Evaluating the performance of the AODV & DSDV protocols in an AD-HOC topology, using the techniques of data mining to analyse the trace files.

1. Utilisation du « Data Mining » dans
l‘évaluation de performance des
protocoles de routage (AODV et DSDV) au
sein du réseau sans fil ad-hoc
Elaboré par:
Miri Safa
Trabelsi Emna

2. Contexte du Projet
Sélection et acquisition des données
Choix de la méthode d’apprentissage
PLAN
Utilisation de SIPINA et génération
de l’arbre de décision
Règles de décision et reconnaissance

3. Contexte du projet
L'étude et la mise en œuvre de protocoles de
routage pour assurer la connexion des réseaux ad
hoc au sens classique du terme, est un problème très
compliqué dans l 'environnement des réseaux ad
hoc.

4. Une des perspectives de ce travail sera d'améliorer les
stratégies de routage existantes à savoir AODV et DSDV, en
proposant le protocole de routage qui doit prendre en
compte les limitations des réseaux ad hoc et offrir une
meilleure adaptation à la mobilité de ces environnements
en se basant sur les techniques d’analyse de data Mining
associé aux paramètres de ces 2 protocoles.

6. Les outils utilisés
NS-2: c’est un outil de simulation de réseaux filaires, sans fils,
satellitaires, etc. basé sur les langages de programmation C++ et
OTCL.
Pour notre cas, on va utiliser NS-2 pour simuler un réseau ad-
hoc, dans un premier temps, avec le protocole de routage DSDV
puis avec le protocole de routage AODV.
Le fichier de trace: le résultat de simulation avec NS-2 est
un fichier de trace qui contient différentes lignes et colonnes
représentant les événements qui ont eu lieu sur le réseau simulé.
Le fichier de traces va être exploité dans la mesure d’analyser la
performance du réseau dans les deux cas, en s’appuyant sur des
métriques bien déterminées( débit, taux de perte…)

7. Simulation

8. Contenu du fichier de
trace

9. Sélection de données
Les données explicatives sont:
 Le numéro de séquence du paquet
 L’ID de l’action(s pour send ou r pour receive)
 l’instant d’émission
 L’instant de réception
 Nombre de paquets reçus
 Nombre de paquets émis

10. Procédure de sélection

12. Pourquoi l’apprentissage Supervisé ?
L'apprentissage supervisé est utile soit pour prédire, soit
pour expliquer. Il est utile pour prédire quand l'hypothèse
apprise a pour but de servir à classer correctement de
nouveaux exemples non encore classés.

13. Dans notre Cas
Dans notre cas d’étude on a déjà à l’avance un ensemble de
critères d’évaluation pour savoir lequel des protocoles va être
le plus adapté à la topologie et au contexte de l’application.
On va prendre en considération les critères suivants:
Le débit = (nombre de paquets reçus * La taille de paquet *
8) / La durée totale de simulation (bits/s)
La charge du réseau = nombre de paquets de control
/nombre de paquets total reçus
La vitesse

14. Arbre de décision
Un arbre de décision est un outil d'aide à la décision représentant un
ensemble de choix sous la forme graphique d'un arbre. Les différentes
décisions possibles sont situés aux extrémités des branches (les
« feuilles » de l'arbre), et sont atteints en fonction de décisions prises
à chaque étape

15. Logiciel d’apprentissage
choisiPlusieurs logiciels sont au service de l’apprentissage Supervisé tels
que: Orange, Tanagra, Rapidminer…
Pour notre étude on a choisi SIPINA qui est un logiciel gratuit de Data
Mining spécialisé dans l'induction des arbres de décision
 en libre accèes
intégrant des fonctionnalités interactives lors de la construction d'un
arbre de décision
 implémente également d'autres méthodes supervisées(outil ARS
(Association Rule Software) pour la construction des règles
d’association et REGRESS pour la régression linéaire multiple)
peut traiter de très gros volumes (plusieurs millions d'observations,
plusieurs milliers de variables)

16. Utilisation de SIPINA et
génération de l’abre de
décision
 installation de SIPINA
L e setup du logiciel SIPINA est accessible en ligne http://eric.univ-
lyon2.fr/~ricco/sipina.html
 Ajout du add-in SIPINA au niveau de MS Excel

17. Utilisation de l’add-in après prise de valeurs de débit, charge de réseau et vitesse
associés au simulations sur papier Excel

18. SIPINA est démarrée, les données sont automatiquement chargées

19. On spécifie les données explicatives et la classe comme suit

20. Obtention de l’arbre de décision associée

21. Règles de décision
D’après l’arbre de décision, on peut distinguer deux règles :
R1 : si vitesse < 9.5m/s alors protocole = DSDV
R2 : si vitesse >=9.5m/s alors protocole = AODV
Sachant que le sélection de protocole est faite en terme de débit et
charge de réseau.

22. Conclusion
Dans ce projet on a pu:
Approfondir nos connaissances en ce qui
concerne le Data Mining
Manipuler le simulateur NS2, exploiter le fichier
de traces
Utiliser SIPINA en faveur de l’apprentissage
supervisé
Pouvoir Evaluer le protocole le plus performant
pour plusieurs paramètres d’un réseau ad hoc

23. Perspectives