonne meill., la meilleure des fonctions de
coût des 5 exécutions.
Les instances des problèmes ont été créées en suivant la procédure décrite à
la figure 4.5 et à partir de bâtiments réels en utilisant le modèle de propagation
d’Orange Labs, à l’exception de l’instance 7. Dans ces premiers résultats il est diffi-
cile de déterminer laquelle des deux méthodes, la Recherche Tabou et l’algorithme
évolutionnaire, fournit les meilleurs résultats.
D’autre part nous avons évalué l’intérêt de la modélisation par T -coloration
d’hypergraphe par rapport à la T -coloration de graphe en réalisant une série de
tests dont les résultats sont présentés dans la table 4.4. Chaque ligne du tableau
caractérise un réseau test : ID indique le numéro identifiant le réseau test, nS et
nT indiquent respectivement le nombre d’AP installés et le nombre de points de
service considérés sur le réseau test, SINR donne le seuil de SINR à respecter pour
l’ensemble des nT points de service.
170 T -coloration de graphe et d’hypergraphe

nb. nb. nb. pts nb. durée Recherche Algorithme


AP contraintes service clients d’optim. Tabou Evolution.
moy. meill. moy. meill.
pb 1 9 174 192 66.6 10 0 0 0 0
pb 2 9 333 896 247.3 60 30.32 25.3 30.62 28.1
pb 3 40 663 690 119.5 180 0 0 0 0
pb 4 40 1935 3522 578.8 180 79.74 72.6 75.24 71.3
pb 5 40 2151 4863 690.7 300 194.14 180.3 185.82 175.8
pb 6 25 1318 3069 554.2 300 42.08 35.7 41.7 37.3
pb 7 100 4834 4834 577.7 300 36.18 22.2 35.54 21.6

Table 4.3 : Resultats des 7 instances du benchmark pour une Recherche Tabou et un
algorithme évolutionnaire.

A partir de nT contraintes de SINR nous avons construit les problèmes de T -


coloration de graphe et d’hypergraphe associés. Le problème de T -coloration de
graphe (respectivement de T -coloration d’hypergraphe) tente de minimiser le nombre
de contraintes binaires (respectivement de contraintes n-aires linéaires) en utilisant
l’algorithme multi-start d’amélioration du plan de fréquence décrit au chapitre 3
partie 3.3.1. Le nombre de multi-start est donné par la valeur de it.. Les solutions ini-
tiales de tous les multi-start sont identiques pour les deux problèmes de T -coloration
de graphe et d’hypergraphe. La durée de l’algorithme est indiquée en seconde dans
la colonne durée(s). Cette durée est toujours plus longue pour la modélisation par
hypergraphe puisque celle-ci compte toujours plus de contraintes à évaluer que la mo-
délisation par graphe ce qui prend un peu plus de temps CPU. La valeur f0 indique
le nombre de contraintes SINR non respectées à la fin de l’algorithme multi-start.
Les résultats numériques, publiés à la conférence PIMRC’08, confirment expé-
rimentalement ce que nous avions déjà montré théoriquement : même une bonne
modélisation en T -coloration de graphe ne permet pas de tenir compte des interfé-
rences multiples. La T -coloration d’hypergraphe complète la modélisation du pro-
blème tout en étant quasi-équivalente avec le problème initial. Dans le tableau 4.4,
la T -coloration d’hypergraphe a permis de trouver à 9 reprises un résultat meilleur
qu’en T -coloration de graphe, pour seulement 3 dans le cas contraire. L’exploration
de voisinage dans l’hypergraphe permet donc de trouver de meilleurs minima locaux
que dans le graphe.

4.5.3 Type de voisinage utilisant la T -coloration


Il est donc intéressant d’intéger la modélisation de T -coloration d’hypergraphe
dans l’optimisation globale et plus précisement dans l’algorithme à type de voisi-
171

Tests T -coloration T -coloration


de graphe d’hypergraphe
ID-nS /nT /SINR/it. durée(s) f0 durée(s) f0
1-9/3024/4/100 0.5 0 2.5 0
2-9/3024/16/1000 9 21 59 32
3-9/3024/22/1000 10 212 54 212
4-9/3024/24/1000 10 292 56 292
5-9/3024/30/1000 10 967 59 967
6-15/3024/4/100 2 5 13 0
7-15/3024/16/1000 37.7 242 146 218
8-15/3024/22/1000 39 798 136 798
9-15/3024/24/1000 41 1116 149 1116
10-15/3024/30/1000 43 1600 136 1584
11-30/7728/4/100 37 6 108 4
12-30/7728/16/200 95.6 361 393 351
13-30/7728/22/100 45 804 180 735
14-30/7728/24/100 157 1030 668 1041
15-30/7728/30/100 45 1865 188 1865
16-40/7728/4/100 85.7 13 192 0
17-40/7728/16/100 146 336 421 356
18-40/7728/22/100 137 862 428 833
19-40/7728/24/100 142 1123 428 1123
20-40/7728/30/100 149 2056 415 2011
Table 4.4 : Resultats des tests : la meilleure solution est indiquée en gris

nage aléatoire présenté au chapitre 3. Il suffit pour cela de créer un nouveau type de
voisinage. Concernant les fréquences, nous avons déjà défini un voisinage fréquen-
tiel au chapitre 3 paragraphe 3.3.2 utilisant un algorithme multi-start d’améliora-
tion du plan de fréquences. Le nouveau voisinage à développer, appelé voisinage
de T -coloration, doit commencer par créer les contraintes n-aire linéaires grâce à
l’algorithme de la figure 4.5 puis à minimiser le nombre de clients non satisfaits
(formulation 4.13) en appliquant à l’hypergraphe un algorithme de descente simple
avec multi-start aléatoire.

