1 / 37

Mécanismes d'adaptation autonome pour la radio cognitive

Mécanismes d'adaptation autonome pour la radio cognitive. Nicolas COLSON 06 mai 2009. Plan. Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives.

laura-solomon
Download Presentation

Mécanismes d'adaptation autonome pour la radio cognitive

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Mécanismes d'adaptation autonome pour la radio cognitive Nicolas COLSON 06 mai 2009

  2. Plan • Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  3. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  4. Défis pour la conception des futurs systèmes de communication • Optimiser la gestion des ressources disponibles • En développant de nouvelles techniques pour transmettre l’information plus efficacement • En adaptant le comportement de la radio à son environnement • Développer l’intelligence embarquée • Limites des mécanismes d’adaptation actuels • Définis sur des périmètres d’action étroits • Basés sur un nombre limité d’événements anticipés • Motivations • Arrivée de la radio (définie) logicielle • Explosion du nombre d'objets communicants • Accroissement de la complexité • Conjoncture économique ultra compétitive Radio adaptative  Radio cognitive [Mitola99]

  5. Introduction d’un cycle cognitif Radio cognitive[Mitola99] • Adaptation totale et autonome au contexte opérationnel • Respecter le cadre de régulation contrôlant l’accès au spectre • Satisfaire les besoins de l’utilisateur en termes de qualité de service • Assurer une gestion optimisée des ressources disponibles • Exemples d'applications • Accès opportuniste au spectre • Conception cognitive du lien radio Décision sur la meilleure ligne de conduite à adopter Observer Raisonner Sensibilité au contexte (mesures, estimations, …) Apprendre Amélioration des performances avec les expériences vécues Agir Reconfiguration du système de communication Conception d’un moteur cognitif

  6. Synoptique d'un moteur cognitif

  7. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  8. Approche exploratoire Approche prédictive Approche experte Approches cognitives existantes + Méthodologie générique Exploration de larges espaces - Complexité des mécanismes Dépendance à des modèles analytiques + Exploite les connaissances établies Respect du cadre de régulation - Dépendance à la qualité des connaissances Effort humain important Apprentissage assisté + Autonomie décisionnelle - Choix d’un modèle représentatif Données d’apprentissage à collecter Risque de complexité algorithmique Réseaux de neurones, HMM, réseaux bayésiens, SVM, modèles de régression, … Règles/politiques Algorithmes génétiquesRaisonnement par cas [Mitola00][DARPA07] [Weingart07][Baldo08] [Rieser04][Rondeau07]

  9. Critères de conception du moteur cognitif • Autonomie décisionnelle • Capacités de prédiction • Exploration en ligne de l’espace de conception • Apprentissage incrémental • Efficacité dans la recherche d’une configuration adaptée • Maximiser les décisions optimales • Minimiser les mauvaises décisions • Assurer une bonne réactivité du moteur cognitif • Limiter l’impact des mécanismes cognitifs sur l’autonomie de la batterie • Mécanismes génériques • Souci de flexibilité et de pérennité

  10. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  11. Etapes de résolution d’un problème de conception 1) Contraintes de faisabilité 2) Contraintes de performance 3) Préférences d’optimisation

  12. Introduction de relations d’ordre entre les alternatives de configuration • Echelle relative de performance • Ordonne les configurations en fonction de leurrobustesse face aux contraintes de performance • Structure l’exploration de l’espace de conception pour l’apprentissage d’un modèle prédictif fiable • Etablie par le modèle prédictif en fonction de l’environnement radio • Confortée par des connaissances expertes plus ou moins fortes sur la robustesse relative des configurations • Echelle relative d’optimalité • Ordonne les configurations en fonction de leursatisfaction vis-à-vis des préférences d’optimisation • Structure l’exploration de l’espace de conception pour la sélection d’une configuration adaptée • Etablie par un système de notation • S’appuyant sur des fonctions objectifs paramétrées

  13. Echelle de performance C2 C0 C1 C3 C4 C5 C6 Apprentissage de la carte de performance1) Exemple d’espace de conception totalement ordonné 6 MCS Méthode choisie pour cet apprentissage: Systèmes connexionnistes évolutifs (HCR: rang de plus haute compatibilité) [N. Kasabov, “Evolving Connectionist Systems. The Knowledge Engineering Approach”, Springer, 2007]

