Optimisation écoresponsable des réseaux de capteurs sans fil pour la surveillance en milieu urbain grâce à l’apprentissage fédéré

Project Abstract

Ce travail explore une approche écoresponsable pour optimiser les réseaux de capteurs sans fil (WSN) dédiés à la surveillance urbaine en tirant parti de l’apprentissage fédéré (Federated Learning, FL). Face à l’augmentation rapide du volume de données et à la densité croissante des déploiements, l’objectif est de réduire l’empreinte énergétique et les coûts de communication tout en garantissant la précision des détections et la robustesse du système. La méthodologie combine des mécanismes d’optimisation énergique au niveau des nœuds et des stratégies de fédération pour améliorer l’efficacité globale du réseau sans nécessiter la centralisation des données sensibles. Nous proposons d’abord une modélisation multi-niveaux des coûts énergétiques associée à la collecte, au pré-traitement et à l’échange des gradients, intégrant des paramètres tels que la consommation de la radio, l’accès au CPU/GPU et les latences réseau urbaines variables. Sur le plan algorithmique, un cadre FL hiérarchique est conçu pour adapter dynamiquement la fréquence d’entraînement et les quotas de communication, en privilégiant les nœuds routiniers et les passerelles les moins énergivores tout en maintenant une convergence stable et rapide du modèle global. Pour accélérer l’entraînement et réduire le trafic, des techniques de compression des gradients (quantization, sparsification) et d’inférence locale sont combinées avec des mécanismes de détection d’anomalies et de fédération robuste afin de résister aux défaillances partielles et aux données non IID courantes dans les environnements urbains. L’évaluation repose sur des scénarios simulés et expérimentaux conçus pour refléter les conditions réelles de villes intelligentes, incluant des variations climatiques, des obstructions urbaines et des perturbations réseau. Les métriques primaires couvrent l’efficacité énergétique (consommation moyenne par nœud), la précision de détection des phénomènes surveillés (température, qualité de l’air, bruit urbain), le coût de communication par épisode d’entraînement et la vitesse de convergence du modèle FL. Les résultats préliminaires indiquent une réduction significative de la consommation énergétique tout en maintenant une précision comparable à des approches centralisées non fédérées, grâce à une allocation intelligente des ressources et à une agrégation fédérée adaptative. En outre, l’étude examine l’impact de la topologie du réseau et de la densité des capteurs sur les compromis entre exactitude et durabilité, proposant des heuristiques pour la répartition des tâches et le repositionnement dynamique des nœuds actifs. Des protocoles de sécurité et de confidentialité adaptés au cadre FL urbain sont également proposés pour protéger les données sensibles sans compromettre les performances. Enfin, des scénarios de déploiement pilote sont envisagés afin d’identifier les gisements d’amélioration continue et de favoriser une adoption pratique dans les infrastructures publiques.

Project Overview

What This Project Is About

---

A straightforward study that looks at using small, energy-smart devices (sensors) to monitor city environments while reducing energy use and data traffic through collaborative learning. It explores how multiple sensor networks can share learning updates to improve monitoring accuracy without sending raw data to a central location.

---

---

The Problem It Addresses

---

Urban sensor systems often face limited battery life, high data costs, and privacy concerns. Sharing data directly can drain energy and raise security risks. The project investigates a way for sensors to learn together without exposing raw data, aiming to extend device life and protect privacy while keeping accurate city monitoring.

---

---

Objectives of the Project

---

1. Explain how federated learning can be applied to wireless sensor networks in cities.
2. Assess energy use, data transmission, and accuracy trade-offs for different learning setups.
3. Propose a practical method to balance model performance with sustainability goals.
4. Develop a simple prototype or simulation to test the approach.
5. Provide guidelines for real-world deployment in urban environments.

---

---

What You Will Do Step by Step

---

1. Review basic concepts of wireless sensor networks and federated learning in plain terms.
2. Build or simulate a small urban sensor network with limited energy and bandwidth.
3. Implement a basic federated learning loop where devices train locally and share model updates.
4. Measure energy consumption, data sent, and monitoring accuracy under different settings.
5. Analyze results to identify best practices for sustainability and performance.
6. Compare centralized vs federated approaches using simple metrics.
7. Document lessons and potential improvements for real deployments.
8. Prepare a short demonstration or report to illustrate findings.

---

---

Expected Outcome

We expect a clear, easy-to-follow method showing how urban sensor networks can learn together while saving energy and protecting privacy, with practical recommendations for real-world rollout and future enhancements.