This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
WADIA. AJINOU
MODELISATION DU TRAFIC MULTIMEDIA DANS LES RÉSEAUX MOBILES
Mémoire présenté à la Faculté des études supérieures de l'Université Laval dans le cadre du programme de maîtrise en informatique pour l'obtention du grade de Maître ès sciences (M.Se.)
DÉPARTEMENT D'INFORMATIQUE ET DE GÉNIE LOGICIEL FACULTÉ DES SCIENCES ET DE GÉNIE
La planification d'un réseau mobile nécessite la modélisation adéquate du trafic, en tenant
compte de ses diverses composantes multimédia, ainsi que de la mobilité des usagers. La
modélisation d'un tel trafic demeure difficile à faire, car ce dernier dépend du
comportement de chaque usager mobile, en plus de la structure du réseau, de
l'environnement de propagation, et d'autres paramètres liés à l'usager, comme la durée
moyenne des communications, la durée d'occupation des ressources, la nature et la quantité
des informations échangées. Dans ce contexte, il est difficile de connaître à tout instant le
trafic exact dans une zone donnée. Plusieurs modèles de trafic ont été élaborés ces dernières
années. Cependant, peu d'entre eux tiennent compte de la diversité des composantes
multimédia du trafic et des services offerts dans les réseaux mobiles.
Dans ce mémoire, nous proposons un modèle de trafic multimédia qui permet de privilégier
l'accès des demandes de communication aux ressources selon les classes de services
auxquelles ces demandes appartiennent et selon le nombre de ressources occupées dans la
cellule. Les classes de services considérées dans la modélisation sont les mêmes que celles
adoptées pour les systèmes UMTS. Grâce à ce modèle, nous pouvons prédire des
paramètres importants de qualité de service : les probabilités de blocage et d'interruption de
chaque classe de services. Le modèle est implémenté à l'aide de programmes écrits en C et
en Matlab. A partir des résultats de simulations, nous trouvons que notre modèle garantit
aux deux premières classes de services prioritaires une bonne qualité de service : aucune
rupture ou blocage des communications. Pour les deux autres classes, le modèle garantit
que les probabilités de blocage et d'interruption soient inférieures à 0.06, sachant que les
données utilisées dans les simulations sont 100 fois plus contraignantes que celles de la
littérature.
Abstract
Planning a mobile network requires an adequate traffic modeling, while taking into
account its various multimedia components as well as the user mobility. Modeling such
traffic remains difficult due to user mobility, network structure, propagation environment,
as well as call duration and channel holding time. Recently, several traffic models have
been developed. However, few o f them take into account the diversity o f multimedia traffic
components and services in mobile networks. In this thesis, we propose a model that allows
communication requests to access the network according to each class o f services. The
classes o f services used in the proposed model are the same used in UMTS systems. Based
on this model, we predict the blocking probability and dropping probability for each class.
The model is evaluated using programs written in C and Matlab. From the simulation
results, we found that the proposed model guarantees to the first two prior classes o f
services a good quality o f service: no communication dropping or blocking. For the other
classes, the model guarantees that the blocking probabilities are less than 0.06, given that
the simulation parameters are 100 more stringent than the parameters used in the literature.
Avant-propos
Je n'aurais su effectuer ma maitrise sans l'aide et le soutien de plusieurs personnes, je
tiens donc à les remercier. Tout d'abord, je remercie infiniment ma famille, commençant
par mes parents bien aimés, passant à mon frère Zakaria, mon cher Samir et en arrivant à
ma petite sœur Sophiya, pour leur patience et leur encouragement tout au long de mes
années d'étude.
Je voudrais remercier aussi mon directeur de recherche, M. Ronald BEAUBRUN, pour son
encadrement, ses suggestions, sa disponibilité et son support moral et financier durant ma
maîtrise.
Je remercie également les professeurs M. Luc LAMONTAGNE et M. Jules DESHARNAIS
qui ont accepté d'évaluer ce mémoire. Ils sont tous deux professeurs au Département
d'informatique et de génie logiciel de l'Université Laval, Québec.
Je ne peux terminer sans remercier le personnel du Département d'informatique et de
génie logiciel ainsi que mes collègues, plus particulièrement, Mme Lynda Goulet, M. V o
TRUNG KHOA, M. Mohammed MBARKI et Mlle Molo BADJI. Je remercie aussi les
professeurs qui ont donné les cours auxquels j'ai assisté: Mme Nicole TOURIGNY, M.
Pascal TESSON, M. Mohamed MEJRI ET M. Gilles D'AVIGNON.
Je remercie mon Dieu de m'avoir donné la force et les moyens et de m'avoir fait
rencontrer toutes ces bonnes personnes pour arriver à mon but.
A ma très chère mère
Table des matières Résumé i
Abstract ii
Avant-propos iii
Table des matières v
Liste des tableaux viii
Liste des figures ix
Liste des sigles xi
1 Introduction 1
1.1 Concepts de base 1
1.2 Éléments de la problématique 3
1.3 Obj ectifs de recherche 4
1.4 Plan du mémoire 4
2 Caractérisation du trafic du trafic multimédia 6
2.1 Composantes du trafic multimédia 7
2.1.1 Trafic de type voix 7
2.1.2 Trafic de type "Données" 8
2.1.3 Trafic de type vidéo 8
2.2 Exemple des services générant le trafic multimédia 9
2.2.1 Services de localisation 10
2.2.2 Service de messagerie instantanée 10
2.2.3 Opérations bancaires mobiles 11
2.3 Classes de services 11
2.3.1 Services conversationnels 12
2.3.2 Services interactifs 12
2.3.3 Services streaming 13
2.3.4 Services background 13
2.4 Effet de la mobilité des abonnés sur le trafic 13
2.4.1 Utilité de la prédiction de la mobilité 14
2.4.2 Modèle fluide 14
2.4.3 Modèle de Markov 15
2.4.4 Modèle "Mold Mobility" 15
2.4.5 Modèle de gravité 16
2.5 Gestion du trafic 17
2.5.1 Technique de structure hiérarchique de cellules 17
2.5.2 Exploitation de la structure hiérarchique des réseaux 20
2.6 Effet de l'environnement sur le trafic 21
2.6.1 Rappel des phénomènes de propagation 21
2.6.2 Phénomènes de perturbation 22
3 Analyse des modèles de trafic 25
3.1 Contexte d'utilisation 26
3.2 Principes de la modélisation du trafic 28
3.3 Paramètres de modélisation 30
3.3.1 Temps inter-arrivées des appels 30
3.3.2 Temps de service 31
3.4 Résultats de la modélisation 37
3.4.1 Probabilité de blocage 37
