Académique Documents
Professionnel Documents
Culture Documents
II-3-Le LSA (Licensed Shared Access) : un modèle de partage dynamique pensé pour les
opérateurs mobiles
Dans le modèle de partage de spectre LSA, les ressources spectrales vacantes peuvent être
allouées à des utilisateurs qui souhaitent accéder au spectre, ces utilisateurs sont appelés des
licenciés LSA. Ainsi, le LSA implémente un partage de spectre entre deux ensembles
d’utilisateurs : un premier ensemble constitué des utilisateurs historiques ou primaires de la
bande et un deuxième destiné aux licenciés LSA.
L’architecture du modèle se fonde sur les deux éléments principaux suivants :
✓ Le LSA Repository : ce répertoire contient les informations sur l’utilisation du spectre
par les utilisateurs historiques primaires (informations en espace, fréquences et temps).
Il désigne également l’arbitre du modèle, implémentant les conditions techniques du
mécanisme de partage. Il contient les détails des contrats passés entre le régulateur, les
utilisateurs primaires historiques de la bande et les utilisateurs secondaires ayant obtenu
des autorisations. En fonction de tous ces paramètres, le LSA Repository détermine,
grâce à un algorithme prédéfini, le spectre disponible.
✓ Le LSA Controller : il a pour rôle de gérer l’accès au spectre par l’utilisateur secondaire.
Cet élément détient les informations de déploiements réels et donc la topologie du
réseau de ce dernier. Il s’assure que le réseau de l’utilisateur secondaire respecte les
règles définies par le LSA Repository. Celui-ci est localisé dans l’infrastructure de
l’utilisateur secondaire.
En pratique pour fonctionner, le modèle LSA a besoin d’avoir des informations sur les
déploiements réels des réseaux dont l’accès au spectre va être géré.
III-2-Détection spectrale
Détecter le spectre non utilisé et le partager sans interférence avec d'autres utilisateurs. La
détection des utilisateurs primaires est la façon la plus efficace pour détecter les espaces blancs
du spectre. L'un des objectifs de la détection du spectre, en particulier pour la détection des
interférences, est d'obtenir le statut du spectre (libre /occupé), de sorte que le spectre peut être
consulté par un utilisateur secondaire en vertu de la contrainte d'interférence. Le défi réside
dans le fait de mesurer l'interférence au niveau du récepteur primaire causé par les transmissions
d'utilisateurs secondaires.
III-3-Analyse spectrale
Elle permet de caractériser les différentes bandes spectrales en termes de fréquence d'opération,
de débit, de temps et de l'activité du PU (Utilisateur Primaire). Cette caractérisation sert à
répondre aux exigences de l'URC (Utilisateur à Radio Cognitive).
Des paramètres supplémentaires viennent compléter cette caractérisation, à savoir, le niveau
d'interférence, le taux d'erreur du canal, les évanouissements, le délai et le temps d'occupation
de la bande spectrale par un URC
III-5-Radio cognitive
III-5-1-Définition
La Radio cognitive est une forme de communication sans fil dans laquelle un
émetteur/récepteur est capable de détecter intelligemment les canaux de communication qui
sont en cours d’utilisation et ceux qui ne le sont pas, et peut se déplacer vers les canaux
inutilisables. Ceci permet d’optimiser l’utilisation des fréquences radio disponibles du spectre
tout en minimisant les interférences avec d’autres utilisateurs
III-5-2-cycle cognitif dans une radio flexible
Une radio cognitive est un système radio reconfigurable se comportant de manière intelligente
et autonome suite à l’introduction d’un cycle cognitif lui permettant d’analyser son contexte et
d’agir en conséquence.
De nombreuses variantes ont été proposées mais nous pouvons toutes les ramener au cycle
générique présenté sur la figure suivante. Ce cycle fait intervenir trois capacités essentielles à
tout agent autonome :
✓ La capacité d’observer : La radio dispose de capteurs pour récupérer des informations
sur son contexte opérationnel.
✓ La capacité d’agir : La radio influe sur son environnement au travers de ses actionneurs.
Le signal émis occupe des ressources spectrales et les traitements appliqués
consomment des ressources énergétiques. La radio peut se reconfigurer et ainsi moduler
cette influence en fonction de la situation et des objectifs de QoS.
✓ La capacité de réfléchir : La radio exploite les informations récupérées pour identifier
la configuration la plus adaptée et apprendre de ses expériences.
Principe de fonctionnement
Le Deep Reinforcement Learning utilise les principes du Deep Learning et de l’apprentissage
par renforcement pour créer des algorithmes efficaces pouvant être appliqués à des domaines
tels que la robotique, la finance etc…
Application de cet ’algorithme aux RRC
✓ Le problème d’optimisation de l’accessibilité opportuniste des canaux dans les
environnements de RC ferroviaire à été étudié et le modèle proposé par les auteurs
consiste en une inférence bayésienne permettant de calculer la probabilité de réussite de
la transmission sur une station unique, ainsi qu’une collaboration en équipe visant à
optimiser les performances du réseau au sein d’un groupe de station de base.