  14. Echelles de performance possibles C2 C2 C0 C1 C3 C4 C5 C6 C0 C1 C4 C3 C5 C6 Apprentissage de la carte de performance2) Exemple d’espace de conception partiellement ordonné HCR = 3 HCR = 4 HCR = 4 HCR = 5 HCR = 6 HCR = 0 HCR = 1 HCR = 2 HCR = 3 • Prédiction de l’échelle de performance • Prédiction de la configuration compatible la moins robuste • Déduction du rang de plus haute compatibilité (HCR)

  15. Prédiction des performances et prise de décision Espace de conception réduit Identification de l’échelle de performance C5 • Prédiction qualitative • Réduit le nombre d’informations à mémoriser • Tolérance aux erreurs de prédiction Plus grande probabilité de vérifier la contrainte C1 C2 2) 1) C2 C6 C0 C1 C3 C4 C5 C3 C4 C0 C6 Plus grande robustesse à l'environnement radio Calcul de l’échelle d’optimalité C3 C4 C1 C2 Identification du HCR Scénario 1 Compromis plus intéressant (OP1) C2 C6 C0 C1 C3 C4 C5 3) C2 C3 C1 C4 Scénario 2 Compromis plus intéressant (OP2) Prise de décision

  16. Tolérance aux erreurs de prédiction HCRPrédit HCRRéel Erreurs de classement Qualité de la décision Scénario 1 Scénario 2 4 4 Non Optimale Optimale = < 4 5 Non Sous optimale Optimale 4 3 Non Erronée Optimale > = 4 4 Oui Optimale Optimale 4 3 Oui Optimale Erronée > Une erreur de prédiction n'entraîne pas systématiquement une mauvaise décision C5 Décision prise C3 C4 C1 C2 Performances prédites Scénario 1 Compromis plus intéressant (OP1) C2 C6 C0 C1 C3 C4 C5 C2 C3 C1 C4 Scénario 2 Performances réelles Compromis plus intéressant (OP2) C5 C2 C6 C0 C1 C3 C4 C5

  17. Pi Pi Gestion du dilemme exploration/exploitation • Mise au point d’une stratégie stochastique d’exploration • Mémorisée par une équipe d’automates d’apprentissage • Chaque automate retient la probabilité d’exploration locale (Pi) • S’appuyant sur le partitionnement de l’espace de conception (réalisé par le système connexionniste) • Intérêt d’une stratégie stochastique • L’expérimentation ne garantit pas toujours de trouver la configuration optimale dans un espace partiellement ordonné • Le partitionnement de l’espace réalisé est incertain • La mise à jour de la stratégie dépend des résultats d’expérimentation • Succès de la phase d’expérimentation • Modification des relations d’ordre • Mise à jour du rang de plus haute compatibilité • Echec de la phase d’expérimentation • Aucune mise à jour des connaissances [ M. A. L. Thathachar and P. S. Sastry, “Varieties of learning automata : An overview”, IEEE Transactions on Systems, Man and Cybernetics, vol. 32, no. 6, pp. 711–722, Dec. 2002]

  18. Progression le long de l’échelle de performance (succès) Régression le long de l’échelle de performance Progression le long de l’échelle de performance (échec) Processus d’expérimentation (exploration en ligne)1) Exemples de déroulement dans un espace de conception totalement ordonné • Vérification de l’état actuel des connaissances • Tester la configuration associée au HCR • Réaction adaptée aux retours de l’environnement C2 C6 C0 C1 C3 C4 C2 C6 C0 C1 C3 C4 C5 C5 Attitude prudente C2 C6 C0 C1 C3 C4 C5 C2 C6 C0 C1 C3 C4 C5 HCR:  3   4 2  4 5  HCR:  1 3  2 5  2 Attitude agressive C2 C6 C0 C1 C3 C4 C5 C2 C6 C0 C1 C3 C4 C5 HCR:   2 5 4 3  HCR:  2  2 3

