Résumé Technique : Un cadre hybride GA-DL pour le partitionnement en grappes économe en énergie et l'extension de la durée de vie des RWSN

Énoncé du problème

La longévité opérationnelle des réseaux de capteurs sans fil rechargeables (RWSN) est fondamentalement limitée par la capacité énergétique restreinte des nœuds capteurs. Une métrique critique pour la santé du réseau est la « Première Mort du Nœud » (FND - First Node Death) ; une fois que le premier nœud a épuisé son énergie, la couverture du réseau et la précision de la surveillance se dégradent, nécessitant souvent une intervention humaine coûteuse pour la recharge.

Bien que les protocoles de partitionnement en grappes (regroupant les nœuds et sélectionnant des chefs de grappe ou CH - Cluster Heads) soient une méthode standard pour réduire l'énergie de transmission, les approches existantes font face à des limitations significatives :

1. Limitations heuristiques : L'optimisation traditionnelle du partitionnement repose souvent sur des algorithmes heuristiques (par exemple, les algorithmes génétiques) qui nécessitent des calculs itératifs pour converger. Cette surcharge de calcul les rend inappropriés pour les applications en temps réel ou sensibles à la latence, où interrompre les opérations pour la convergence de l'algorithme est impraticable.
2. Modélisation simpliste : De nombreuses stratégies existantes simplifient excessivement la consommation d'énergie, ne tenant pas compte des légères variations entre les nœuds ou des compromis précis entre le nombre de CH et les distances de transmission.
3. Coût computationnel de l'apprentissage profond : Bien que l'apprentissage profond (DL - Deep Learning) offre un potentiel pour une prise de décision rapide, les modèles standards (par exemple, ResNet, RNN) exigent généralement des ressources de calcul substantielles, ce qui les rend incompatibles avec les environnements à ressources limitées ou le matériel grand public standard.

Méthodologie

Les auteurs proposent un cadre hybride GA-DL qui intègre les capacités d'optimisation des algorithmes génétiques (GA) avec la vitesse d'inférence rapide d'un modèle d'apprentissage profond léger. La méthodologie se déroule en trois étapes clés :

1. Modélisation analytique de l'énergie et dérivation du cluster optimal

Le cadre commence par un modèle analytique rigoureux de la consommation d'énergie de transmission radio basée sur des principes physiques.

• Équations d'énergie : Le modèle distingue la transmission à courte distance ($d \leq \sqrt{E_{efs}/E_{amp}}$) et à longue distance, calculant l'énergie pour l'amplification, l'électronique et la formation de faisceau (beamforming).
• Nombre de clusters optimal ($k$) : En dérivant l'équation de la consommation d'énergie totale par rapport au nombre de clusters ($k$), les auteurs dérivent un nombre théorique optimal de CH.
• Contraintes : Une limite inférieure pour $k$ est établie à l'aide d'approximations de pavage hexagonal pour garantir que les distances de communication intra-grappe ne dépassent pas la limite de transmission à courte portée. Le nombre final de clusters est sélectionné comme le maximum du théorique optimal et de cette limite inférieure.

2. Algorithme Génétique (GA) amélioré pour la génération de données d'entraînement

Un GA personnalisé est employé non pas pour une exécution en temps réel, mais pour générer des données d'entraînement de haute qualité pour le modèle d'apprentissage profond.

• Fonction de fitness : Une nouvelle fonction de fitness est conçue pour maximiser le temps jusqu'à la FND. Elle incorpore trois variables pondérées :
  • CHNUM : Le nombre de chefs de grappe (équilibrant l'énergie d'agrégation et la distance de transmission).
  • RSCD : La somme relative des distances de grappe (minimisant l'énergie de transmission vers le puits/sink).
  • RLEFT : La période de « refroidissement » (cooling-off), garantissant que les CH récemment sélectionnés sont exclus de la sélection lors des cycles suivants pour éviter l'épuisement énergétique localisé.
• Processus : Le GA recherche de manière itérative les configurations optimales de CH sous diverses topologies de réseau (différentes tailles de cartes et densités de nœuds). Ces configurations optimales servent de étiquettes de vérité terrain (ground truth) pour l'entraînement du modèle DL.

3. ResNet léger pour l'inférence en temps réel

Pour remplacer le processus itératif lent du GA par un mécanisme d'inférence rapide, les auteurs conçoivent un Réseau Neuronal Résiduel léger (ResNet).

