Résumé :

La technologie de l’Internet des objets (IoT) est devenue omniprésente dans de nombreuses applications et son utilisation se développe très rapidement. Cependant, l’expansion de l’IoT se heurte à une difficulté importante d’évolutivité, c’est-à-dire que le déploiement très dense d’appareils communicants est actuellement limité. Cette thèse se concentre sur la fourniture de solutions aux problèmes liés à l’évolutivité des réseaux de type LoRa dans les deux sens de communication, la liaison montante et la liaison descendante. Dans les réseaux longue portée, comme LoRa, la liaison descendante est critique car elle limite le nombre d’accusés de réception pouvant être envoyés, et par conséquent, la fiabilité. Cela limite également la possibilité de mettre à jour les appareils, ce qui pourrait être critique lorsqu’ils sont déployés pendant des décennies. Pour surmonter ces problèmes, nous proposons une solution, inspirée des techniques d’accès multiple non orthogonal (NOMA), pour augmenter d’au moins un ordre de grandeur le nombre de dispositifs pouvant être adressés. Si l’approche différencie les appareils par la puissance qui leur est allouée, elle diffère de la grande majorité des travaux antérieurs sur le domaine de puissance NOMA car elle ne nécessite pas d’annulation des interférences. Au lieu de cela, il bénéficie de l’étalement spectral du schéma de modulation (chirp spread spectrum), où, à la fin de la phase de décodage, l’information portée par un symbole se retrouve à la position d’un pic dans le domaine de Fourier. Dans la plupart des cas, les informations provenant de différents utilisateurs entraînent des positions de pic différentes, ne créant aucune interférence. En ce sens, on se rapproche des schémas d’évitement comme le saut de temps ou de fréquence, mais sans utiliser de code. Cette thèse propose une nouvelle solution s’appuyant sur du NOMA dans le domaine de la puissance qui ne souffre pas des limitations induites par les résidus d’annulation d’interférence. Le système proposé, y compris la détection de préambule et l’estimation de canal, est présenté et évalué par des simulations. Nous montrons que notre schéma permet d’augmenter le nombre d’appareils connectés d’un ordre de grandeur par rapport au système actuel, tout en maintenant une compatibilité totale avec la norme de couche physique LoRa. Concernant la liaison montante, nous présentons un nouveau récepteur capable de démoduler plusieurs utilisateurs transmis simultanément sur le même canal de fréquence avec le même facteur d’étalement. Du point de vue de l’accès multiple non orthogonal, il est basé sur le domaine des puissances et utilise l’annulation des interférences en série. Les résultats de simulation montrent que le récepteur permet une augmentation significative du nombre d’appareils connectés dans le réseau. Enfin, cette thèse traite de la détection de signaux, en liaison montante, d’un réseau LoRa à travers une approche basée sur l’apprentissage profond. Deux stratégies sont proposées : la régression pour la détection de bits basée sur un réseau de neurones deep feedforward et la classification pour la détection de symboles basée sur un réseau de neurones convolutif. Ces récepteurs peuvent décoder les signaux d’un utilisateur sélectionné lorsque plusieurs utilisateurs émettent simultanément sur la même bande de fréquences avec le même facteur d’étalement. Les résultats de simulation montrent que les deux récepteurs surpassent le LoRa classique en présence d’interférences. De plus, les résultats montrent que l’approche introduite est pertinente pour traiter la question de l’évolutivité.

Abstract :

Internet of Things (IoT) technology has become ubiquitous in many applications and its use is growing very rapidly. However, the expansion of the IoT faces a significant scalability challenge, i.e., the very dense deployment of communicating devices is currently limited. This thesis focuses on providing solutions to the problems associated with the scalability of LoRa-like networks in both the uplink and downlink directions of communication. In long-range networks, such as LoRa, the downlink is critical because it limits the number of acknowledgements that can be sent, and therefore, the reliability. It also limits the ability to update devices, which could be critical when they are deployed for decades. To overcome these problems, we propose a solution, inspired by non-orthogonal multiple access (NOMA) techniques, to increase the number of addressable devices by at least an order of magnitude. While the approach differentiates devices by the power allocated to them, it differs from the vast majority of previous work on the NOMA power domain because it does not require interference cancellation. Instead, it takes advantage of the spectral spread of the modulation scheme (chirp spread spectrum), where, at the end of the decoding phase, the information carried by a symbol is found at the position of a peak in the Fourier domain. In most cases, information from different users results in different peak positions, creating no interference. In this sense, we come close to avoidance schemes such as time or frequency hopping, but without using any code. This thesis proposes a new solution based on NOMA in the power domain that does not suffer from the limitations induced by interference cancellation residues. The proposed scheme, including preamble detection and channel estimation, is presented and evaluated by simulations. We show that our scheme increases the number of connected devices by an order of magnitude over the current system, while maintaining full compatibility with the LoRa physical layer standard. Regarding the uplink, we present a new receiver capable of demodulating multiple users transmitted simultaneously on the same frequency channel with the same spreading factor. From the non-orthogonal multiple access point of view, it is based on the power domain and uses serial interference cancellation. Simulation results show that the receiver allows a significant increase in the number of devices connected in the network. Finally, this thesis deals with the detection of signals, in uplink, of a LoRa network through an approach based on deep learning. Two strategies are proposed: regression for bit detection based on a deep feedforward neural network and classification for symbol detection based on a convolutional neural network. These receivers can decode the signals of a selected user when multiple users transmit simultaneously on the same frequency band with the same spreading factor. Simulation results show that both receivers outperform conventional LoRa in the presence of interference. Furthermore, the results show that the introduced approach is relevant to address the scalability issue.