Adaptive Contention-based Random Access for Uplink Reporting in 3GPP Ambient IoT Networks

Résumé technique : Accès aléatoire adaptatif basé sur la contention pour les rapports en liaison montante dans les réseaux IoT ambiants 3GPP

Énoncé du problème
L'Internet des objets ambiant (A-IoT) envisage des dispositifs ultra-basse consommation, sans batterie, alimentés par la récupération d'énergie (EH). Un défi critique dans ces réseaux est la disponibilité intermittente des dispositifs due aux fluctuations du stockage d'énergie. Contrairement à l'IoT traditionnel, les dispositifs A-IoT peuvent manquer des signaux de paging ou échouer à compléter les tentatives de rapport en liaison montante car leur tension de condensateur chute en dessous du seuil minimum ($V_{min}$) requis pour la transmission. De plus, lorsque les dispositifs tentent un accès via l'accès aléatoire basé sur la contention (CBRA), ils font face à des collisions, en particulier dans les déploiements denses. Les tentatives d'accès répétées lors de la congestion du réseau épuisent l'énergie stockée, entraînant une latence accrue et un gaspillage de ressources. Les efforts de normalisation 3GPP existants ont défini le cadre CBRA déclenché par le paging, mais ils manquent de stratégies de contrôle côté lecteur qui tiennent explicitement compte de cette disponibilité d'énergie intermittente pour réguler la contention.

Méthodologie
Les auteurs proposent un modèle de système où un lecteur interroge un ensemble de $N$ dispositifs A-IoT en utilisant un processus de Bernoulli. La communication suit une phase Dispositif-vers-Lecteur (D2R) où les dispositifs se disputent les Occasions d'Accès (AO) en utilisant un mécanisme de type ALOHA à tranches. Le cœur de la méthodologie est un mécanisme de contrôle d'accès conscient de l'EH mis en œuvre côté lecteur.

1. Modélisation du système : L'état énergétique du dispositif est modélisé à l'aide d'un modèle de charge/décharge de condensateur basé sur le courant récupéré et la consommation de charge. L'état opérationnel du dispositif est représenté comme une chaîne de Markov à deux états (Inactif vs RA), conditionné au fait que le dispositif est disponible énergétiquement ($V \ge V_{min}$).
2. Algorithme de contrôle adaptatif : Au lieu d'une probabilité d'accès fixe, le lecteur diffuse une probabilité d'accès $q_\tau$ dans chaque message de paging.
   • Le lecteur estime le nombre de dispositifs disponibles énergétiquement ($\hat{K}_{pe}(\tau)$) dans le groupe cible en utilisant des données historiques (rapports de tension et comptes de tentatives des transmissions réussies) et le profil EH connu.
   • La probabilité d'accès est calculée comme $q_\tau = \min(1, R / \hat{K}_{pe}(\tau))$, où $R$ est le nombre d'AO disponibles.
   • Cela vise à maintenir le nombre attendu de concurrents par AO proche de un, maximisant la probabilité de succès tout en minimisant les collisions.
3. Évaluation : La méthode proposée est évaluée via des simulations de Monte Carlo par rapport à trois références :
   • Référence idéale : Attribution sans collision (borne supérieure théorique).
   • Référence naïve : Tous les dispositifs disponibles énergétiquement tentent l'accès ($q=1$).
   • ALOHA à tranches statique : Probabilité fixe $q = R/N$.

Contributions clés

• Contrôle d'accès conscient de l'EH : L'article introduit un mécanisme léger côté lecteur qui ajuste dynamiquement la probabilité d'accès en fonction des niveaux d'énergie prédits des dispositifs, s'alignant sur le cadre A-IoT 3GPP en cours.
• Approximation analytique : Les auteurs fournissent une approximation compacte de la probabilité de succès du CBRA par tour, modélisant l'effet conjoint de la disponibilité d'énergie intermittente et du contrôle côté lecteur.
• Caractérisation des performances : L'étude quantifie les compromis entre fiabilité, efficacité des ressources et délai d'accès dans les déploiements denses d'A-IoT sous diverses contraintes énergétiques.

Résultats
Les simulations numériques démontrent que le contrôle conscient de l'EH proposé surpasse significativement les références, en particulier lorsque le nombre de dispositifs ($N$) augmente :

• Probabilité de collision : La référence naïve ($q=1$) souffre de probabilités de collision augmentant rapidement à mesure que $N$ croît, approchant la saturation. La référence ALOHA à tranches statique réduit les collisions mais maintient un niveau de collision relativement élevé et constant. En revanche, la méthode consciente de l'EH proposée maintient une probabilité de collision faible et presque constante sur toute la gamme des densités de dispositifs.
• Efficacité des ressources : Le nombre moyen de réceptions MSG2 réussies par AO utilisé reste stable sous la méthode proposée. Le schéma naïve montre un déclin significatif de l'efficacité dû à la consommation de ressources par les tentatives entrées en collision.
• Délai d'accès : Le nombre moyen de tours de paging requis pour un rapport réussi croît de manière exponentielle pour la référence naïve à mesure que $N$ augmente. La méthode proposée maintient cette croissance beaucoup plus progressive, nécessitant substantiellement moins de tours de paging pour un rapport réussi par rapport aux deux références fixes.

Signification
L'article conclut que le contrôle d'accès léger côté lecteur est un mécanisme critique pour des rapports fiables et économes en ressources dans les environnements A-IoT. En tenant explicitement compte de la disponibilité d'énergie intermittente, la méthode proposée empêche le pool d'accès aléatoire d'être surchargé. Cette approche améliore l'évolutivité dans les déploiements denses, réduit la latence associée aux tentatives d'accès répétées et minimise le gaspillage d'énergie, répondant ainsi à un écart clé dans la normalisation 3GPP A-IoT actuelle concernant la régulation de la contention.