Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 mars 2017

Stage : Caractérisation distribuée d’agents dans des applications de recueil participatif de données (crowdsensing)


Catégorie : Stagiaire


Stage de M2R à pourvoir au Laboratoire des Signaux et Systèmes.

Contact : Michel Kieffer (Professeur – michel.kieffer@lss.supelec.fr)

 

Introduction

Les dispositifs de recueil participatif de données ou crowdsensing sont en pleine expansion [1, 8]. Contrairement aux réseaux de capteurs classiques, dont l’opérateur a la totale maîtrise, un réseau de crowdsensing est constitué de manière opportuniste en impliquant des agents équipés de terminaux mobiles dont les capteurs peuvent être de qua-lité très variable. Par ailleurs, ce type de réseau est très sensible à l’égard d’agents perturbateurs, pouvant introduire de manière involontaire des mesures aberrantes provenant de leurs capteurs défaillants [2]. Des agents malveillants [3] peuvent également avoir pour objectif la défaillance du système de collecte par l’introduction de données corrompues ou la corruption de données provenant d’autres agents du réseau. La gestion efficace d’un réseau de crowdsensing nécessite donc une caractérisation des performances des agents participants au réseau et une identification des agents disposant de capteurs défectueux ou malveillants.

Objectifs

Des résultats préliminaires ont été obtenus en lien avec ces problématiques dans le cadre d’une thèse soutenue en novembre 2016 [4 - 6]. Ainsi, [4] propose et analyse une technique d’identification des noeuds défaillants d’un réseau de capteurs. Dans [5], un problème similaire est abordé dans les réseaux tolérants aux déconnections (réseaux de véhicules, crowdsensing). Enfin, [6] aborde l’auto-évaluation des performances des agents dans une application de type crowdsensing : l’objectif est de permettre à chaque agent de déterminer la qualité des mesures qu’il fournit à la collectivité. Tous ces travaux ont mis l’accent sur l’analyse des propriétés de convergence et de stabilité des algorithmes proposés. L’approximation par des équations différentielles de dynamiques Markoviennes est un outil de choix [7].

L’objectif de ce stage est de proposer et d’analyser des algorithmes permettant de résoudre des problèmes complé-mentaires en lien avec le crowdsensing. On s’intéressera en particulier à

Ces problèmes seront considérés dans un contexte centralisé où un organe de traitement peut avoir accès à l’intégralité des données collectées par les agents. La situation distribuée, sans organe centralisateur sera ensuite abordée.

Méthodologie d’analyse

Deux approches seront considérées : les outils d’analyse d’algorithmes de consensus, pour lesquels le graphe du réseau joue un rôle essentiel et les approximations fluides [7] permettant une analyse simplifiée de comportement lorsque la mobilité des agents est importante et que la structure du graphe varie fortement au cours du temps.

Références

[1] Le capteur, c’est vous ! L’Usine Nouvelle, 14 novembre 2013, http://www.usinenouvelle.com/article/le-capteur-c-est-vous.N216956

[2] Y. Zhang, N. Meratnia, and P. Havinga, Outlier detection techniques for wireless sensor networks: A survey, IEEE Comm. Surveys & Tutorials, vol. 12, no. 2, pp. 159–170, 2010.

[3] H. Zhu, S. Du, Z. Gao, M. Dong, and Z. Cao, A probabilistic misbehavior detection scheme toward efficient trust establishment in delay-tolerant networks, IEEE Trans. on Parallel and Distributed Systems, vol. 25, no. 1, pp. 22–32, 2014.

[4] W. Li, F. Bassi, D. Dardari, M. Kieffer, and G. Pasolini, Defective sensor identification for WSNs involving ge-neric local outlier detection tests, IEEE Trans. on Signal and Information Processing over Networks, vol. 2, no. 1, pp. 29–48, 2016.

[5] W. Li, L. Galluccio, M. Kieffer, and F. Bassi, Distributed Faulty Node Detection in DTNs, Proc. of the Interna-tional Conference on Computer Communication and Networks (ICCCN), Waikoloa, HI, 2016, pp. 1-9.

[6] W. Li, F. Bassi, L. Galluccio, and M. Kieffer, Self-Rating in a Community of Peers, Proc. of the IEEE Confer-ence on Decision and Control, Las Vegas, USA, to appear, 2016.

[7] A. Shwartz and A. Weiss, Large deviations for performance analysis, Chapman and Hall, 1995.

[8] J. Liu, H. Shen and X. Zhang, A Survey of Mobile Crowdsensing Techniques: A Critical Component for the Internet of Things, Proc. 25th International Conference on Computer Communication and Networks (ICCCN), Waikoloa, HI, 2016, pp. 1-6.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.