3.4.2 Probabilité d'interruption 40
3.4.3 Nombre moyen d'appels générés 43
3.5 Analyse de quelques modèles 44
3.5.1 Prise en compte de la mobilité dans une structure hiérarchique 44
3.5.2 Prise en compte de la diversité des services multimédia 50
4 Proposition d'un modèle 52
4.1 Élaboration du modèle 52
V i l
4.1.1 Hypothèses générales 53
4.1.2 Description du modèle 54
4.2 Implementation 62
4.2.1 Description du simulateur 62
4.2.2 Fonctionnement du simulateur 64
4.3 Résultats 65
4.3.1 Choix des paramètres de la simulation 65
4.3.2 Résultats obtenus 71
4.4 Analyse des résultats 73
5 Conclusion 80
5.1 Synthèses des résultats 80
5.2 Limitations 82
5.3 Travaux futurs 83
Bibliographie 85
Annexe A 90
Liste des tableaux 2.1 Spécification du délai pour le trafic de la voix 7
A . l Résultats de la simulation en fonction des Kj 91
A.2 Taux de blocage en fonction des Ki 91
A.3 Résultats de la simulation en fonction de Mu 93
A.4 Taux de blocage en fonction de Mu 94
A.5 Résultats de la simulation en fonction de LambdaO 96
A.6 Taux de blocage en fonction de LambdaO 97
A.7 Résultats de la simulation en fonction de Lambda! 99
A.8 Taux de blocage en fonction de Lambda 1 100
A.9 Résultats de la simulation en fonction de Lambda2 102
A. 10 Taux de blocage en fonction de Lambda2 102
A . l 1 Résultats de la simulation en fonction de Lambda3 105
A. 12 Taux de blocage en fonction de Lambda3 106
Liste des figures
2.1 Division d'une région selon le modèle « Mold Mobility » 16
2.2 Division d'une zone de service en cellules et en motif 18
2.3 Types des cellules couvrant une zone 20
2.4 Phénomènes de propagation d'un signal 22
3.1 Utilisation de la modélisation du trafic dans un réseau GSM 27
3.2 Utilisation de la modélisation du trafic dans un réseau 3G 27
3.3 Exemple de parcours de deux stations de mobile dans quatre cellules 34
3.4 Forme du motif conçu pour l'étude 38
4.1 Description de modèle 55
4.2 Opérations du modèle proposé 56
4.3 Diagramme d'états du modèle proposé 57
4.4 Les services mobiles (excluant SMS et M M S ) utilisés en France 67
4.5 Services accessibles par les utilisateurs mobiles 67
4.6 Probabilités de blocage en fonction de lambdaO 71
4.7 Probabilités de blocage en fonction de lambdal 72
4.8 Probabilités de blocage en fonction de lambda2 72
4.9 Probabilités de blocage en fonction de lambda3 73
4.10 Probabilité de blocage de la classe 4 selon le temps d'inter-arrivées de chaque classe
74
4.11 Probabilité de blocage de la classe 3 selon le temps d'inter-arrivées de chaque classe
76
4.12 Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4
en fonction de lambdal 77
4.13 Comparaison de la simulation à l'étude analytique pour les demandes de la classe 3
en fonction de lambda2 77
4.14 Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4
en fonction de \ambda2 78
4.15 Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4
en fonction de Mu 78
Liste des sigles
B2B : Business To Business
BSC : Base Station Controller
BSS : Base Station Subsystem
BTS : Base Transceiver Station
C/I : Carri er-to-Interference
C A C : Call admission Control
C D M A : Code Division Multiple Access
F D M A : Frequency Division Multiple Access
G P R S : General Packet Radio Service
G S M : Global System for Mobile communications
H L R : Home Location Registry
ITU : Internation Telecommunication Union
Kbps : KiloBits par seconde
LBS : Localition Based Services
M M P P : Markov Modulated Poisson Process
M M S : Multimedia Message Services
M S C : Mobile Server Switching Center
PDA : Personal Digital Assistant
SMS: Short Message Services
T D M A : Time Division Multiple Access
U M T S : Universal Mobile Telecommunication System
V L R : Visitor Location Register
V o I P : Vo i ce over Internet Protocol
1G : Première génération de télécommunication mobile
2 G : Deuxième génération de télécommunication mobile
3G : Troisième génération de la télécommunication mobile
Chapitre 1
Introduction
Depuis le début des années 90, nous assistons à un véritable engouement pour le
développement des réseaux mobiles: le nombre d'abonnés est passé de 11 millions en 1990
à près de 3 milliards en 2007 [33]. Cet engouement est dû, d'une part, à un besoin de
mobilité et, d'autre part, à la panoplie des nouveaux services offerts, comme la
vidéoconférence, les jeux interactifs, le téléchargement de fichiers et la réception des
programmes télévisés [10], [26], [50]. Cette croissance fulgurante du nombre d'abonnés
conduit à une augmentation significative de la quantité de trafic transitant à travers le
réseau. Un tel trafic est essentiellement constitué de trois composantes : voix, données et
vidéo, d'où le nom de trafic multimédia. Sa modélisation devient alors primordiale pour
assurer des services de qualité aux abonnés. Ce mémoire porte sur la modélisation du trafic
multimédia dans les réseaux mobiles. Dans ce chapitre d'introduction, nous présentons
d'abord les concepts de base liés au sujet, puis les éléments de la problématique. Par la
suite, nous définissons les objectifs visés par notre travail, avant d'annoncer brièvement le
plan de notre mémoire.
1.1 Concepts de base
Dans un réseau mobile, la zone de service est constituée de stations de base SB qui
fournissent les liens radio aux usagers mobiles pour la communication. Chaque BS dessert
une zone géographique appelée cellule. Il est possible que l'utilisateur change de cellule au
cours d'une communication. Le réseau doit alors lui assurer la continuité de la
communication en lui attribuant donc un canal libre dans la nouvelle cellule de destination.
On appelle cette procédure handover.
Lorsqu'un usager veut générer ou recevoir un appel, le terminal essaie de lui octroyer un
canal pour la connexion. S'il n'existe pas de canaux disponibles pour cette connexion,
l'appel est bloqué et effacé du système : on parle alors de blocage de nouvel appel. La
probabilité de blocage est la probabilité qu'un abonné voie son appel bloqué. Par contre, si
un canal est disponible lors de l'établissement de la communication, il est utilisé pour la
connexion, puis relâché soit à la fin de l'appel, soit lorsque l'usager quitte la cellule. Dans
le même ordre d'idée, lorsque l'usager change de cellule (situation de handover) pendant
une communication, un canal de communication doit lui être réservé dans la nouvelle
cellule. Si aucun canal n'est disponible dans la nouvelle cellule lors du handover, l'appel
est forcé de se terminer avant d'être complété. On parle alors de probabilité d'interruption.