4.6 Conclusion
172 T -coloration de graphe et d’hypergraphe

4.6 Conclusion

En analysant le fonctionnement des réseaux locaux sans fil IEEE 802.11 et les
protocoles d’accès au canal, nous avons proposé une procédure qui modélise le pro-
blème d’affectation de fréquences en un problème bien connu de T -coloration de
graphe. Cette transformation est fondée sur des seuils de SINR à respecter. La pro-
cédure fixe dynamiquement ces seuils, afin de satisfaire les demandes en débit du
réseau. Cette procédure peux être utilisée par toutes applications fondées sur le
calcul du SINR.
Comme le problème de T -coloration de graphe ne permet d’exprimer que les
interférences binaires, nous avons généralisé sa définition pour rendre compte des
interférences multiples. Nous avons pour cela introduit une nouvelle classe de pro-
blème, la T -coloration d’hypergraphe. L’intérêt du passage à l’hypergraphe a été
confirmé numériquement par des tests, pour lesquels la T -coloration d’hypergraphe
a donné de bien meilleurs résultats que la T -coloration de graphe.
Nous avons montré dans la proposition 4.2 (respectivement la proposition 4.6)
que la T -coloration de graphe (respectivement la T -coloration d’hypergraphe) est
équivalente au problème d’allocation de fréquences sous certaines conditions restric-
tives et que la T -coloration d’hypergraphe est toujours une très bonne approximation
dans le cas général.
Par ailleurs, des règles de réduction de la taille des graphes et des hypergraphes
ont été proposées dans le contexte de la norme IEEE 802.11, et peuvent être géné-
ralisées à d’autres technologies de radiocommunications. Quelques applications sur
des réseaux tests ont montré que cela pouvait réduire très fortement le nombre de
calcul à réaliser, parfois jusqu’à 90% de réduction sur le nombre de points de service
à considérer.
Nous avons aussi montré comment transformer le problème de décision en un
problème d’optimisation de T -coloration de graphe et d’hypergraphe. Cette refor-
mulation du problème peut être intégrée à l’optimisation présentée au chapitre pré-
cédant (WIFIOPT ) et en améliorer les performances en utilisant des algorithmes
adaptés.
Conclusion

Dans ce mémoire, nous avons montré qu’il est possible de réaliser une modé-
lisation et une optimisation du problème de planification des réseaux WLAN en
abordant simultanément les problèmes de placement et de paramétrage des émet-
teurs et d’affectation des fréquences. Notre travail est fondé sur une estimation fine
de la qualité de service utilisant le calcul complet du SINR en tous les points du
réseau.
Jusqu’alors, le problème du placement des émetteurs habituellement nommé ACP
pour Automatic Cell Planning et le problème d’allocation des fréquences nommé
AFP pour Automatic Frequency Planning étaient traités en séquence de part leur
complexité de modélisation et leur nature combinatoire. Le problème de planification
des WLAN se modélisait par un problème de couverture avec ou sans capacité auquel
des critères concernant les interférences étaient ajoutées. Une fois les émetteurs fixés,
le problème d’allocation de fréquences était optimisé selon de nouveaux critères
d’interférences. Cette séparation des problèmes menait à des solutions sous-optimales
car la gestion des interférences est justement l’aspect difficile du problème. En effet
ce problème se distingue des problèmes de couverture car il est non conservatif en
qualité, c’est-à-dire que l’ajout d’un nouvel émetteur peut dégrader la qualité globle
d’un réseau. Les rares travaux qui intègrent l’allocation de fréquences simultanément
avec le placement des émetteurs restent dans une logique d’agrégation de critères
ce qui ne permet pas d’avoir une vision unifiée du problème. Par ailleurs, la taille
des instances de problèmes traitées dans la littérature restait faible, de l’ordre de la
dizaine d’émetteurs et le passage à une planification à grande échelle se faisait au
prix d’une dégradation significative de la qualité des modèles.
Le travail que nous avons réalisé a été possible grâce à une analyse détaillée
du fonctionnement des WLAN qui nous a permis d’identifier le débit réel comme
le critère unifiant les différentes caractéristiques de qualité de service : couverture,
interférences et capacité. Cette modélisation, basée sur le calcul du débit réel, per-
met de supprimer toute pondération relative entre les anciens critères de qualité
de service. Le calcul du débit réel nécessite de traiter simultanément les problèmes
de positionnement des émetteurs et d’allocation des fréquences. C’est à la fois une
174 T -coloration de graphe et d’hypergraphe

contrainte pour le problème d’optimisation, mais c’est aussi la condition qui permet
cette synthèse. De plus, notre modèle de planification de réseaux WLAN permet
d’optimiser tous les paramètres liés aux points d’accès : type d’antenne, azimut et
puissance d’émission. Il intègre aussi des zones de priorité traduisant l’importance
relative des différentes régions de l’espace à couvrir. Enfin, l’usage du débit réel
permet d’exprimer naturellement et simplement les besoins des clients du réseau. Il
suffit de spécifier la carte des débits (ou des services) souhaités et la répartition des
clients dans le bâtiment. Notre modèle minimise l’écart entre le débit souhaité par
les clients du réseau et le débit que le réseau leur fournit réellement. Notre modèle
calcule également le coût économique du réseau qui inclut l’achat du matériel, son
installation et son raccordement au réseau filaire et l’agrège à la fonction à minimiser.
La contrainte de notre problème est de fournir au moins à tous les clients du réseau
un débit minimal. On s’interdit également de couvrir certaines zones intérieures ou
extérieures au bâtiment pour des raisons de confidentialité ou de sécurité. Enfin, un
réseau initial existant et nombre maximum d’émetteurs peut également être imposé.
Pour optimiser les problèmes de planification de réseaux sans fil, nous avons
proposé deux nouvelles stratégies :
• Une stratégie globale qui optimise simultanément le placement des émetteurs
et l’affectation des fréquences et utilise les 13 canaux de fréquences autorisés
en France pour la norme 802.11g. Cette méthode est complexe par certains
calculs effectués mais elle explore toutes les ressources disponibles pour la
planification.
• Une stratégie séquentielle qui tient compte lors du placement des émetteurs
d’un brouillage moyen entre eux, puis qui résoud le problème AFP pour les sites
sélectionnés en utilisant la même fonction d’évaluation que pour le problème
ACP. Cette fonction d’évaluation, basée sur le calcul du débit réel en chaque
point de service, utilise à la fois les variables de placement sur les sites et les
fréquences.
Nous avons comparé ces stratégies avec deux stratégies usuelles d’optimisation,
l’une purement séquentielle qui enchaîne l’ACP et AFP et qui pénalise tout recou-
vrement de cellules lors de l’ACP, et l’autre qui traite l’ACP et l’AFP simultanément
mais seulement avec des canaux de fréquences disjoints. Cette étude nous a montré
que notre optimisation globale donne les meilleurs résultats et que l’optimisation
séquentielle avec brouillage moyen donne souvent des résultats très proches de l’ap-
proche globale et s’est avérée beaucoup plus performante que les méthodes séquen-
tielles usuelles. Ces stratégies d’optimisation globale et d’optimisation séquentielle
à brouillage moyen sont a priori généralisables à tous les problèmes de planification
de réseaux de radiocommunications tels le GSM, le GPRS, l’UMTS...
Nos solutions ont donné lieu à des collaborations et partenariats industriels.
175

