Crowdsensing collaboratif entre les nœuds mobiles

Mobile crowdsensing is a powerful mechanism to contribute to the ubiquitous sensing of data at a relatively low cost. With mobile crowdsensing, people provide valuable observations across time and space using sensors embedded in/connected to their smart devices, e.g., smartphones. Particularly, opportunistic crowdsensing empowers citizens to sense objective phenomena at an urban and fine-grained scale, leveraging an application running in the background. Still, crowdsensing faces challenges: The relevance of the provided measurements depends on the adequacy of the sensing context with respect to the phenomenon that is analyzed; The uncontrolled collection of massive data leads to low sensing quality and high resource consumption on devices; Crowdsensing at scale also involves significant communication, computation, and financial costs due to the dependence on the cloud for the post-processing of raw sensing data. This thesis aims to establish opportunistic crowdsensing as a reliable means of environmental monitoring. We advocate enforcing the cost-effective collection of high-quality data and inference of the physical phenomena at the end device. To this end, our research focuses on defining a set of protocols that together implement collaborative crowdsensing at the edge, combining : Inference of the crowdsensor’s physical context characterizing the gathered data: We assess the context beyond geographical position. We introduce an online learning approach running on the device to overcome the diversity of the classification performance due to the heterogeneity of the crowdsensors. We specifically introduce a hierarchical algorithm for context inference that requires little feedback from users, while increasing the inference accuracy per user. Context-aware grouping of crowdsensors to share the workload and support selective sensing: We introduce an ad hoc collaboration strategy, which groups co-located crowdsensors together, and assigns them various roles according to their respective contexts. Evaluation results show that the overall resource consumption due to crowdsensing is reduced, and the data quality is enhanced, compared to the cloudcentric architecture. Data aggregation on the move to enhance the knowledge transferred to the cloud: We introduce a distributed interpolation-mediated aggregation approach running on the end device. We model interpolation as a tensor completion problem and propose tensor-wise aggregation, which is performed when crowdsensors encounter. Evaluation results show significant savings in terms of cellular communication, cloud computing, and, therefore, financial costs, while the overall data accuracy remains comparable to the cloud-centric approach. In summary, the proposed collaborative crowdsensing approach reduces the costs at both the end device and the cloud, while increasing the overall data quality.Le crowdsensing mobile permet d’obtenir des données sur l’environnement à un coût relativement faible. De fait, les personnes peuvent collecter et partager des observations spatio-temporelles au moyen de capteurs intégrés dans les appareils intelligents comme les smartphones. En particulier, le crowdsensing opportuniste permet aux citoyens de détecter des phénomènes environnementaux à l’échelle urbaine grâce à une application dédiée s’exécutant en arrière plan. Cependant, le crowdsensing est confronté à différents défis : la pertinence des mesures fournies dépend de l’adéquation entre le contexte de détection et le phénomène analysé ; la collecte incontrôlée de données entraîne une faible qualité de détection ainsi qu’une forte consommation des ressources au niveau des appareils ; le crowdsensing à large échelle induit des coûts importants de communication, de calcul et financiers en raison de la dépendance au cloud pour le traitement des données brutes. Notre thèse vise à rendre le crowdsensing opportuniste comme un moyen fiable d’observation de l’environnement urbain. Pour ce faire, nous préconisons de favoriser la collecte et l’inférence du phénomène physique au plus proche de la source. À cet effet, notre recherche se concentre sur la définition d’un ensemble de protocoles complémentaires, qui mettent en œuvre un crowdsensing collaboratif entre les nœuds mobiles en combinant : L’inférence du contexte physique du crowdsensor, qui caractérise les données recueillies. Nous évaluons un contexte qui ne se limite par à une simple position géographique et nous introduisons une technique d’apprentissage du contexte qui s’effectue au niveau de l’appareil afin de pallier l’impact de l’hétérogénéité des crowdsensors sur la classification. Nous introduisons spécifiquement un algorithme hiérarchique pour l’inférence du contexte qui limite les interactions avec l’usager, tout en augmentant la précision de l’inférence. Le groupement contextuel des crowdsensors de manière à partager la charge et effectuer une captation sélective. Nous introduisons une stratégie de collaboration ad hoc qui vise à affecter différents rôles aux crowdsensors, afin de répartir la charge entre les crowdsensors proches en fonction de leur contexte respectif. L’évaluation de notre solution montre une réduction de la consommation globale des ressources et une meilleure qualité des données, comparée à celle basée sur une architecture cloud. L’agrégation nomade de données pour améliorer les connaissances transférées au cloud. Nous introduisons une solution à l’agrégation des données observées qui distribue l’interpolation sur les crowdsensors. Les résultats de son évaluation montrent des gains importants en termes de communication cellulaire, de calcul sur le cloud et donc de coûts financiers, tandis que la précision globale des données reste comparable à une approche centralisée. En résumé, l’approche collaborative proposée pour le crowdsensing réduit les coûts à la fois sur le terminal et sur le cloud, tout en augmentant la qualité globale des données