Les probabilités de blocage des nouveaux appels et d'interruption des appels de handover
sont considérées comme des paramètres importants d'évaluation de la qualité de service.
La modélisation du trafic dans un réseau mobile consiste à élaborer des modèles qui aident
à évaluer le trafic dans les premières phases d'opération du réseau mobile. Elle permet de
prédire la quantité d'information circulant dans le réseau, le taux de communications
réussies dans une cellule, ainsi que le taux de communications échouées, à l'aide des
probabilités de blocage et d'interruption trouvées dans le modèle. Il s'agit donc d'une étape
essentielle pour prédire les ressources radio nécessaires à l'établissement des
communications. Cependant, elle requiert la connaissance de plusieurs paramètres qui
peuvent être, soit liés aux abonnés, soit liés au réseau. Les paramètres liés aux abonnés
sont : la durée des communications et le temps de résidence dans une cellule, alors que les
paramètres liés au réseau sont : les types d'applications offertes, la structure des cellules et
les algorithmes de gestion d'appels et d'accès aux ressources.
r
1.2 Eléments de la problématique
La plupart des recherches récentes dans la modélisation du trafic ont surtout mis l'accent
sur le développement de modèles pour caractériser le trafic d'arrivée et la distribution du
temps de service dans les cellules [8], [40], [48]. Par exemple, Fang modélise le temps de
résidence selon la loi Hyper-Erlang [20]. Spedalieri et al. proposent de modéliser le temps
d'occupation d'un canal selon la loi lognormale [48]. Cependant, ces propositions ne
permettent pas d'évaluer l'intensité du trafic en tenant compte des paramètres de qualité de
service : probabilité de blocage et probabilité d'interruption des communications.
Par ailleurs, il existe certaines études qui intègrent les caractéristiques des réseaux mobiles
à la modélisation du trafic [14], [42]. Par exemple, dans [25], Hang et Rappaport élaborent
un modèle qui tient compte de l'effet de la procédure de handover sur le trafic écoulé dans
une zone. Al-Kaidi et Alani dans [2] , [3], ainsi que Boggia et al dans [14] ont essayé à
travers leurs modèles d'analyser l'effet des interactions entre les cellules sur la modélisation
du trafic. Basgeet et al. [10] ont élaboré un modèle qui met l'emphase sur l'effet de la
mobilité des clients sur la modélisation du trafic. Dans [4] , Anagnostou et al ont établi un
modèle de trafic qui tient compte de la diversité des zones à desservir (indoor : à l'intérieur
des bâtiments, outdoor : à l'extérieur des bâtiments). Dans [38], Meo et Viterbo ont réalisé
un modèle qui considère la diversité des types de trafic : voix, vidéo et données. Cependant,
aucun de ces modèles n'a abordé les caractéristiques essentielles des prochaines générations
de réseaux mobiles : la diversité des applications offertes et leurs exigences de qualité de
service.
Toutefois, il existe un autre modèle qui tient compte de ces caractéristiques [54]. Dans ce
modèle, les demandes de services les plus sensibles au temps d'attente sont les plus
prioritaires. Par conséquent, à l'arrivée d'une demande plus prioritaire, le système
interrompt la communication la moins prioritaire, dans le cas où il n'existe plus de
ressources libres. Ce modèle permet de privilégier les communications les plus prioritaires
par rapport aux moins prioritaires. Toutefois, les calculs découlant de ce modèle sont
complexes, ce qui rend difficile son adaptation aux futurs réseaux mobiles.
1.3 Objectifs de recherche
Dans le cadre de notre mémoire, nous visons la modélisation du trafic multimédia dans les
réseaux mobiles, en tenant compte de la diversité des exigences des applications offertes.
La modélisation doit être suffisamment efficace pour tenir compte des changements
éventuels, en termes d'intensité de trafic, dans le réseau. Plus spécifiquement, nous visons
à :
• caractériser le trafic multimédia et analyser les paramètres qui peuvent influencer sa
modélisation;
• proposer un modèle de trafic qui permet de privilégier les services les plus sensibles
au délai d'attente, comme la téléphonie, la vidéophonie et les jeux interactifs;
• évaluer la performance du modèle proposé, en termes de probabilités de blocage et
d'interruption des communications.
1.4 Plan du mémoire
Le reste du mémoire est organisé en quatre chapitres. Dans le chapitre 2, nous présenterons
les éléments principaux qui décrivent et influencent le trafic dans les réseaux mobiles. Nous
présenterons d'abord les caractéristiques des composantes du trafic. Ensuite, nous
donnerons quelques exemples de services offerts dans les réseaux mobiles. Nous
présenterons aussi les classes de services adoptées dans les dernières générations de la
télécommunication mobile. Finalement, nous verrons l'effet de la mobilité, de la structure
des cellules et de l'environnement de propagation sur le trafic.
Le chapitre 3 s'intéresse à l'analyse des modèles de trafic. D'abord, nous présenterons
l'importance de la modélisation du trafic dans la mise en place d'un réseau. Ensuite, nous
verrons les caractéristiques des paramètres modélisant le trafic. Enfin, nous analyserons un
ensemble de modèles récemment proposés.
Nous consacrons le chapitre 4 à la présentation de notre modèle. La première section
contient la proposition et les hypothèses nécessaires pour l'élaborer. Nous évaluerons cette
proposition à l'aide des simulations dont nous décrirons le fonctionnement dans la
deuxième section. Le reste du chapitre est consacré à l'analyse des résultats de simulations.
Nous terminons ce mémoire par le chapitre 5 qui synthétise les résultats trouvés et
présentera les limitations de notre recherche. Cette conclusion s'achève par des
perspectives où nous discuterons des éventuelles améliorations de notre proposition.
Chapitre 2
Caractérisation du trafic multimédia
Le trafic résulte des diverses communications générées par les abonnés mobiles. Il s'agit
d'un facteur déterminant du réseau, car la position et les spécifications techniques de tous
les équipements en dépendent grandement. Il convient alors de bien caractériser le trafic
multimédia pour s'assurer de la bonne utilisation de ces équipements. La caractérisation du
trafic consiste à décrire ses composantes (voix, vidéo et données), à déterminer les sources
qui le génèrent et à identifier les paramètres qui l'influencent. Dans ce chapitre, nous
décrirons d'abord les caractéristiques des trois composantes du trafic. Ensuite, nous
donnerons quelques exemples d'applications générant le trafic, avant de décrire comment
les applications et les services multimédia sont classés dans les réseaux mobiles. Enfin,
nous expliquerons les effets de la mobilité des utilisateurs, de la structure des réseaux et de
l'environnement de propagation des signaux radio sur l'écoulement du trafic.
Délai en millisecondes Description
0-150 Acceptable pour la plupart des applications.