D’une part, l’application WIFIOPT, développé pour Orange Labs, utilise l’optimi-
sation globale. Elle permet de proposer aux entreprises des solutions sans fil de
haute qualité de service. D’autre part, notre optimisation séquentielle avec brouillage
moyen est utilisée par la start-up TRINAPS pour proposer des solutions de réseau
à ses clients.
Notons enfin, que les deux nouvelles stratégies permettent de prendre en compte
diverses notions de Qualité de Service, notamment certains problèmes de sécurité
et de gestion du handover. En effet, lorsque l’on ne souhaite pas couvrir certaines
zones pour des raisons de sécurité, l’usage d’antennes directionnelles devient très
pratique et apporte des solutions adaptées. Par ailleurs, sachant que les technologies
permettant la mobilité dans les WLAN sont en plein développement, l’indicateur
géométrique que l’on propose évalue la forme des cellules et apporte une solution
efficace pour limiter le nombre de changement de cellules lors d’un déplacement.
Du point de vue du traitement de la combinatoire du problème de planification
de réseau WLAN, nous avons géré deux classes de variables de décision : les va-
riables concernant les configurations d’AP (site, type d’antenne, azimut, puissance
d’émission) et les variables concernant l’affectation de fréquence (canal). Cela nous a
conduit à construire plusieurs types de voisinage selon qu’ils concernent les variables
de configuration, les variables de fréquences ou les deux. Etant donné la taille des
problèmes que l’on souhaite résoudre, nous nous sommes orienté vers des algorithmes
de recherche locale et avons développé une heuristique nouvelle dite à Voisinages Va-
riables Aléatoires (VVA) qui, à chaque itération de cette recherche locale, choisit au
hasard le type de voisinage parmi un ensemble des possibles. Etant donné qu’un mi-
nimum local est relatif au voisinage, c’est-à-dire qu’il n’est pas forcément le minimum
pour un autre voisinage, il est intéressant d’alterner la recherche dans les différents
voisinages. De plus, des heuristiques différentes définissent les règles d’exploration
de chacun des voisinages. Certaines de ces heuristiques permettent la dégradation
de la solution courante, d’autres intensifient autour de cette solution. Un algorithme
glouton aléatoire permet de construire la solution initiale de notre recherche locale.
En ce qui concerne les performances, notre algorithme réalise une planification
globale de réseaux réels comptant une trentaine d’émetteurs en quelques minutes
seulement. Les cas pratiques étudiés dans la littérature ne traitent que de petits ré-
seaux ne comptant qu’une dizaine d’émetteurs. A priori cet algorithme peut planifier
des réseaux de plus grande taille de plusieurs centaines d’émetteurs. Au final c’est un
algorithme très modulaire qui a prouvé par les résultats qu’il permet facilement de
combiner les deux sous problèmes (placement et affection). Cette heuristique n’est
pas propre à notre problème et peut être considérée comme un mécanisme général
d’optimisation.
Dans le quatrième chapitre, nous avons réalisé un approfondissement théorique
du problème d’affectation de fréquences dans les réseaux locaux sans fil. Nous avons
176 T -coloration de graphe et d’hypergraphe

proposé une procédure qui modélise le problème d’affectation de fréquences en un


problème bien connu de T -coloration de graphe. Cette procédure fixe dynamique-
ment des seuils de SINR à respecter afin de satisfaire les demandes en débit du
réseau. Les écarts de fréquence entre émetteurs sont déterminés au plus juste en
fonction de ce seuil de SINR. Cette procédure peut être utilisée par toutes les ap-
plications fondées sur le calcul du SINR.
Comme le problème de T -coloration de graphe ne permet d’exprimer que des
interférences binaires, nous avons généralisé sa définition pour rendre compte des
interférences multiples. Nous avons introduit une nouvelle classe de problème, la
T -coloration d’hypergraphe. L’intérêt du passage à l’hypergraphe a été confirmé
numériquement par des tests, pour lesquels la T -coloration d’hypergraphe a donné
de bien meilleurs résultats que la T -coloration de graphe. Nous avons montré dans
la proposition 4.2 (respectivement dans la proposition 4.6) que la T -coloration de
graphe (respectivement d’hypergraphe) est équivalente au problème d’allocation de
fréquences sous certaines conditions restrictives et que la T -coloration d’hypergraphe
est toujours une très bonne approximation dans le cas général.
Par ailleurs, des règles de réduction de la taille des graphes et des hypergraphes
sont proposées pour les problèmes de T -coloration dans le contexte de la norme
IEEE 802.11. Elles peuvent aussi être généralisées à d’autres technologies de ra-
diocommunications. Réduire la taille des graphes et des hypergraphes permet de
réduire le nombre de contraintes et de variables d’une instance et par conséquent
accélère considérablement l’évaluation des solutions et la recherche des optima. Nous
avons aussi montré comment transformer le problème de décision en un problème
d’optimisation de T -coloration de graphe et d’hypergraphe. Cette reformulation du
problème peut facilement être intégrée à l’application WIFIOPT par l’ajout d’un
voisinage supplémentaire à l’algorithme VVA.
Pour résumer, nos travaux sur la planification de réseaux locaux sans fil ont
permis des apports théoriques par le développement de nouveaux modèles, la T -
coloration d’hypergraphe et le modèle basé sur le calcul du débit, et par la mise au
point de nouveaux algorithmes via l’heuristique à Voisinages Variables Aléatoires.
Ils ont aussi donné des résultats pratiques avec le développement d’applications
intégrées dans deux environnements de planification. Nous présentons maintenant
quelques perspectives aussi bien sur le plan du modèle que sur le plan algorithmique.
Nos travaux en cours portent sur l’approfondissement du modèle de débit afin
de tenir compte de façon plus juste des services symétriques, à la fois montant et
descendant, comme la téléphonie-IP ou la visioconférence, et ainsi de rendre compte
de l’impact des liens montants sur la capacité des émetteurs. De plus, pour anticiper
l’arrivée de la mobilité dans les WLAN, nous étudions des modèles d’association
dynamique qui permettrait comme en UMTS à un client de s’associer avec plusieurs
émetteurs à la fois.
177