  19. c3m1e1(3) c2m1e2(5) c2m2e1(11) c1m1e3(7) c1m2e2(13) c1m3e1(19) c3m1e2(6) c3m2e1(12) c2m1e3(8) c2m2e2(14) c2m3e1(20) c1m2e3(16) c1m3e2(22) c3m1e3(9) c3m2e2(15) c3m3e1(21) c2m2e3(17) c2m3e2(23) c1m3e3(25) c3m3e2(24) c2m3e3(26) c3m2e3(18) c3m3e3(27) Introduction de connaissances expertes c1m1e1(1) • Accélérant l’apprentissage d’un modèle prédictif fiable • Exploitées lors de l’expérimentation en ligne • De portée plus générale que des connaissances quantitatives • Faciles à identifier par • Un expert humain • Un processus hors-ligne • Le moteur cognitif lors de son opération • Simples à utiliser c1 e1 m1 c1m1e2(4) c1m2e1(10) c2m1e1(2) m2 e2 c2 c3 m3 e3 Graphe de robustesse

  20. Echelle de performance prédite … … 8 14 7 11 12 1 13 10 9 6 Rang … … Configuration Processus d’expérimentation2) Exemples de déroulement dans un espace de conception partiellement ordonné (région non explorée) C14 C6 C9 C1 C8 C3 C19 C13 C7 C11 … Nombre d’échecs d’exploration 1 0 2 1 0 0 1 0 1 0 0 0 1 Mémoire d’exploration C1 C4 C10 C2 HCR 7 7 7 8 8 PExploration 0.85 0.85 0.61 0.61 0.44 C3 C13 C5 C11 C7 C19 P 0.42 - 0.12 - 0.77 Mode Exploration Exploration Exploration Exploration Exploitation C6 C20 C22 C12 C8 C14 C16 Config. testée C13(vérification) C7 C3 C6 TEB 6.10-5 2.10-2 8.10-5 4.10-3 C9 C23 C15 C21 C17 C18 Contraintevérifiée Oui Non Oui Non C24 C26 C18 NErreurs 0 1 1 2 Incohérence - Non Oui Oui C27 TEB cible = 10-3

  21. Echelle de performance prédite … … 8 14 7 11 12 1 13 10 9 6 Rang … … Configuration 1 0 0.14 0.36 0.57 Processus d’expérimentation2) Exemples de déroulement dans un espace de conception partiellement ordonné (région déjà explorée) C14 C6 C9 C1 C8 C3 C19 C13 C7 C11 … Nombre d’échecs d’exploration 4 2 2 0 2 1 1 Mémoire d’exploration C1 C4 C10 C2 0.88 C3 C13 C5 C11 C7 C19 C6 C20 C22 C12 C8 C14 C16 C9 C23 C15 C21 C17 C18 C24 C26 C18 Prise de décision stochastique C27

  22. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  23. Algorithme de supervision

  24. Organisation structurelle du moteur cognitif Résolution du problème de conception Analyse du contexte opérationnel ReasonAndLearnFromExperience

  25. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation fonctionnelle du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  26. Codage canal Modulation Égalisation c1 BCH(127, 92, 5) m1 BPSK e1 MLSE e2 Égaliseur linéaire c2 BCH(127, 120, 1) m2 QPSK c3 Pas de codage m3 8-PSK e3 Pas d’égaliseur Illustration de l'étude de cas sur un scénario de test Carte de performance pour un canal déterministe à deux trajets Options de reconfiguration considérées 333 = 27 configurations disponibles Objectif: Evaluer les capacités d'apprentissage autonome du moteur cognitif

  27. Evaluation de la qualité des décisions prises Pourcentage de problèmes résolus sans prendre de mauvaise décision Pourcentage de problèmes se terminant par la sélection de la configuration optimale • Le moteur cognitif • améliore son expertise sur l’espace de conception • apprend à limiter les risques d’expérimentation • La décision finale est quasiment toujours optimale 100% 97% 81% 22%

  28. Evaluation de l’efficacité du moteur cognitif dans sa recherche d’une configuration adaptée Nombre moyen de décisions prises par problème traité Nombre moyen de mauvaises décisions prises par problème traité (erreurs de prédiction, tentatives d’exploration ratées) • Le moteur cognitif trouve une solution adaptée de plus en plus rapidement • Le moteur cognitif apprend à minimiser les mauvaises décisions responsables d’une dégradation de la QoS • L’introduction de connaissances expertes accélère l’exploration de l’espace de conception 28 12,1 13 2,8 1,5 0,26 1 0

  29. Evolution de la stratégie stochastique d’exploration 1 Probabilité d’exploration moyennée sur l’ensemble des automates d’apprentissage 0 Après 100 problèmes Après 500 problèmes 0,26 Après 5000 problèmes Après 2000 problèmes Après 20000 problèmes Après 10000 problèmes

