Vers des stratégies efficaces de collecte de données et de prise de décision pour les réseaux de capteurs à ressources limitées

Bien que les avantages potentiels de la technologie de capteurs soient réels et importants, deux défis majeurs restent à relever pour réaliser pleinement ce potentiel : les ressources limitées de capteurs, en particulier la puissance de la batterie, et la prise de décision dans les applications de temps réel. Dans cette thèse, nous proposons plusieurs mécanismes de collecte et d'analyse de données qui permettent de surmonter les ressources limitées de capteurs et les défis de collecte de données volumineux imposés par les réseaux de capteurs, en se basant sur l’architecture clustering de réseaux. Principalement, les mécanismes proposés fonctionnent à trois niveaux de réseau (par exemple, capteur, CH et puits), et ils visent à réduire la quantité de données disséminées dans le réseau tout en préservant l'intégrité des informations au niveau du puits. Au niveau du capteur, nous proposons des méthodes de prédiction, d'agrégation et de compression de données basées respectivement sur des algorithmes de Newton Forward Difference, de divide-and-conquer et d'élimination de similarité dans le but de réduire les données brutes collectées par chaque capteur. Au niveau de CH, nous proposons de nouvelles techniques de clustering, de fusion, d'agrégation intermédiaire et d'ordonnancement qui visent à rechercher la corrélation entre les noeuds voisins puis à éliminer les redondances de données existantes avant d'envoyer les données vers le puits. Au niveau du puits, nous introduisons des modèles de prise de décision efficaces basés sur un tableau de score qui permet aux utilisateurs finaux d'analyser les données et de prendre une décision convenable. Nous avons évalué les performances de nos mécanismes en se basant sur de simulations et d'expérimentations. Les résultats obtenus ont montré l'efficacité de nos mécanismes en terme de la consommation d'énergie, de la précision des données et de la zone de couverture tout en améliorant les performances des réseaux de capteurs.While the potential benefits of sensingbased technology is real and significant, two major challenges remain in front of fully realizing this potential: resource-constrained sensors, especially the battery power, and decision making in real-time applications. In this thesis, we propose several data collection and analysis mechanisms that allow overcoming the limited sensor resources and the big data collection challenges imposed by sensing-based networks, under the clustering-based network architecture. Mainly, the proposed mechanisms work on three network levels (e.g. sensor, CH and sink), and they aim to reduce the amount of data routed in the network while preserving the information integrityat the sink. At the sensor level, we propose data prediction, aggregation and compression methods based respectively on Newton forward difference, divide-and-conquer and elimination similarity algorithms with the aim to reduce the raw data collected by each sensor. At the CH level, we propose new data clustering, fusion, in-network aggregation and scheduling techniques that aim to search the correlation among neighbouring nodes then to eliminate the existing data redundancies before sending the data toward the sink. At the sink level, we introduce efficient decision-making models based on customizable user-defined tables that allow end users to analyse the data and make an early decision. Weanalysed the performance of our mechanisms based on a set of simulation and experimentations. The obtained results have shown the efficiency of our mechanisms according to energy consumption, data accuracy, and coverage area while improving the performance of sensing-based networks