Dans un autre domaine, mais toujours sur la modélisation, des études sont ac-
tuellement menées en collaboration avec l’université de Cardiff sur les réseaux mixtes
utilisant plusieurs technologies à la fois comme le 802.16 (WIMAX, acronyme pour
Worldwide Interoperability for Microwave Access) et 802.11 (Wi-Fi) ou plusieurs
normes simultanément comme le 802.11g et le 802.11a. Ces hybridations de tech-
nologies permettent d’augmenter les ressources radio en multipliant les canaux de
fréquences disponibles. C’est un enjeu très prometteur pour les années à venir pour
lequel il n’existe pas encore de modélisation adaptée.
Pour les modèles théoriques que nous avons proposés, il serait intéressant de mo-
déliser en T -coloration d’hypergraphe d’autres problèmes d’allocation de ressources
avec contraintes n-aires. De plus, la procédure de transformation de la modélisation
présentée au chapitre 4 est directement réutilisable pour tous les problèmes basés
sur le calcul du SINR. La réutilisation dans le contexte du GSM et de l’UMTS est
quasi immédiate.
Sur le plan algorithmique, l’heuristique à Voisinages Variables Aléatoires ouvre
le champ à de très nombreux et nouveaux algorithmes. Il serait nécessaire d’en faire
un approfondissement théorique et de la comparer avec les autres heuristiques de
la littérature comme la Recherche Tabou, le recuit simulé, les algorithmes géné-
tiques... De plus il est intéressant d’étudier comment gérer les hybridations avec
ces metaheuristiques en s’inspirant des hyper-heuristiques. Une autre perspective
est de développer des algorithmes performants pour la T -coloration d’hypergraphe,
notamment en approfondissant et en généralisant les algorithmes de T -coloration de
graphe [Dorne & Hao, 1998]. Quelques travaux sur de tels algorithmes sont en cours
de développement.
Concernant la validité de nos résultats, nous menons actuellement des études
sur la robustesse de la solution trouvée par notre algorithme à Voisinages Variables
Aléatoires. En faisant varier la demande offerte au réseau, nous testons la capacité du
réseau à maintenir une certaine qualité de service. De même, en faisant varier aléa-
toirement les valeurs de puissances des signaux reçus par les clients, nous testons la
capacité du réseau à résister aux fluctuations très réelles liées aux changements d’en-
vironnement : portes ouvertes, déplacement de meuble, forte densité de personnes
dans les locaux, humidité de l’air...
Toujours en terme de validité, l’aspect sensible de l’optimisation séquentielle avec
brouillage moyen est la définition préalable du coefficient gamma. Il est donc envisa-
geable de considérer plusieurs valeurs de gamma selon les zones du bâtiment ou de le
faire évoluer au cours de l’optimisation en fonction de la densité des émetteurs. Il est
également possible d’itérer plusieurs fois consécutives le problème de placement avec
brouillage moyen et le problème d’allocation de fréquences. Le facteur de protection
moyen de chaque itération est déterminé grâce à la solution du problème d’alloca-
tion de fréquences de l’itération précédente ; il évolue ainsi à chaque itération. Ces
178 T -coloration de graphe et d’hypergraphe

propositions font parties des perspectives immédiates de notre travail.


Sur le plan des calculs de puissance, notre optimisation est basée sur le calcul
préalable des zones de couvertures à l’aide d’un modèle de propagation d’ondes
radio fourni par Orange Labs. Il serait intéressant de pouvoir utiliser notre module
d’optimisation avec le modèle de propagation MR-FDPF du CITI de l’INSA de Lyon
afin de vérifier la robustesse des solutions produites. En effet ce modèle est très rapide
et permettrait d’envisager d’intégrer le calcul de la propagation à l’optimisation et
ainsi d’améliorer probablement la précision des calculs de débit de la solution fournie.
Publications

Revue internationale

Gondran A., Caminada A., Fondrevelle J., Baala O., Wireless LAN planning : a
didactical model to optimise the cost and effective payback, International Journal
of Mobile Network Design and Innovation (IJMNDI), Inderscience, vol. 2, no. 2,
pp.13-25, 2007.

Conférences internationales avec actes

Gondran A., Baala O., Caminada A., Mabed H, Hypergraph T-Coloring for Automa-
tic Frequency Planning problem in Wireless LAN, 19th IEEE International Sympo-
sium on Personal, Indoor and Mobile Radio Communications 2008 (PIMRC 2008),
Cannes, France, September 15-18, 2008.

Gondran A., Baala O., Caminada A., Mabed H, Interference Management in IEEE
802.11 Frequency Assignment, 67th IEEE Vehicular Technology Conference Spring
2008 (VTC 2008), pp. 2238-2242, Singapore, May 11-14, 2008.

Gondran A., Baala O., Caminada A., Mabed H, 3-D BSS Geometric Indicator for
WLAN Planning, 15th International Conference on Software, Telecommunications
and Computer Networks (SoftCOM 2007), pp.1-5, Split, Croatia, September 27-29,
2007.

Gondran A., Baala O., Caminada A., Mabed H, Joint Optimization of Access Point
Placement and Frequency Assignment in WLAN, 3rd IEEE/IFIP International Confe-
rence in Central Asia on Internet (ICI 2007), pp. 1-5, Tashkent, Uzbekistan, Sep-
tember 26-28, 2007.
180 T -coloration de graphe et d’hypergraphe

Autres Conférences
Avec actes et comité de sélection

Gondran A., Caminada A., Baala O., Interferences multiples et coloration d’hy-
pergraphes, 10ième congres de la Societe Francaise de Recherche Operationnelle et
d’Aide a la Decision (ROADEF 2008), pp. 213-214, Clermont-Ferrand, France, Fe-
bruary 25-27, 2008.

Gondran A., Caminada A., Baala O., Analyse de capacite par niveau de debit pour
gerer la qualite de service d’un reseau 802.11, Journees Doctorales en Informatique
et Reseaux (JDIR’08), pp. 37-46, Villeneuve d’Ascq, France, January 16-18, 2008.

Gondran A., Baala O., Fondrevelle J., Caminada A., Un modele discret de pla-
nification des reseaux WLAN, 9e congres de la Societe Francaise de Recherche Ope-
rationnelle et d’Aide a la Decision (ROADEF 2007), pp. 215-216, Grenoble, France,
February 20-23, 2007.

Avec comité de sélection

Gondran A., Fondrevelle J., Baala O., Caminada A., Modélisation du problème théo-
rique de planification WLAN par fonctions d’ensembles, META 2006, Hammamet,
Tunisie, November 4-6, 2006.

Séminaires et autres communications

Gondran A., Modélisation et optimisation de réseaux locaux sans fil, Séminaire du


laboratoire CITI, SimCITI, INSA de Lyon, France, October 16, 2008.

Gondran A., Caminada A., Baala O., Mabed H., Joint Optimization of Access Point
Placement and Frequency Assignment in WLAN, Journees ResCom organisees par
le Groupe de Recherche Architecture, Systemes et Reseaux, ENSEEIHT/IRIT, Tou-
louse, France, September 20-21, 2007.

Gondran A., Baala O., Caminada A., Problemes intriques en planification de reseaux
WLAN, Reunion Reseau Grand Est (RGE), organisees par le Groupe de Recherche
Architecture Systemes et Reseaux, Montbeliard, France, June 7, 2007.
181

Gondran A., Optimisation automatique du design des reseaux WIFI, Rencontre


CITI/SeT, Lyon, France, February 12, 2007.

