Planification des ressources radio dans les réseaux IoT longues portées avec faible puissance

In this thesis, we focus on radio resource planning issues for low power wide area networks based on NB-IoT and LoRa technologies. In both cases, the average behavior of the network is considered by assuming the sensors and the collectors are distributed according to independent random Poisson Point Process marked by the channel randomness. For the NB-IoT, we elaborate a statistical dimensioning model that estimates the number of radio resources in the network depending on the tolerated delay access, the density of active nodes, the collectors, and the antenna configuration with single and multi-user transmission. For the LoRa network, we propose a multi-sub band allocation technique to mitigate the high level of interference induced by nodes that transmit with the same spreading factor. To dynamically allocate the spreading factor and the power, we present a Q-learning multi-agent approach to improve the energy efficiency.Cette thèse étudie le problème de planification des ressources pour les réseaux IoT longues portées basés sur les technologies NB-IoT et LoRa. Dans les deux cas, on suppose que les capteurs et les collecteurs sont distribués suivant des processus de points de Poisson spatial indépendants marqués par le caractère aléatoire du canal. Pour le NB-IoT, nous élaborons un modèle de dimensionnement statistique qui estime le nombre de ressources radio nécessaires en fonction du délai d’accès toléré, de la densité des nœuds actifs, des collecteurs et de la configuration de l’antenne. Pour le réseau LoRa, nous proposons une technique d’allocation de plusieurs sous-bandes pour atténuer le niveau élevé d’interférence induit par les nœuds qui transmettent avec le même facteur d’étalement. Pour allouer dynamiquement le facteur d’étalement et la puissance, nous présentons une approche d’apprentissage automatique avec multi-agents qui permet d’améliorer l’efficacité énergétique