• Représentation d'entrée : L'état du RWSN est converti en une image de grille de pixels $L \times L$. Chaque pixel représente un nœud capteur, avec des canaux RGB codant :
  • Rouge : Énergie restante.
  • Vert : Nombre de cycles depuis que le nœud a été un CH pour la dernière fois (RLEFT).
  • Bleu : Énergie requise pour transmettre au puits (sink).
• Modifications de l'architecture :
  • Profondeur réduite : Seuls deux blocs résiduels sont utilisés pour l'extraction de caractéristiques.
  • Absence de sous-échantillonnage : La résolution spatiale est maintenue tout au long du processus (stride=1) pour préserver les détails fins des nœuds.
  • Couches simplifiées : Les convolutions 1x1 sont supprimées, et le Global Average Pooling (GAP) remplace la plupart des couches entièrement connectées, réduisant les paramètres de plus de 90 %.
  • Optimisation CPU : Le modèle est explicitement conçu pour fonctionner efficacement sur des CPU standards sans nécessiter de GPU.
• Entraînement : Le modèle est entraîné sur 20 000 images (10 000 candidats CH appropriés, 10 000 inappropriés) générées par le GA à travers 10 topologies de réseau différentes.

Principales contributions

1. Dérivation analytique des clusters optimaux : L'article fournit un cadre théorique pour calculer le nombre optimal de clusters basé sur des modèles d'énergie radio exacts, plutôt que de s'appuyer sur des conjectures heuristiques.
2. Nouvelle fonction de fitness GA : Une nouvelle fonction de fitness est introduite qui optimise simultanément le nombre de CH, les distances de transmission et les intervalles de rotation (RLEFT), en incorporant une analyse probabiliste pour un déploiement uniforme des nœuds.
3. ResNet léger pour les RWSN : Les auteurs présentent le premier cadre structuré pour convertir la topologie d'un WSN en données d'image pour un modèle DL. Ils simplifient considérablement l'architecture ResNet pour permettre une sélection de CH en temps réel sur du matériel de classe grand public, comblant ainsi l'écart entre la précision des heuristiques et la vitesse de l'apprentissage profond.
4. Stratégie d'optimisation hybride : L'intégration du GA (pour la génération de données d'entraînement hors ligne) et du DL (pour l'inférence en ligne) crée un système qui évite la surcharge itérative des méthodes purement heuristiques pendant le fonctionnement du réseau.

Résultats expérimentaux

Le schéma proposé (OPS) a été évalué par rapport à quatre méthodes de partitionnement heuristiques contemporaines (GAOC, DCRN-GA, OGACHE, MWSN) à l'aide de simulations MATLAB.

• Métriques de performance : La métrique principale était le nombre de cycles de communication jusqu'à la Première Mort du Nœud (FND).
• Tailles de cartes et densités : Les expériences ont été menées sur des cartes carrées (300m, 400m, 500m) et des cartes irrégulières en forme de « X » et de « croix » avec des densités de nœuds variables (de 50 à 313 nœuds).
• Principales conclusions :
  • Extension de la durée de vie : L'OPS a systématiquement prolongé la durée de vie du réseau par rapport aux références. Dans les scénarios de 300m et 500m, il a surpassé toutes les méthodes. Dans les scénarios de 400m, il a atteint 96 % de la durée de vie de la meilleure heuristique (DCRN-GA).
  • Robustesse : La méthode maintient des performances solides à travers les topologies irrégulières et les niveaux d'énergie initiaux variables (randomisés entre 0,18J et 0,22J).
  • Stabilité statistique : L'OPS a démontré la durée de vie médiane la plus élevée sur toutes les échelles de cartes et le coefficient de variation (CV) le plus bas aux échelles de 300m et 500m, indiquant une grande cohérence.
  • Efficacité : En utilisant un modèle pré-entraîné pour l'inférence, le cadre élimine les itérations de calcul répétées requises par les heuristiques basées sur le GA, ce qui le rend adapté aux applications sensibles à la latence.

Signification et affirmations

L'article affirme que ce cadre hybride représente une étape significative vers des architectures RWSN évolutives, efficaces et résilientes. Sa principale importance réside dans :

• Viabilité en temps réel : Il offre une alternative pratique aux approches heuristiques traditionnelles pour les applications où la latence de calcul est une contrainte.
• Compromis équilibré : Il atteint un équilibre quasi optimal entre l'efficacité énergétique (prolongation de la FND) et la vitesse de calcul (performance quasi temps réel).
• Déploiement pratique : En permettant au modèle de s'exécuter sur des CPU standards et en gérant les scénarios de déploiement irréguliers, le cadre répond à l'écart entre l'optimisation théorique et le déploiement pratique aux ressources limitées.

Les auteurs concluent que, bien que l'écart de performance avec les meilleures méthodes heuristiques absolues soit minimal dans certains scénarios spécifiques, la réduction de la surcharge de calcul fait du schéma proposé un choix supérieur pour la gestion des RWSN en temps réel.