Gondran A., Nouveau modele de calcul du SINR pour les reseaux WIFI, Journees Re-
sCom, ENST, Paris, organisees par le Groupe de Recherche Architecture, Systemes
et Reseaux, September 25-26 2006.
Bibliographie

[Aguado-Agelet et al., 2002] Aguado-Agelet, F., Varela, A.M.M., Alvarez-Vázquaz,


L.J., Hernando, J.M., & Formella, A. 2002. Optimization methods for optimal
transmitter locations in a mobile wireless system. 51(6), 1316–1321.
[Allio, 2007] Allio, S. 2007 (January). Méthodes avancées pour une ingénierie WLAN
multi-standards. Ph.D. thesis, INSA Rennes, France.
[Amaldi et al., 2004a] Amaldi, E., Capone, A., Cesana, M., & Malucelli, F. 2004a.
Optimizing WLAN Radio Coverage. IEEE Int. Conf. on Communications, 1,
180–184.
[Amaldi et al., 2004b] Amaldi, E., Capone, A., Cesana, M., Malucelli, F., & Pa-
lazzo, F. 2004b (May). WLAN Coverage Planning : Optimization Models and
Algorithms. In : IEEE Vehicular Technology Conference 2004.
[Anderson & McGeehan, 1994] Anderson, H.R., & McGeehan, J.P. 1994. Optimi-
zing microcell base station locations using simulated annealing techniques. Pages
858–862 of : Vehicular Technology Conference, VTC’1994, vol. 2.
[Baala et al., 2007] Baala, O., Caminada, A., Fondrevelle, J., & Gondran, A. 2007
(April). Optimisation de réseaux WIFI - Architecture Logicielle et Spécification
Techniques. Tech. rept. SeT, UTBM, Belfort, France.
[Bahri et al., 2005] Bahri, A., , & Chamberland, S. 2005. On the wireless local area
network design problem with performance guarantees. Computer Networks, 48(6),
856–866.
[Battiti et al., 2003] Battiti, R., Brunato, M., & Delai, A. 2003. Optimal wireless ac-
cess point placement for location-dependent services. Tech. rept. Technical Report
DIT-03-052, Università di Trento, Italy.
[Bianchi, 2000] Bianchi, G. 2000. Performance analysis of the IEEE 802.11 distri-
buted coordination function. Selected Areas in Communications, IEEE Journal
on, 18(3), 535–547.
[Bosio et al., 2007] Bosio, S., Capone, A., & Cesana, M. 2007. Radio planning of
wireless local area networks. IEEE/ACM Transactions on Networking, 15(6),
1414–1427.
184 BIBLIOGRAPHIE

[Burke et al., 2003] Burke, E., Hart, E., Kendall, G., Newall, J., Hart, E., Ross, P.,
& Schulenburg, S. 2003. Handbook of Metaheuristics. Kluwer. Chap. 16 - Hyper-
Heuristics : An Emerging Direction in Modern Search Technology search, pages
457–474.
[Burton, 2002] Burton, M. 2002 (November). Channel Overlap Calculations for
802.11b Networks. White Paper. Cirond Technologies Inc.
[Calì et al., 2000] Calì, F., Conti, M., & Gregori, E. 2000. Dynamic IEEE 802.11 :
Design, Modeling and Performance Evaluation. IEEE Journal on Selected Areas
in Communications, 18(9), 1774–1786.
[Chaigneaud et al., 2001] Chaigneaud, L., Guillet, V., & Vauzelle, R. 2001 (Octo-
ber). A 3D ray-tracing tool for broadband wireless systems. Pages 2043–2047 of :
54th IEEE Vehicular Technology Conference, VTC 2001, vol. 4.
[Chaudet, 2004] Chaudet, C. 2004 (September). Autour de la réservation de bande
passante dans les réseaux ad hoc. Ph.D. thesis, INSA Lyon, France.
[De La Roche et al., 2006] De La Roche, G., Rebeyrotte, R., Jaffrès-Runser, K., &
Gorce, J.-M. 2006 (June). A QoS-based FAP criterion for Indoor 802.11 wire-
less LAN optimization. Pages 5676–5681 of : IEEE International Conference on
Communications (ICC2006), vol. 12.
[Devarenne, 2007] Devarenne, I. 2007 (Novembre). Études en recherche locale adap-
tative pour l’optimisation combinatoire. Ph.D. thesis, Université de Technologie
de Belfort Montbéliard, France.
[Devarenne et al., 2008] Devarenne, I., Mabed, H., & Caminada, A. 2008. Intelligent
neighborhood exploration in local search heuristics. International Journal on
Tools with Artificial Intelligence.
[Dorne & Hao, 1998] Dorne, R., & Hao, J.-K. 1998. Tabu Search for graph coloring,
T -coloring and Set T -colorings. Chap. 3, pages 33–48 of : S. Voss, S. Martello,
I.H. Osman, & Roucairol, C. (eds), Meta-heuristics : Advances and Trends in
Local Search Paradigms for Optimization. Kluwer.
[Doufexi et al., 2003] Doufexi, A., Armour, S., Beng-Sin, L., Nix, A., & Bull, D. 2003
(May). An evaluation of the performance of IEEE 802.11a and 802.11g wireless
local area networks in a corporate office environment. Pages 1196–1200 of : IEEE
International Conference on Communications, ICC’03, vol. 2.
[Duda, 2008] Duda, A. 2008 (September). Understanding the Performance of 802.11
Networks. In : IEEE International Symposium on Personal, Indoor and Mobile
Radio Communications, PIMRC’08.
[Dupont et al., 2005] Dupont, A., Vasquez, M., & Habet, D. 2005. Consistent Neigh-
bourhood in a Tabu search. Workshop on Combination of Metaheuristic and Local
Search with Constraint Programming techniques, University of Nantes, France.
BIBLIOGRAPHIE 185

