Télécom ParisTech

Actualité

Illustration de l'actualité : Soutenance de doctorat de Julian Garbiso : Clustering auto-adaptatif et équitable dans les réseaux véhiculaires hybrides

Soutenance de doctorat de Julian Garbiso : Clustering auto-adaptatif et équitable dans les réseaux véhiculaires hybrides

jeudi
30
novembre
2017

14h30, LINCSPhD Comics : I'm defending my thesis, Mom !

Jury

Rapporteurs

  • M. Christian BECKER, Professeur, Université de Mannheim
  • M. Ken CHEN, Professeur, Université de Paris XIII

Examinateurs

  • M. Samir TOHMÉ, Professeur, Université de Versailles - Saint Quentin
  • M. Bertrand LEROY, Responsable d'équipe de recherche, Institut Vedecom

Invité

  • M. Jeremy PITT, Professeur, Imperial College London

Directeurs de thèse

  • Mme Ada DIACONESCU, Maître de conférences, Télécom ParisTech
  • M. Marceau COUPECHOUX, Maître de conférences, Télécom ParisTech

Résumé

Dans le cadre du développement des innovations dans les Systèmes de Transport Intelligents, les véhicules connectés devront être capables de télécharger des informations basées sur la position vers des serveurs distants. Ces véhicules seront équipés avec différentes technologies d’accès radio, telles que les réseaux cellulaires ou les réseaux véhicule-à-véhicule (V2V) comme IEEE 802.11p. Les réseaux cellulaires offrent une large couverture sur tout le territoire et fournissent un accès à internet avec garanties de qualité de service. Cependant, l’accès à ces réseaux est payant.
Dans cette thèse, un algorithme de clustering multi-saut est proposé avec pour objectif de réduire le coût d’accès au réseau cellulaire en agrégeant des données sur le réseau V2V. Pour faire ceci, le leader du cluster (CH, de l’anglais Cluster Head) est utilisé comme passerelle unique vers le réseau cellulaire. En considérant comme exemple le téléchargement de données agrégées de type Floating Car Data, nos résultats de simulation montrent que notre approche réduit considérablement (jusqu'à 80% avec nos hypothèses) l'utilisation du réseau cellulaire. Notre algorithme profite en effet de la redondance des données liées à la position du véhicule.