150-400 Acceptable par les usagers mobiles à condition que le réseau
tienne compte du temps de la transmission et offre les
meilleurs délais pendant la communication.
Au-delà de 400 Généralement inacceptable par les utilisateurs mobiles sauf
pour quelques uns.
T A B 2.1: Spécification du délai pour le trafic de la voix
2.1 Composantes du trafic multimédia
Actuellement, les services offerts par les réseaux mobiles génèrent trois types de trafic: la
voix, les données et la vidéo. Dans cette section, nous allons caractériser chacune de ces
composantes du trafic.
2.1.1 Trafic de type voix
Jusqu'à présent, le trafic de la voix est surtout exploité dans la téléphonie. Les débits et les
délais de ce type de trafic doivent permettre à l'utilisateur d'avoir la qualité de service
exigée par ce type d'applications. Ce débit doit varier entre 32 kbps et 384 kbps, tandis que
le délai ne doit pas dépasser les 400 ms [45). Les contraintes de délais présentées dans le
tableau 2.1 sont définies dans la recommandation G.114 de l'ITU {International
Télécommunication Union) [45]. L'ITU a déterminé ces valeurs pour que le temps d'attente
pendant l'utilisation du service vocal ne soit pas perceptible par les abonnés. En général,
l'intensité du trafic de la voix est déterminée par la relation 2.1.
Charge de trafic =N-D (2 .1)
où :
• N est le nombre de communications générées par unité de temps;
• D est la durée moyenne de communication.
2.1.2 Trafic de type « données »
C'est le type de trafic le plus utilisé actuellement dans les réseaux mobiles [41], [45], [57].
Sa première apparition fut avec l'arrivée des systèmes GSM (Global System for Mobile
communications), et le principal service qui le générait était le SMS (Short Message
Services). Actuellement, il existe une panoplie de services multimédia qui le génèrent :
M M S (Multimedia Message Services), téléchargement, jeux, messagerie instantanée.
Les valeurs des paramètres de transmission (débit, délai) pour le trafic de données
dépendent de l'application qui le génère. Par exemple, si un utilisateur désire jouer aux
échecs avec son terminal mobile, le réseau doit lui garantir un débit égal à près d'un kbps et
un délai inférieur à une seconde, à condition que la transmission des données se fasse sans
tolérance d'erreur [45]. Toutefois, dans le cas où l'utilisateur veut écouter de la radio, ces
données changent : la communication a besoin d'un débit minimal de 32 kbps et d'un délai
de transmission ne dépassant pas 10 secondes [45]. En général, la limite du délai de bout en
bout pour le trafic de données est de 250 ms: s'il dépasse 150 ms, il est considéré comme
bon et s'il est dans les voisinages de 250 ms, il est considéré comme acceptable.
2.1.3 Trafic de type vidéo
Le trafic de type vidéo peut être considéré comme un cas particulier de trafic de données.
Mais, pour certaines applications, il peut avoir les mêmes exigences que le trafic de la voix.
C'est le cas, par exemple, de la vidéophonie qui consiste à converser avec un interlocuteur
tout en le visualisant sur l'écran du terminal mobile. La caractéristique majeure des
applications de type vidéo est l'utilisation d'une bande passante1 plus grande. En effet, ce
type de trafic n'a fait son apparition que dans la dernière décennie, à l'arrivée du GPRS
(General Packet Radio Service) qui a comblé le problème des ressources inadaptées pour la
transmission de la vidéo dans les systèmes GSM : la largeur de bande d'un canal de
transmission était égale à 200 kHz et le débit était égal à 9.14 kbps [45]. L 'UMTS et les
autres systèmes de la troisième génération ont augmenté encore plus ces caractéristiques
1 En télécommunication, la bande passante désigne la différence en Hertz entre la plus haute et la fréquence la plus basse.
(3.84 MHz comme largeur de bande de chaque canal de transmission et au moins 114 kbps
pour le débit), ce qui a permis d'offrir plus d'applications vidéo [39], [45].
Selon le service sollicité, les caractéristiques du trafic vidéo changent. Par exemple, pour le
service de la vidéophonie, le débit doit être au moins égal à 32 kbps et le délai peut
atteindre 400 ms. Toutefois, pour la visualisation d'une vidéo à partir d'un terminal mobile,
le trafic exige un délai de transmission maximal de 10 s et d'un débit variant entre 10 et
128 kbps [33]. En général, le délai de bout en bout est considéré bon s'il ne dépasse pas
150 ms et acceptable s'il varie entre 150 ms et 300 ms.
2.2 Exemples de services générant le trafic multimédia
Les trois composantes du trafic multimédia sont générées par plusieurs services. D'après le
forum de l 'UMTS (Universal Mobile Télécommunication System) [54], les applications et
les services multimédia peuvent être utilisés au moins dans quatre domaines: la
communication, le commerce, l'information, et le divertissement. Dans la communication,
on peut trouver différents types de services : la téléphonie, la vidéophonie, le SMS/MMS,
la messagerie instantanée et la messagerie unifiée 2. Pour les applications liées au
commerce, il existe des services qui touchent aux transactions comme le m-commerce [55]
ou B2B (Business To Business), et d'autres qui sont liés aux opérations bancaires mobiles.
Les plus importants services d'information offerts par les réseaux mobiles actuels sont les
services de localisation. Pour les applications de divertissement, ce sont tous les services
qu'un utilisateur peut solliciter dans le but de se distraire (jeux, musique en ligne, Internet,
etc.). Dans cette section, nous donnerons quelques exemples de services multimédia offerts
dans les réseaux mobiles.
2.2.1 Services de localisation
Les services de localisation désignent les services fournis aux utilisateurs mobiles en
fonction de leur emplacement géographique [50]. Ces services utilisent la capacité de
2 Messagerie unifiée: Application permettant à l'utilisateur d'accéder et de gérer l'ensemble de ses messages quel qu'en soit la provenance : la messagerie électronique, la messagerie vocale, par le télécopieur, la messagerie Internet et la messagerie vidéo.
déterminer et de transmettre dynamiquement l'emplacement des personnes au sein d'un
réseau mobile par le biais de leurs terminaux [50]. Ils sont dotés de la capacité de chercher
les informations sur l'emplacement et ils ont les moyens qui permettent la recherche
d'itinéraires pour des destinations spécifiées.