[Eisenblätter et al., 2007] Eisenblätter, A., Geerdes, H.-F., & Siomina, I. 2007
(June). Integrated access point placement and channel assignment for Wireless
LANs in an indoor office environment. Pages 1–10 of : IEEE International Sym-
posium on a World of Wireless, Mobile and Multimedia Networks, WoWMoM
2007.
[Fortune et al., 1995] Fortune, S.J., , Gay, D.M., Kernighan, B.W., Landron, O.,
Valenzuela, R.A., & Wright, M.H. 1995. WISE Design of Indoor Wireless Sys-
tems : Practical Computation and Optimization. IEEE Computing in Science and
Engineering, 2(1), 58–68.
[Friis, 1946] Friis, H.T. 1946. A Note on a Simple Transmission Formula. Proceedings
of the IRE, 34(5), 254–256.
[Glaß er et al., 2005] Glaß er, C., Reith, S., & Vollmer, H. 2005. The complexity
of base station positioning in cellular networks. Discrete Applied Mathematics,
148(1), 1–12.
[Gondran et al., 2007a] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2007a
(September 27-29). 3-D BSS Geometric Indicator for WLAN Planning. In :
Proceedings of 15th International Conference on Software, Telecommunications
and Computer Networks, SoftCOM 2007.
[Gondran et al., 2007b] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2007b
(September 26-28,). Joint Optimization of Access Point Placement and Frequency
Assignment in WLAN. In : Proceedings of 3rd IEEE International Conference in
Central Asia on Internet The Next Generation of Mobile, Wireless and Optical
Communications Networks 2007.
[Gondran et al., 2008] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2008
(May 11-14). Interference Management in IEEE 802.11 Frequency Assignment.
In : IEEE Vehicular Technology Conference Spring 2008, VTC 2008.
[Gondran & Minoux, 1995] Gondran, M., & Minoux, M. 1995. Graphes et Algo-
rithmes. Eyrolles.
[Gorce et al., 2007] Gorce, J.-M., Jaffrèes-Runser, K., & De La Roche, G. 2007. A
Deterministic Approach for Fast Simulations of Indoor Radio Wave Propagation.
IEEE Trans on Antennas and Propagation, 55(3,2), 938–948.
[Haidar et al., 2008] Haidar, M., Ghimire, R., Al-Rizzo, M., Akl, R., & Chan, Y.
2008 (May). Channel Assignment in an IEEE 802.11 WLAN Based on Signal-to-
interference Ratio. Pages 1169–1174 of : Canadian Conference on Electrical and
Computer Engineering : Communications and Networking (CCECE 2008).
[Hansen & Mladenovic, 1999] Hansen, P., & Mladenovic, N. 1999. Meta-heuristics,
advances and trends in local search paradigms for optimisation. Kluwer. Chap.
An introduction to variable neighbourhood search, pages 433–458.
186 BIBLIOGRAPHIE

[Hao & Vasquez, 2000] Hao, J.-K., & Vasquez, M. 2000. Heuristic approach for
antenna positioning in cellular networks. Journal of Heuristics, 443–472.
[He et al., 2004] He, J., Verstak, A.A., Watson, L.T., Stinson, C.A., Ramakrish-
nan, N., Shaffer, C.A., Rappaport, T.S., Anderson, C.R., Bae, K.K., Jiang, J., &
Tranter, W.H. 2004. Globally optimal transmitter placement for indoor wireless
communication systems. IEEE Transactions on Wireless Communications, 3(6),
1906–1911.
[Heusse et al., 2003] Heusse, M., Rousseau, F., Berger-Sabbatel, G., & Duda, A.
2003 (March 30 - April 3,). Performance anomaly of 802.11b. Pages 836–843 of :
Proceedings of IEEE INFOCOM 2003, vol. 2.
[Hills, 2001] Hills, A. 2001. Large-scale wireless LAN design. IEEE Communications
Magazine, 39(September), 98–104.
[Hills et al., 2004] Hills, A., Sclegel, J., & Jenkins, B. 2004. Estimating Signal
Strengths in the Design of an Indoor Wireless Network. IEEE Transactions on
Wireless Communications, 3(January), 17–19.
[Jaffrès-Runser et al., 2006] Jaffrès-Runser, K., Gorce, J.-M., & Ubéda, S. 2006.
QoS constrained wireless LAN optimization within a multiobjective framework.
IEEE Wireless Communications, 13(6), 26–33.
[Jaffrès-Runser et al., 2008] Jaffrès-Runser, K., Gorce, J.-M., & Ubéda, S. 2008.
Mono- and multiobjective formulations for the indoor wireless LAN planning pro-
blem. Journal of Computers and Operations Research. Special Issue on Telecom-
munications Network Engineering, 35(12), 3885–3901.
[Jedidi, 2004] Jedidi, A. 2004 (May). Modélisation et optimisation de la topologie des
réseaux mobiles GSM. Ph.D. thesis, Université Joseph Fourier, Grenoble, France.
[Jedidi et al., 2004] Jedidi, A., Caminada, A., & Finke, G. 2004. 2-Objective Op-
timization of Cells Overlap and Geometry with Evolutionary Algorithms. Pages
130–139 of : Lecture Notes in Computer Science, vol. 3005. Washington, DC,
USA : IEEE Computer Society.
[Ji et al., 2002] Ji, Z., Sarkar, T.K., & Li, B.-H. 2002. Methods for optimizing the
location of base stations for indoor wireless communications. IEEE Transactions
on Antennas and Propagation, 50(10), 1481–1483.
[Jin et al., 2003] Jin, Z., Wu, X., Shu, Y., & Liu, F. 2003 (May). Optimal place-
ment of multiple 802.11b AP in a wireless classroom. Pages 741–744 of : Canadian
Conference on Electrical and Computer Engineering : Communications and Net-
working (CCECE 2003), vol. 2.
[Kamenetsky & Unbehaun, 2002] Kamenetsky, M., & Unbehaun, M. 2002. Coverage
planning for outdoor wireless LAN systems. Pages 1–6 of : International Zurich
Seminar on Broadband Communications, vol. 49.
BIBLIOGRAPHIE 187