  30. Fiabilité du modèle prédictif Fiabilité des prédictions et impact sur la qualité des décisions prises Après 100 problèmes Après 500 problèmes 88% 83% 40% Après 5000 problèmes Après 2000 problèmes Après 20000 problèmes Après 10000 problèmes

  31. Impact du moteur cognitif sur les indicateurs de performance de la radio

  32. + + + + + + Comportement sur d’autres scénarios de test • La progression du moteur cognitif dépend de • la difficulté de l’espace de conception • Nombre et taille des régions de classification • Croisement des courbes de performance • la qualité des connaissances embarquées + - + + + + + +

  33. Généralisation à d’autres études de cas • Méthodologie applicable à tout espace de conception • Apprentissage de la carte de performance Prise en compte d’une contrainte de performance différente Passage d’une carte 2D à une carte 4D

  34. Problématique de la thèse • Positionnement des travaux • Modèle de prise de décision autonome adopté • Organisation fonctionnelle du moteur cognitif • Evaluation du moteur cognitif • Conclusions et perspectives

  35. Contributions principales • Mise au point d’un modèle original de prise de décision autonome • Prédiction qualitative des performances des configurations • Conception d’un processus d’expérimentation en ligne • Apprentissage incrémental de cartes de performance • Identification de connaissances expertes permettant d’assister le moteur cognitif dans ses prises de décision • Gestion innovante du dilemme exploration/exploitation • Sélection et intégration de techniques d’intelligence artificielle appropriées • Systèmes connexionnistes évolutifs • Automates d’apprentissage • Organisation des mécanismes cognitifs • Architecture structurée, modulaire et évolutive • Réflexions sur des mécanismes complémentaires pour améliorer le comportement du moteur cognitif

  36. Perspectives • Validation expérimentale des propositions d'amélioration du moteur cognitif • Prise en compte de différentes échelles de temps des variations du contexte • Exploration des limites du moteur cognitif pour des espaces de conception toujours plus complexes • Application des concepts à l’accès opportuniste au spectre dans une optique d'optimisation des performances

  37. Publications • 1 article de revue internationale • N. Colson, A. Kountouris, A. Wautier, L. Husson, "A Generic Cognitive Framework for Supervising the Radio Dynamic Reconfiguration. An AI approach based on design problem classification", Annals of Telecommunications, special issue on Cognitive Radio, to be published • 3 communications internationales avec actes • N. Colson, A. Kountouris, A. Wautier, L. Husson, "Autonomous Decision Making Process Supporting Cognitive Waveform Design", Proc. PIMRC08, Cannes, France, Sept. 2008 • N. Colson, A. Kountouris, A. Wautier, L. Husson, "Autonomous Decision Making Process for Dynamic Reconfiguration of Cognitive Radios", Proc. ICCCN08, Virgin Island, USA, Aug. 2008 • N. Colson, A. Kountouris, A. Wautier, L. Husson, "Cognitive Decision Making Process Supervising the Radio Dynamic Reconfiguration", Proc. CROWNCOM08, Singapore, May 2008 • Participation au projet IST européen ORACLE • B. Bochow, S. Chantaraskul, N. Colson, A. Kountouris, K. Moessner, S. Thilakawardana, J. Tiemann, "Definition of context filtering mechanisms and policy framework", ORACLE WP4, Deliverable D4.2, May 2007 • B. Bochow, N. Colson, L. Huang, A. Kountouris, K. Moessner, S. Thilakawardana, M. Smirnov, "Draft OR Policy Framework", ORACLE WP4, Deliverable D4.1, Nov. 2006 • 1 communication nationale sans acte • N. Colson, A. Kountouris, "Une application de la radio intelligente : Adaptation dynamique de la complexité algorithmique", Journées Scientifiques du CNFRS intitulée "Vers des radiocommunications reconfigurables et cognitives", Paris, France, Mars 2006 • 6 rapports internes • N. Colson, A. Kountouris "Wireless Radio and the Internet of Things : a case for Cognitive Radio", Novembre 2007 • N. Colson "Réseaux de neurones", Novembre 2006 • N. Colson "Techniques de prise de décision", Octobre 2006 • N. Colson "Canal radio", Octobre 2006 • N. Colson "Logique floue et théorie des possibilités", Septembre 2006 • N. Colson "Systèmes experts et systèmes experts flous", Août 2006

More Related