Les services de localisation peuvent être classés selon leurs fonctionnalités et selon
l'utilisation des informations de localisation [50]. La classe de services de base est
constituée des services d'information de localisation qui informent l'utilisateur sur son
emplacement actuel. Ces services sont généralement associés à une carte numérique
montrant l'emplacement de l'utilisateur. En raison de la limitation de la taille de l'écran des
terminaux mobiles, la carte numérique ne contient que des informations de base sur le
réseau, tels que les noms de rues et quelques points d'attraction. Lorsque ce plan est doté
d'un accès à certaines informations de point d'intérêt, le service devient un service de
« guide touristique virtuel». Un service de « guide touristique virtuel» fournit un autre
niveau de l'assistance en affichant à l'utilisateur des itinéraires pour atteindre les
destinations. Quand ce service inclut la capacité de recherche d'informations sur les
emplacements des services et la possibilité de les contacter, il devient un service de pages
jaunes. Par ailleurs, les services de navigation sont des services qui permettent aux usagers
mobiles d'atteindre leur destination via des chemins optimaux à partir de leur emplacement.
2.2.2 Service de messagerie instantanée
La messagerie instantanée offre à un ensemble d'usagers la possibilité de communiquer
entre eux en temps réel et à tout moment via plusieurs types de terminaux, mobiles ou
fixes. Ce service a été d'abord conçu pour la communication entre usagers fixes qui
utilisent la messagerie textuelle. Actuellement, ce service est aussi offert aux usagers
mobiles et intègre d'autres fonctionnalités pour transmettre la voix et la vidéo [26]. De ce
fait, il peut générer les trois types de trafic : vidéo, voix et données.
La messagerie instantanée peut influencer le trafic produit dans les réseaux mobiles. En
effet, au lieu de s'envoyer continuellement des courriels, des SMS ou des M M S , il est plus
efficace pour deux abonnés mobiles de s'entretenir via la messagerie instantanée.
Néanmoins, il faut remarquer qu'elle est aussi exigeante que la téléphonie ou la
vidéophonie quant aux paramètres de transmission. En effet, le débit est compris entre 32 et
384 kbps, alors que le délai de transmission doit être entre 150 et 400 ms puisqu'elle se fait
en temps réel entre au moins deux usagers. De plus, par similitude avec la téléphonie, elle
peut requérir une transmission symétrique (même débit de transmission en émission et en
réception) entre le réseau mobile et chacun des interlocuteurs [45].
2.2.3 Opérations bancaires mobiles
Le service des opérations bancaires mobiles permet à l'utilisateur mobile d'accéder aux
services de sa banque via son terminal, à n'importe quel moment et indépendamment de sa
position. Ce service ressemble beaucoup à la banque virtuelle (Internet Banking) [51]. Il
offre une grande gamme d'applications. Il permet à l'utilisateur d'avoir des renseignements
liés à son solde ou au statut de son compte, ainsi qu'au statut de ses chèques. Il lui permet
aussi de réaliser des requêtes pour demander un carnet de chèques, l'historique des
transactions récentes, ou d'autres informations comme les taux d'intérêt. De plus,
l'utilisateur a la possibilité de faire un transfert entre deux comptes, tout en étant mobile et à
distance. Il peut aussi recevoir des alertes pour le mettre en courant des dernières factures
payées par son compte ou pour le prévenir de son solde minimal.
Les opérations bancaires mobiles génèrent donc un trafic de type données. Ce trafic peut
être produit, soit comme un flux d'informations envoyé par la banque (les services de
vérification), soit comme une interaction entre le client et la banque (les services
transactionnels). Le deuxième cas est plus critique que le premier, car il est plus
contraignant quant aux paramètres de transmission: en général, l'usager n'accepte pas un
délai d'attente supérieur à 2 secondes [45].
2.3 Classes de services
Les caractéristiques des trois composantes de trafic générées dans les réseaux mobiles
dépendent énormément de la nature des applications sollicitées. Ces applications peuvent
être classées selon leur comportement et par rapport aux contraintes de transmission (débit,
délai, tolérance à des erreurs). Actuellement, on distingue quatre classes de services :
FlG 4.12: Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4 en fonction de lambda 1
0,25
Temps d'inter-arrivées
FlG 4.13: Comparaison de la simulation à l'étude analytique pour les demandes de la classe 3 en fonction de lambda!
FlG 4.14: Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4 en fonction de lambda2
0 ;35
110 120 130 140 150 160 170 180 190 200
Mu
FlG 4.15: Comparaison de la simulation à l'étude analytique pour les demandes de la classe 4 en fonction de Mu
Nous remarquons que les probabilités trouvées dans la simulation et celles trouvées à partir
de l'étude analytique du modèle arrivent à converger vers des valeurs semblables, ce qui est
illustré dans les figures 4.12 à 4.14. Dans le cas où les lambdai (/= 1, 2, 3, 4) sont très
faibles par rapport au temps de service, l'écart entre les prédictions du modèle et les
résultats de la simulation est grand. Mais, en général, il grandir pour des valeurs inférieures
de lambda = 5, comme le montrent les figures 4.12 et 4.13. Dans le cas de la variation du
temps moyen de service Mu, nous remarquons le contraire : plus la valeur de Mu augmente,
plus l'écart entre la courbe des données de la simulation et celle de l'étude analytique du
modèle croît. Cela est dû au moins à deux principales raisons. D'une part, les valeurs
affectées au temps de service sont au moins dix fois plus grandes que celles affectées aux
temps moyens d'inter-arrivées pour les demandes de communication. Cela mène à la
dérogation de la condition d'utilisation d'un processus markovien: le taux d'arrivée des
demandes doit être inférieur au taux du départ des clients [44]. C'est la raison pour laquelle
dans les figures 4.13 et 4.15 il existe une convergence entre les courbes, quand lambda 1
croît ou Mu décroît. D'autre part, nous remarquons que, dans les figures, l'étude analytique
surestime les probabilités de blocage. Cela est d'une part à la surestimation de la loi
exponentielle [52]. D'autre part, les valeurs aléatoires générées par le simulateur sont
pseudo-aléatoire.
De ce fait, en dépit des contraintes auxquelles notre modèle a été soumis (les valeurs
affectées aux K¡, les valeurs affectées aux paramètres du trafic et le nombre aléatoire des
demandes générées par le simulateur pour chacune des classes de service), il arrive à
prédire les probabilités de blocage des demandes pour chaque classe, tant que le système ne
déroge pas à la condition d'utilisation d'un processus markovien. Ainsi, nous avons pu
atteindre les objectifs que nous nous sommes fixés au départ : réaliser un modèle
représentant le trafic multimédia dans les réseaux mobiles, en privilégiant les applications
et les services les plus sensibles au délai d'attente.
Chapitre 5
Conclusion
Après avoir élaboré un modèle de trafic multimédia pour les réseaux mobiles et obtenu des
résultats qui l'évaluent, il nous reste à conclure notre recherche. Dans cette conclusion,
nous ferons d'abord une synthèse générale des résultats. Ensuite, nous présenterons les
limitations de notre modèle de trafic. Finalement, nous donnerons quelques idées qui
pourront faire l'objet de futurs travaux de recherche.