[Kariv & Hakimi, 1979] Kariv, O., & Hakimi, S.L. 1979. An algorithmic approach
to network location problems. II : The p-medians. SIAM Journal on Applied
Mathematics, 37(3), 539–560.
[Karp, 1972] Karp, R.M. 1972. Reducibility Among Combinatorial Problems. Pages
85–103 of : Miller, R.E., & Thatcher, J.W. (eds), Complexity of Computer Com-
putations. Plenum Press.
[Kouhbor et al., 2005] Kouhbor, S., Ugon, J., Kruger, A., & Rubinov, A. 2005. Op-
timal Placement of Access Point in WLAN Based on a New Algorithm. Pages
592–598 of : Proceedings of the International Conference on Mobile Business,
ICMB’05. Washington, DC, USA : IEEE Computer Society.
[Lee et al., 2002] Lee, Y., Kim, K., & Choi, Y. 2002. Optimization of AP placement
and channel assignment in wireless LANs. Page 831 of : LCN’02 : Proceedings
of the 27th Annual IEEE Conference on Local Computer Networks. Washington,
DC, USA : IEEE Computer Society.
[Ling & Yeung, 2005] Ling, X., & Yeung, K.L. 2005. Joint access point placement
and channel assignment for 802.11 wireless LANs. Pages 1583–1588 of : IEEE
Wireless Communication and Networking Conference.
[Lu & Valois, 2006] Lu, J.-L., & Valois, F. 2006 (June). Performance evaluation of
802.11 WLAN in a real indoor environment. In : 2nd International Conference
on Wireless and Mobile Computing, Networking and Communications (WiMob).
IEEE, Montreal, Canada.
[Lu et al., 2006] Lu, J.-L., Runser, K., Gorce, J-M., & Valois, F. 2006 (June). Indoor
WLAN Planning with a QoS constraint based on a Markovian Performance Eva-
luation Model. Pages 152–158 of : 2nd International Conference on Wireless and
Mobile Computing, Networking and Communications (WiMob). IEEE, Montreal,
Canada.
[Mabed & Caminada, 2006] Mabed, H., & Caminada, A. 2006 (September). Geo-
metric criteria to improve the interference performances of cellular network. Pages
1–10 of : IEEE Vehicular Technology Conference, VTC 2006.
[Mabed et al., 2005] Mabed, H., Devarenne, I., Caminada, A., & Legendre, J.F.
2005 (Juin). ALGOPDF - Spécification détaillé d’algorithme d’optimisation de
fréquences pour PR4G. Tech. rept. Laboratoire SeT, UTBM, Belfort, France.
[MacGibney & Klepal, 2005] MacGibney, A., & Klepal, M. 2005. Tool for automa-
tic design and optimisation of large scale WLAN. In : 7th IFIP International
Conference on Mobile and Wireless Communication Networks.
[Maksuriwong et al., 2003] Maksuriwong, K., Varavithya, V., & Chaiyaratana, N.
2003 (Oct 5-8). Wireless LAN access point placement using a multi-objective ge-
netic algorithm. Pages 1944–1949 of : IEEE International Conference on Systems,
Man and Cybernetics, vol. 2.
188 BIBLIOGRAPHIE

[Mathar & Niessen, 2000] Mathar, R., & Niessen, T. 2000. Optimum positioning of
base stations for cellular radio networks. Wirel. Netw., 6(6), 421–428.
[Meignan, 2008] Meignan, D. 2008 (Décembre). Une approche organisationnelle et
multi-agent pour la modélisation de l’implantation de métheuristiques. Ph.D. the-
sis, Université de Technologie de Belfort Montbéliard, France.
[Mendes, 2005] Mendes, F. 2005. Méthodes de décomposition pour la coloration de
graphe. Ph.D. thesis, Université de Picardie, Amiens.
[Mezani, 2005] Mezani, N. 2005. Algorithmes approchés aléatoires. Ph.D. thesis,
Université de Paris IX, France.
[Mühlethaler & Najid, 2001] Mühlethaler, P., & Najid, A. 2001 (April). An efficient
Simulation Model for Wireless LANs Applied to the IEEE 802.11 Standard. INRIA
research report 4182. INRIA Rocquencourt, HIPERCOM, Rocquencourt, France.
[Monnot et al., 2003] Monnot, J., Paschos, V., & Toulouse, S. 2003. Approximation
polynomiale des problèmes NP-difficiles : optima locaux et rapport différentiel.
Hermès.
[Paschos, 2004] Paschos, V. 2004. Complexité et approximation polynomiale. Her-
mès.
[Prommak et al., 2002] Prommak, C., Kabara, J., Tipper, D., & Charnsripinyo, C.
2002. Next generation wireless LAN system design. Pages 473–477 of : IEEE
Proceedings of Milcom, vol. 1.
[Raniwala & Chiueh, 2004] Raniwala, A., & Chiueh, T. 2004 (November). Coverage
and capacity issues in enterprise LAN deployment. Tech. rept. IEEE Network
Magazine, Nov 2004 (in submission).
[Reininger & Caminada, 2001] Reininger, P., & Caminada, A. 2001. Multicriteria
design model for cellular network. Annals of Operation Research, 107, 251–265.
[Rodrigues et al., 2000] Rodrigues, R.C., Mateus, G.R., & Loureiro, A.A.F. 2000.
On the design and capacity planning of a wireless local area network. Pages
335–348 of : IEEE / IFIP Network Operation and Management Symposium.
[Ropke & Pisinger, 2006] Ropke, S., & Pisinger, D. 2006. An Adaptive Large Neigh-
borhood Search Heuristic for the Pickup and Delivery Problem with Time Win-
dows. Transportation Science, 40(4), 455–472.
[Runser, 2005] Runser, K. 2005 (October). Méthodologies pour la planification de
réseaux locaux sans-fil. Ph.D. thesis, INSA Lyon, France.
[Runser et al., 2003] Runser, K., Jullo, E., & Gorce, J.-M. 2003 (April). Wireless
LAN planning using the multi-resolution FDPF propagation model. Pages 80–83
of : 12th IEE International Conference on Antennas and Propagation, vol. 1.
BIBLIOGRAPHIE 189

[Sherali et al., 1996] Sherali, H.D., Pendyala, C.M., & Rappaport, T.S. 1996. Opti-
mal location of transmitters for micro-cellular radio communication system design.
IEEE Journal on Selected Areas in Comm., 14(4), 662–673.
[Stamatelos & Ephremides, 1996] Stamatelos, D., & Ephremides, A. 1996. Spectral
efficiency and optimal base placement for indoor wireless networks. IEEE Journal
on Selected Areas in Communications, 14(4), 651–661.
[Tang et al., 2001] Tang, K.-S., Man, K.-F., & S., Kwong. 2001. Wireless communi-
cation network design in IC factory. IEEE Transactions on Industrial Electronics,
48(2), 452–459.
[Unbehaun & Kamenetsky, 2003] Unbehaun, M., & Kamenetsky, M. 2003. On the
deployment of picocellular wireless infrastructure. IEEE Wireless Communica-
tions, 10(6), 70–80.
[Wertz et al., 2004] Wertz, P., Sauter, M., Landstorfer, F.M., Wolfle, G., & Hoppe,
R. 2004. Automatic optimization algorithms for the planning of wireless local area
networks. Pages 3010–3014 of : Proceedings of 60th IEEE Vehicular Technology
Conference, VTC’04.
[Wong et al., 2003] Wong, J.K.L., Neve, N.J., & Sowerby, K.W. 2003 (April). Uplink
and downlink SIR analysis for base station placement. Pages 112–116 of : Pro-
ceedings of the IEEE Vehicular Technology Conference, vol. 1.
[Wong et al., 2005] Wong, T., Bigras, P., & de Kelper, B. 2005. A Multi-
Neighborhood and Multi-Operator Strategy for the Uncapacitated Exam Proxi-
mity Problem. Systems, Man and Cybernetics, 2005 IEEE International Confe-
rence on, 4, 3810– 3816.
[Wright, 1998] Wright, M.H. 1998. Optimization methods for base station place-
ment in wireless applications. Pages 11513–11517 of : Proceedings of Vehicular
Technology Conference, VTC’98, vol. 89.
Table des figures

