Statistic and Probabilistic Models for the Conception and Analysis of Communication Systems - Archive ouverte HAL Access content directly
Theses Year : 2010

Statistic and Probabilistic Models for the Conception and Analysis of Communication Systems

Modèles probabilistes et statistiques pour la conception et l'analyse des systèmes de communications

(1)
1

Abstract

Two different problems are addressed in this thesis : traffic prediction and classification and access mechanisms in MANETS. In the first part of the thesis, we address the problem of traffic prediction and classsification by means of advanced statistical tools. We analyze the problem of online prediction of the load on a link based only on past measurements and without assuming any particular model. Concerning traffic classification, and motivated by the widespread use of P2P systems, we focus on the identification of P2P applications, considering more precisely the case of P2P television (P2P-TV). For both cases, our framework makes use of Support Vector Machines (SVM). The algorithms we propose provide very accurate results, they are robust and their computational cost is extremely low. These properties make our solutions specially adapted to an online application. Self-organized systems such as MANETs, are of particular importance in today's world. In the second part of the thesis, we address two different problems related to MAC mechanisms in MANETs (in particular, we concentrate on CSMA). Firstly, an analysis of the existing models for CSMA, with special emphasis on their correlation with the real protocol, is presented. Some weakness are identified and possible solutions are proposed. The use of stochastic geometry tools allows us to obtain analytical results where other techniques cannot. Secondly, we address the problem of lack of QoS in CSMA and we propose two different mechanisms that guarantee a minimum rate for each accepted transmission. The main aim of our study is to identify which of the proposed mechanisms outperforms CSMA best depending on the scenario.
Dans cette thèse nous abordons deux problématiques différentes : la prédiction et la classification de trafic et les mécanismes d'accès dans les réseaux MANETs. Dans la première partie de la thèse, nous abordons le problème de la prédiction et la classification du trafic. Sur la base des observations du passé et sans considérer aucun modèle en particulier, nous analysons le problème de la prédiction en ligne de la charge sur un lien. Concernant la classification du trafic, nous nous concentrons principalement sur des applications P2P, et particulièrement la télévision P2P (P2P-TV). Dans les deux cas, nous employons la technique de Support Vector Machines (SVM). Les algorithmes que nous proposons fournissent des résultats très précis. De plus, ils sont robustes et leur coût est extrêmement bas. Ces propriétés font que nos solutions soient particulièrement adaptées à des applications en temps réel. Dans la deuxième partie de la thèse, nous abordons deux problèmes différents liés aux mécanismes d'accès dans les réseaux MANETs, et en particulier, nous nous concentrons sur CSMA. Nous présentons d'abord les différents modèles existants pour CSMA et nous identifions leurs principaux points faibles. Des solutions possibles sont proposées, bases sur les outils de la géométrie aléatoire. Nous abordons ensuite le problème de QoS dans CSMA et nous proposons deux mécanismes différents permettant de garantir un débit minimum pour chaque transmission admise. Le but principal étant d'identifier le meilleur mécanisme dans un scénario donné comparé au protocole CSMA.
Fichier principal
Vignette du fichier
principal.pdf (2.81 Mo) Télécharger le fichier
Loading...

Dates and versions

pastel-00005853 , version 1 (08-03-2010)

Identifiers

  • HAL Id : pastel-00005853 , version 1

Cite

Paola Bermolen. Modèles probabilistes et statistiques pour la conception et l'analyse des systèmes de communications. domain_other. Télécom ParisTech, 2010. Français. ⟨NNT : ⟩. ⟨pastel-00005853⟩
193 View
226 Download

Share

Gmail Facebook Twitter LinkedIn More