5.1 Synthèse des résultats
Le but de notre recherche était de modéliser le trafic multimédia dans les réseaux mobiles.
La modélisation du trafic est une action essentielle pour planifier un réseau ou le
redimensionner. Elle doit prendre en considération plusieurs paramètres qui sont liés aux
caractéristiques des réseaux mobiles et des abonnés, ainsi qu'aux exigences des services
offerts. Parmi les caractéristiques du réseau qui peuvent influencer la modélisation du
trafic, nous avons vu la structure hiérarchique qui consiste à traiter les demandes de
communication des utilisateurs selon le degré de mobilité de ces derniers. Nous avons vu
aussi comment les phénomènes de propagation d'onde et la diversité des applications et des
services multimédia peuvent avoir un effet sur l'écoulement du trafic dans les réseaux
mobiles. Nous avons illustré ces relations de dépendance par l'analyse de quelques modèles
proposés par d'autres chercheurs.
Après avoir déterminé les propriétés du trafic multimédia dans les réseaux mobiles, nous
avons trouvé que la modélisation de trafic utilise plusieurs paramètres aléatoires, liés au
comportement des usagers, comme la durée de la communication, le temps d'occupation
d'un canal de transmission, le processus d'arrivée de nouvelles demandes de communication
ou les demandes de handover. D'où la raison de modéliser un réseau mobile par un système
de file d'attente dont les clients sont les demandes de communication et les serveurs sont les
canaux de transmission. Le système de file d'attente que nous avons adopté dans notre
modélisation est un système markovien de type M/M/k/k. Notre modèle traite un point qui
est rarement traité dans les autres modèles de trafic [3], [18], [20], [30]. Il permet de
privilégier l'accès des demandes de communication aux ressources selon les classes de
service auxquelles ces demandes appartiennent et selon le nombre de ressources occupées
dans la cellule. Grâce à ce modèle, nous pouvons prédire les paramètres de qualité de
service pour chacune de ces classes. Les paramètres de qualité de service dans la
modélisation du trafic multimédia sont les probabilités de blocage pour les nouvelles
demandes de communication et les probabilités d'interruption pour les communications
réalisant un handover.
Pour évaluer notre modèle, nous avons effectué une simulation à l'aide de programmes que
nous avons écrits en langage C et Matlab. Nous avons gardé le temps moyen de service
trouvé dans la réalité: Mu = 170. Pour les temps moyens d'inter-arrivées des demandes des
classes, nous avons utilisé des valeurs au moins 100 fois plus petites que celles trouvées
dans la réalité. Nous avons utilisé K/= 55, K2 = 65 et K3 = 75, Kt étant le nombre maximal
de ressources dédiées à desservir la classe i de service. Nous avons supposé qu'il n'existe
aucune dépendance entre le nombre de demandes d'une classe arrivées au système et les
états de transition de celui-ci. Dans ces situations, le système garantit aux deux premières
classes prioritaires une bonne qualité de service : aucune rupture ou blocage de
communication. Pour la troisième classe, le modèle garantit à 7 7 % que la probabilité de
blocage soit inférieure à 0.02 et à 9 1 % qu'elle soit inférieure à 0.06. Pour la dernière classe
de services, le système garantit à 6 0 % que sa probabilité de blocage soit inférieure à 10%.
À partir de ces résultats, nous avons conclu qu'il existe d'autres facteurs qui influencent la
qualité des services, comme les valeurs des Kt et celles des temps moyens d'inter-arrivées,
le processus d'arrivée des demandes et le nombre de demandes arrivées.
5.2 Limitations
Pour pouvoir évaluer notre modèle, nous avons posé une série d'hypothèses, comme il est
communément fait par les autres chercheurs [31], [38], [52]. Par exemple, nous avons
supposé que le temps de service suit la loi exponentielle et que l'arrivée des demandes se
fait selon le processus du Poisson. Cependant, d'après les nouvelles découvertes, la loi
exponentielle n'est pas souvent convenable pour la modélisation du trafic [42]. Pour que
notre modèle soit générique, nous avons supposé que la forme de chaque cellule est
hexagonale régulière. Cela nous a permis de modéliser le trafic au niveau d'une cellule au
lieu de considérer un ensemble de cellules de différentes formes et de tenir compte des
interactions entre ces cellules dans la modélisation. Nous avons aussi supposé que ces
cellules sont des macrocellules pour obtenir des temps moyens d'inter-arrivées plus petits.
D'autre part, nous avons figé les écarts entre les Ki, pour voir le comportement du modèle
indépendamment de ce facteur.
Comme nous l'avons vu dans le mémoire, il existe plusieurs caractéristiques des réseaux
mobiles qui peuvent influencer le trafic multimédia. Dans notre modélisation, nous n'avons
pas considéré les interactions pouvant exister entre les macrocellules et les microcellules,
car nous avons supposé que notre modélisation se fait au niveau d'une cellule, tandis que
pour la modélisation du trafic pour une structure hiérarchique, elle se fait au niveau d'un
motif. En outre, nous n'avons pas pu traiter de l'impact des algorithmes de gestion d'appels
sur le trafic écoulé dans le modèle, car nous n'avons pas eu de données réelles sur ce
facteur, surtout qu'il existe très peu de modèles qui le considèrent dans leur analyse [15] ,
[38], [52].
5.3 Travaux futurs
Nous avons testé notre modèle pour un système simple. Nous désirons dans le futur nous
assurer de son efficacité pour des systèmes plus complexes. Nous pourrons commencer par
le tester avec la hiérarchisation d'un motif. Cela ne nous amènera pas à changer notre
méthode de modélisation, car elle se fera au niveau de chaque cellule appartenant au motif.
Il faudra simplement tenir compte des éventuelles interactions entre les microcellules et la
macrocellule. Nous pourrons aussi adapter le modèle selon les caractéristiques de chacune
de ces cellules, en affectant aux K\ les bonnes valeurs.
Quant aux K\ ils peuvent faire l'objet d'une autre recherche. Nous essaierons dans le futur
de trouver des méthodes pour leur déterminer des valeurs plus appropriées dépendamment
des caractéristiques de la région à desservir et des clients mobiles qui la fréquentent. Il sera
aussi utile de voir l'impact de la variation des écarts entre les Kt sur le système. De plus,
nous pourrons réduire le nombre de ^ de 3 à 1, en classant les services en services en
temps réel et services en temps non réel.