2.1 Décomposition du processus . . . . . . . . . . . . . . . . . . . . . . . 57


2.2 Interaction entre les sous-modèles de la réalité physique . . . . . . . . 58
2.3 Les canaux de fréquence disponibles en 802.11b/g . . . . . . . . . . . 67
2.4 Les canaux de fréquence disponibles en 802.11a . . . . . . . . . . . . 67
2.5 Traduction des polygones de service en points de service . . . . . . . 70
2.6 Cas de polygones de service superposés. . . . . . . . . . . . . . . . . . 71
2.7 Modèle de propagation avec les paramètres de l’AP . . . . . . . . . . 73
2.8 Modèle de calcul de la puissance reçue . . . . . . . . . . . . . . . . . 74
2.9 Protocole CSMA/CA dans le cas d’un trafic descendant . . . . . . . . 84
2.10 Détail d’un cycle CSMA/CA . . . . . . . . . . . . . . . . . . . . . . . 85

3.1 Les canaux de fréquence disponibles en 802.11b/g . . . . . . . . . . . 103


3.2 Description du premier et second étage du bâtiment test . . . . . . . 107
3.3 Résultats des quatre stratégies d’optimisation . . . . . . . . . . . . . 108
3.4 Couverture du 1er étage du bâtiment pour les quatre stratégies . . . . 109
3.5 Couverture du 2ème étage du bâtiment pour les quatre stratégies . . . 110
3.6 Schéma général d’un algorithme à voisinages variables aléatoires VVA 118
3.7 Algorithme à Voisinages Variables Aléatoires VVA . . . . . . . . . . . 123
3.8 Configuration interdite avec une antenne omnidirectionnelle . . . . . 125
3.9 Configurations interdites avec une antenne directionnelle (seuls trois
azimuts sont autorisés) . . . . . . . . . . . . . . . . . . . . . . . . . . 125
3.10 Planification du réseau (3 AP omnidirectionnels) dans le cas où il n’y
a pas de zone interdite . . . . . . . . . . . . . . . . . . . . . . . . . . 126
192 TABLE DES FIGURES

3.11 Planification du réseau (5 AP directionnels) dans le cas où il y a une


zone interdite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.12 Exemple de valeur du critère geometrique en GSM . . . . . . . . . . 128
3.13 Description de bâtiment pour l’indicateur géométrique . . . . . . . . 129
3.14 Exemple de valeur du critère geometrique en WLAN . . . . . . . . . 130

4.1 Nombre de clients équivalents au débit nominal 54Mbps . . . . . . . . 154


4.2 Répartition des clients selon leur débit nominal . . . . . . . . . . . . 155
4.3 Capacités réelles en Mbps d’un AP . . . . . . . . . . . . . . . . . . . 157
4.4 Procédure de création des contraintes binaires . . . . . . . . . . . . . 158
4.5 Modification de la procédure de création des contraintes n-aires . . . 160
4.6 Exemple de réduction par degré pour la T -coloration avec 13 couleurs 162
4.7 Exemple de réduction par voisinage . . . . . . . . . . . . . . . . . . . 163
4.8 Une (4,4)-clique, une (3,5)-clique et une (2,7)-clique . . . . . . . . . . 164
4.9 Exemple de réduction par fusion de sommets . . . . . . . . . . . . . . 164
Liste des tableaux

1.1 Tableau récapitulatif des critères d’optimisation de la littérature . . . 40


1.2 Tableau récapitulatif des stratégies d’optimisation des articles de la
littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.1 Codages et modulations pour les débits nominaux définis par les
normes 802.11b/g/a (les seuils de sensibilité et de SINR sont ceux
des cartes Cisco Aironet 802.11b/g et 802.11a) . . . . . . . . . . . . . 78
2.2 Facteur de protection γ(.) pour les normes 802.11b/g . . . . . . . . . 82
2.3 Paramètres physiques et MAC liés aux normes 802.11b, 802.11g et 802.11a . . . 87
2.4 Données du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2.5 Variables de décision du problème . . . . . . . . . . . . . . . . . . . . 91
2.6 Données intermédiaires du problèmes . . . . . . . . . . . . . . . . . . 92

3.1 Description des quatre strategies d’optimisation . . . . . . . . . . . . 105

4.1 Débits nominaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155


4.2 Les quatres problèmes de T -coloration. . . . . . . . . . . . . . . . . . 168
4.3 Resultats des 7 instances du benchmark pour une Recherche Tabou
et un algorithme évolutionnaire. . . . . . . . . . . . . . . . . . . . . . 170
4.4 Resultats des tests : la meilleure solution est indiquée en gris . . . . . 171
Résumé

Le problème de planification de réseaux WLAN consiste d’une part à positionner


et à paramétrer des antennes dans un bâtiment et d’autre part à leur affecter une
fréquence afin d’offrir aux clients un accès sans fil au réseau local. Le réseau ainsi
construit doit répondre à des critères de couverture et de qualité de service, tout en
minimisant le coût financier.
Notre modélisation est basée sur le calcul du débit réel offert en chaque point de
demande de service du réseau. Nous montrons que ce critère de débit réel permet
une modélisation complète de la qualité de service car il unifie les critères habituels
de couverture, de gestion des interférences et de capacité.
Notre optimisation traite simultanément le problème de placement des points
d’accès et le problème d’affectation de fréquences par un algorithme à Voisinages
Variables Aléatoires VVA : à chaque itération de cette recherche locale le type de
voisinage est tiré au hasard. Cet algorithme est très modulaire et permet facilement
de combiner les deux sous problèmes (placement et affection).
Ces travaux ont donné lieu à des collaborations et partenariats industriels : logi-
ciel de planification globale des WLAN avec Orange Labs et solutions de planification
séquentielle avec la start-up Trinaps.
Enfin nous approfondissons la modélisation du problème en explicitant les liens
entre le calcul du débit réel et les SINR. Dans une première étape, nous montrons
que les contraintes de seuil sur les SINR induisent un problème de T-coloration
de graphe (condition nécessaire). Pour obtenir une équivalence rendant compte des
interférences multiples, une généralisation du problème de T -coloration pour les
hypergraphes est introduite. Dans une seconde étape, nous définissons un algorithme
déduisant les seuils de SINR à partir des contraintes sur les débits réels. Cette
nouvelle modélisation est la base de nos développements futurs.

Vous aimerez peut-être aussi

pFad - Phonifier reborn

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


Alternative Proxies:

Alternative Proxy

pFad Proxy

pFad v3 Proxy

pFad v4 Proxy