Bibliographie
[ I ] M. Ajmone Marsan, G. Ginella, R. Maglione et M. Meo, « Performance Analysis o f Hierarchical Cellular Networks with Generally Distributed Call Holding Times and Dwell T i m e s » , IEEE Transactions on Wireless Communications, Vol . 3, № 1 , p. 248-257, Janvier 2004
[2] M. Al-Kaidi et O. Alani, « Cell Assignment Management Scheme in Hierarchical Cell Structure » , IEE, p. 232-238, 2003
[3] M. Al-Kaidi et O. Alani, «Ca l i Admission Control for Multitier Networks with Integrated Voice and Data » , International Journal o f Mobile Communications 2007, Vol. 5, №.5 , p. 540-557, 2007
[4] M.E. Anagnostou, G.L. Lyberopoulos et J.G. Markoulidakis, « Traffic Model for third Generation Cellular Mobile Telecommunication systems » , wireless Networks 4, p398-400, 1998
[5] N. Antunes A. Pacheco et R. Rocha, «An Integrated Traffic Model for Multimedia Wireless Networks » , Computer Networks 38, p. 25-41, 2002
[6] F. Ashtiani, A. Jawad et M.R. Aref, «A Flexible Dynamic Traffic Model for Reverse Link C D M A Cellular Networks », IEEE Transactions on Wireless Communications, Vol . 3 , № l , p . 159-164, Janvier 2004
[7] F. Barcelo, I. Martin-Escalona, et J. Casademont, « Teletraffic Simulation o f Cellular Networks: Modelling The Handoff Arrivals and the Handoff Delay » , IEEE Personal Indoor and Mobile Radio Communication, Vol . 5, p.2209-2213, Septembre 2002
[8] F. Barcelo, J. Casademont et I. Martin-Escalona, « Teletraffic Simulation o f Cellular Networks: Modelling the Handoff Arrivals and the Handoff Delay » , IEEE Personal Indoor and Mobile Radio Communication, Vol . 5, p.2209-2213, Septembre 2002
[9] F. Barcelo et J. I. Sanchez, « Probability Distribution o f the Inter-Arrival Time to Cellular Telephony Channels » , IEEE Vehicular Technology Conference, Vol .1 , p.762-766, Mai 1999
[10] D. R. Basgeet, J. Irvine , A. Munrol et M. H. Barton, «Importance o f Accurate Mobility Modeling in TeleTraffic Analysis o f Mobile Environment » , IEEE Vehicular Technology Conference, Vol .3, p. 1836-1840, Avril 2003
[ I I ] R. Beaubrun, «Gest ion de la mobilité et ingénierie de trafic en conception de réseaux mobile de troisième génération», Thèse de doctorat, École polytechnique de
Montréal, Septembre 2002.
[12] C. Bélisle, « Processus de Poisson » , notes de cours, Université Laval, p. 1-26.
[13] M. Biemans, H. Kranenburg et M.M. Lankhorst, « U s e r Evaluations to Guide the Design o f an Extended Personal Service Environment for Mobile Services», IEEE Wearable Computers, p. 94-101, Octobre 2001
[14] G. Boggia, P. Camarda et N. Di Fonzo, « Teletraffic Analysis o f Hierarchical Cellular Communication Networks » , IEEE Transactions on Vehicular Technology, Vol . 52, № 4 , p. 931-946, Juillet 2003
[15] I. Chlamtac et Y. Fang, «Teletraffic Analysis and Mobility Modeling o f PCS Networks » , IEEE Tansactions on Communications, Vol . 47, № 7, p. 1062-1072, Juillet 1999
[16] C.J. Chang, J.H. Lee et F-C. Ren, « Design o f Power Control Mechanisms with PCM Realization for the Uplink o f a DS-CDMA Cellular Mobile Radio System», IEEE Transactions on Vehicular Technology, Vol 45, № 3 , p. 522-530, Août 1996.
[17] F.A. Cruz-Pérez, G. Herandez-Valdez et L. Ortigoza-Guerrero, « Teletraffic Analysis o f Wireless Mobile Communication Systems with Link Adaptation», IEEE Personal Indoor and Mobile Radio Communication, Vol . 2, p. 1446-1450, Septembre 2003
[18] L. Cuo, J. Zhang et C. Maple, « Coverage and Capacity Calculations for 3G Mobile Network Planning » , PostGraduate Networking Conference, p. 1-5, Juin 2003
[19] P. Dassanayake, M, Faulkner et M. M. Zonoozi , « Teletraffic Modelling o f Cellular Mobile Networks » , IEEE Vehicular Technology Conference, Vol . 2, p. 1274-1277, Avril 1996
[20] Y . Fang, « Hyper-Erlang Distribution Model and its Application in Wireless Mobile Networks » , Wireless Networks, Vol . 7, p. 211-219, 2001
[21] H.R. Gail, S.L. Hantler et B.A. Taylor, « Analysis o f a Non-Preemptive Priority Multiserver Queue » , Advances in Applied Probability, Vol . 20, № 4, p. 852-879, Décembre 1988
[22] A. Golaup et H. Aghvami, « A Multimedia Traffic Modeling Framework for Simulation-Based Performance Evaluation Studies » , Computer Networks, Vol . 50, p. 2071-2086, Novembre 2005
[23] J. Guo, F. Liu et Z. Zhu, « Estimate the Call Duration Distribution Parameters in GSM System Based on K-L Divergence Method » , IEEE Wireless Communication
Networking and Mobile Computing, p. 2988-2991, Septembre 2007
[24] H. Harri et A. Toskala, « W C D M A FOR UMTS: Radio Access For Third Generation Mobile Communications», WILEY, 2004
[25] D. Hong et S. S. Rappaport, « Traffic Model and Performance Analysis for Cellular Mobile Radio Telephone Systems with Prioritized and Nonprioritized Handoff Procedures- Version2b » , Rapport de recherche, Community Members' Scholarship, p. 1-31, Juin 1999
[26] LE Consortium, « Instant Messaging», International Engineering Consortium (www.iec.org), p. 1-10, 2005
[27] Y. Ishikawa et N. Umeda, « Capacity Design and Performance o f Call Admission Control in Cellular C D M A Systems», IEEE Journal on Selected Areas in Communications, Vol . 15, № 8, p. 1627-1635, Octobre 1997
[28] J. Jordán et F. Barceló, « Statistical Modelling o f Channel Occupancy in Trunked P A M R Systems » , Elsevier Science B.V., p. 1169-1178, Juin 1997
[29] H. Khedher et S. Tabbane, « Traffic Characterisation for Mobile Networks » , IEEE Vehicular Technology Conference, Vol.3, p. 1485-1489, Septembre 2002
[30] S. Kourtis et R. Tafazolli, « Modelling Cell Residence Time o f Mobile Terminals in Cellular Radio Systems » , Electronics Letters, Vol . 38, p. 52-54, Janvier 2002
[31] S. Kourtis et R. Tafazolli, «Evaluation o f handover related statistics and the applicability o f mobility modelling in their prediction » , IEEE Personal Indoor and Mobile Radio Communication, Vol . 1, p. 665-670, Septembre2000
[32] X. Lagrange et P. Godlewski, « Teletraffic analysis o f a hierarchical cellular network » , IEEE Vehicular Technology Conference, Vol . 2, p. 882-886, Juillet 1995
[33] X. Lagrange, « Réseau mobiles 2G et 3G » , Dép. RSM, ENST Bretagne, Décembre 2004
[34] D. Lam, D.C Cox et J. Widon, « Teletraffic Modeling for Personal Communications Services», IEEE Communications Magazine, Vol . 35, p. 79-87, Février 1997
[35] B. Liang et Z. J. Haas, « Predictive Distance-Based Mobility Management for PCS Networks » , IEEE I N F O C O M 9 9 , Vol. 3, p.1-8, Mars 1999
[36] S-T. Liang et W-H. Sheng, « T h e Mold Mobility Model for Mobile Wireless Networks » , IEEE WICON^05, p. 79-84 , Juillet 2005
[37] I.C.Y. Ma et J. Irvine, « Characteristics o f Wap Traffic » , Wireless Networks, Vol .10, p. 71-81,2004
[38] M. Meo et E. Viterbo, « Performance o f Wideband C D M A Systems Supporting Multimedia Traffic » , IEEE Communications Letters, Vol . 5, № 6, p. 251-253, Juin 2001
[39] J-F. Navienier, « Architecture reconfigurable pour les numérisation du signal radio de récepteur mobile multi-standard » , Électronique et Communications, ENST-COMELEC Communication et Electronique, Février 2003
[40] L. Nuaymi, P. Godewski et X. Lagrange, « Power Allocation and Control for the Downlink in Cellular C D M A Networks » , IEEE Personal Indoor and Mobile Radio Communication, Vol . 1, p. 29-33, Octobre 2001
[41] Observatoire Économique de la Téléphonie mobile, « La téléphonie mobile en France » , IDATE, Mars 2007
[42] S. S. Rapaport et P. V. Orlik, « O n the Handoff Arrival Process in Cellular Communications » , Wireless Networks, Vol . 7,p. 454-459, 2001
[43] Revue d'expertise de l'Association Française des Opérateurs Mobiles, « Mobile et société » , Février 2007
[44] S. M. Ross, « Introduction to Probability Models » , sixième édition, 1998
[45] J. Sanchez et M. Thioume, « UMTS, services, architecture, et W C D M A » , Hermès science, 2001
[46] C. Schindelhauer, « Mobility in Wireless Networks » , Springer-Verlag Berlin Heidelberg, p. 100-116, 2006
[47] B. H. Soong et J. A. Barría, « A Coxian Model for Channel Holding Time Distributon for Teletraffic Mobility Modeling » , IEEE Communication Letters, Vol . 4, № 12, p. 402-404, Décembre 2000
[48] A. Spedalieri, I Martin-Escalona et F. Barcelo, « Simulation Analysis o f Teletraffic Variables in D C A Cellular Networks » , Springer-Verlag Berlin Heidelberg, p. 540-553, 2004
[49] A. Spedalieri, I. Martin-Escalona et F Barcelo, « Simulation o f Teletraffic Variable in UMTS Networks: Impact o f Lognormal Distributed Call Duration » , IEEE Wireless Communications and Networking Conference, Vol . 4, p. 2381-2386, Mars 2005
[50] S. Steiniger, M. Neun et A. Edwardes, « Foundations o f Location Based Services »,
CartouCHe , Lecture Notes on LBS, V. 1, p. 1-27, 2006
[51] R. Tiwari, S. Buse et C. Herstatt, « Mobile Banking as Business Strategy: Impact o f Mobile Technologies on Customer Behaviour and Its Implications for Banks», IEEE Technology Management for the Global Future, Vol . 4, p. 1935-1946. Juillet 2006
[52] S. Tabbane, « Ingénierie des réseaux mobiles » , Hermès science, 2002
[53] S. Tang et W.Li, « Modeling and Analysis o f Hierachical Cellular Networks with Bidirectional Overflow and Take-back Strategies generally distributed Cell Residence Times » , Springer Science, Telecommunication Systems, Vol . 32, p. 72-92, Mai 2006
[54] http://www.umts-forum.org/
[55] J.J. Wang, Z. Song, P. Lei et R.E. Sheriff, « Design and Evaluation o f M-Commerce Applications » , IEEE Communication, p.745-749, Octobre 2005.
[56] S.H Wie, J.S Jang, B-C Shin et D-H Cho, « Handoff Analysis o f the hierarchical cellular System » , IEEE Transactions on Vehicular Technology, Vol . 49, № 5, p. 2027-2036, September 2000
[57] XiTiMonitor, « Visites Internet de téléphonie mobile : comportements, thèmes, marques » , www.xitimonitor.com, Octobre 2006
[58] Y. Xu, « Resource Management and QoS Control in Multiple Traffic Wireless and Mobile Communication Systems » , mémoire, Dép. Génie électrique, Université de Cincinnati, 2005
[59] Y . D . Yao et A.U. H. Sheikh, « Outage Probability Analysis for Microcell Mobile Radio Systems with Cochannel Interferers in Rician/Rayleigh Fading Environment » , Electronic Letters, Vol . 26, № 1 3 , p. 864-866, Juin 1990
гоо-381'6 £00-309'I ооо+зоо'о ооо+зоо'о ZV 100-308'1 £00-39t?'£ ооо+зоо'о ооо+зоо'о II гоо-з^е'б £00-39£'l ооо+зоо'о ооо+зоо'о Ol Ï 00-356' I £00-306'5 ооо+зоо'о ооо+зоо'о 6 Ю0-36£'1 £00-3Z5'Z ооо+зоо'о ооо+зоо'о 8 100-31Ç'1 £00-399'3 ООО+ЗОО'О ооо+зоо'о z ioo-316'г г о о - н и ' 1 ооо+зоо'о ооо+зоо'о 9 100-356'1 £00-35¿'5 ооо+зоо'о ооо+зоо'о 9 юо-зАо'е Z00 -317£'I ооо+зоо'о ооо+зоо'о p ю о - з г е ' е гОО-368'l ооо+зоо'о ооо+зоо'о e Ш0-308> ZOOrQZî'ï w o - a u t ООО+ЗОО'О z Ю0-396> £00"3¿8'9 e o o - 3 i ^ 3 ООО+ЗОО'О l o s s e l o e a s s B i o ces se lo
'[vpqiuvj эр uo ipuo j иэ uouemuns щ эр s ; B ; m s 9 i S 9 q : ¿-y g v x