N° d’inscription : 025.

20/MP2/ISA Année universitaire : 2019-2020

-------------------------------------------------
REPOBLIKAN’I MADAGASIKARA
Fitiavana – Tanindrazana – Fandrosoana

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
-------------------------------------
UNIVERSITE D’ANTANANARIVO
-------------------------------------
ECOLE SUPERIEURE POLTECHNIQUE D’ANTANANARIVO
-------------------------------------
DOMAINE : SCIENCES DE L’INGENIEUR
-------------------------------------
GRADE : MASTER
-------------------------------------
MENTION : INGENIERIE DES SYSTEMES AVANCES
-------------------------------------
PARCOURS A VISEE DE RECHERCHE EN INGENIERIEDES SYSTEMES DES
COMMUNICATIONS AVANCEES
-------------------------------------
Mémoire en vue de l’obtention du diplôme de Master, Parcours à visée de recherche en
Ingénierie des systèmes descommunications avancées

OPTIMISATION DES PERFORMANCES EN

5G
Présenté par : RAKOTOASIMBOLA Christian Jean Patrick
Soutenu le : 29 Décembre 2023 à 8h, devant les Membres du Jury composés de :

Président de Jury : Monsieur ANDRIAMANOHISOA HeryZo, Professeur

Examinateurs : Monsieur ROBINSON MatioHobihery, Maitre de Conférences HDR,Enseigna

à L’ESPA
: Madame RAKOTONDRAJAO Fanja, Professeure, Enseignante à L’ESPA
: Monsieur RANDRIAMAMONJY LiantsoaJoharinirina, Docteur, Enseignant
à L’ESPA
Directeur de mémoire : Monsieur RAVALIMINOARIMALALASON Toky Basilide, Docteur HDR,
Enseignant à l’ESPA
 N° d’inscription : 025.20/MP2/ISA Année universitaire : 2019-2020

REPOBLIKAN’I MADAGASIKARA
Fitiavana – Tanindrazana – Fandrosoana

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
-------------------------------------
UNIVERSITE D’ANTANANARIVO
-------------------------------------
ECOLE SUPERIEURE POLTECHNIQUE D’ANTANANARIVO
-------------------------------------
DOMAINE : SCIENCES DE L’INGENIEUR
-------------------------------------
GRADE : MASTER
-------------------------------------
MENTION : INGENIERIE DES SYSTEMES AVANCES
-------------------------------------
PARCOURS A VISEE DE RECHERCHE EN INGENIERIE DES SYSTEMES DES
COMMUNICATIONS AVANCEES
-------------------------------------
Mémoire en vue de l’obtention du diplôme de Master, Parcours à visée de recherche en
Ingénierie des systèmes descommunications avancées

OPTIMISATION DES PERFORMANCES EN

5G
Présenté par : RAKOTOASIMBOLA Christian Jean Patrick
Soutenu le : 29 Décembre 2023 à 8h, devant les Membres du Jury composés de :

Président de Jury : Monsieur ANDRIAMANOHISOA HeryZo, Professeur

Examinateurs : Monsieur ROBINSON MatioHobihery, Maitre de Conférences HDR,Enseigna

à L’ESPA
: Madame RAKOTONDRAJAO Fanja, Professeure, Enseignante à L’ESPA
: Monsieur RANDRIAMAMONJY LiantsoaJoharinirina, Docteur, Enseignant
à L’ESPA
Directeur de mémoire : Monsieur RAVALIMINOARIMALALASON Toky Basilide, Docteur HDR,
Enseignant à l’ESPA
 TENY FISAORANA

Tsytontosamihitsyity asa
ityrahatsynohonyfanampian’AndriamanitraTsitohaizaynanomeahyherysyherim-po,
nohonyfitahianysynyfiantrany no nahafahakonanolotraity asa ityandroany.

Faly tokoaahomanehonyfisaoranafenomitafotafo ho an'i:

 Andriamatoa RAVELOMANANA Mamy Raoul, Profesora, Filohan’ny

Oniversiten’Antananarivo;
 Andriamatoa RAKOTOSAONA Rijalalaina, Profesora, Talen’nySekoly
Polytechnique Antananarivo (ESPA) ;
 AndriamatoaROBINSON Matio, Mpampianatra ao amin'ny ESPA
arylehiben'nySampam-pianarana Ingénierie des Systèmes Avancées (ISA);
 AndriamatoaRAVALIMINOARIMALALASON Toky Basilide,
DokoteraAfakaMitarikaFikarohana, Talen’nyfikarohana;
 AndriamatoaFilohan’ny Jury,AndriamatoaANDRIAMANOHISOA
HeryZoProfesora,Mpampianatra ao amin’ny ESPA;
 AndriamatoaRAKOTONDRAJAO Fanja,Profesora, Mpampianatra ao
amin’nyESPA;
 AndriamatoaROBINSON Matio Hobihery, Dokotera, Mpampianatraaoamin’ny
ESPA;
 AndriamatoaRANDRIAMAMONJY Liantsoa Johary, Dokotera,
Mpampianatraaoamin’ny ESPA;
 IreoMpampianatrarehetraaoamin’nysampam-pianarana ISA.
 Ny ray aman-drenikoizaynanohanaahyara-bola syara-
moralynandritranytaonamaronianarakosynandritranyfanatanterahanaityasaity.
 Ny namakosynyfianakaviakonohonyfanohananasynyfanampiany.

i
 REMERCIEMENTS

Ce travail n’aurait jamais pu être mené à son terme, sans l’aide de Dieu tout puissant qui m’a
donné force et courage, c’est grâce à sa bénédiction et sa bienveillance que je peux présenter
cet ouvrage aujourd’hui.

Je tiens ici à adresser l’expression de mes chaleureux et profonds remerciements à :

 Monsieur RAVELOMANANA Mamy Raoul, Professeur titulaire, Président de

l’Université d’Antananarivo ;
 Monsieur RAKOTOSAONA Rijalalaina, Professeur titulaire, Directeur de l’Ecole
Supérieure Polytechnique d’Antananarivo (ESPA) ;
 Monsieur le Président du Jury,Monsieur ANDRIAMANOHISOA HeryZo,
Professeur à l’ESPA ;
 Monsieur RAKOTONDRAJAO Fanja, Professeure, Enseignante à l’ESPA ;
 Monsieur ROBINSON Matio, Maître de conférences à l’ESPA et Chef de la Mention
Ingénierie des Systèmes Avancées (ISA) ;
 Monsieur RAVALIMINOARIMALALASON Toky Basilide, Docteur
HDR,Directeur de mémoire ;
 Monsieur RANDRIAMAMONJY Liantsoa Johary, Docteur, Enseignant à l’ESPA ;
 Tous les Enseignants de la Mention ISA.
 Mes parents qui m’ont soutenu et assisté financièrement et moralement durant mes
années d’études et tout au long de la réalisation de cet ouvrage.
 Mes amis et famille pour leur soutien et leur aide.
 Tous ceux qui, de près ou de loin, ont contribué à la réalisation de ce mémoire de fin
d’études.

ii
 TABLE DES MATIERES

TABLE DES MATIERES........................................................................................................ III

LISTE DES FIGURES ET TABLEAUX................................................................................ VII
LISTE DES ABREVIATIONS ET NOTATIONS .................................................................. IX
INTRODUCTION GENERALE ET POSITION DU PROBLEME .......................................... 1
CHAPITRE I : ETATS DE L’ART SUR LE PANORAMA DE LA TECHNOLOGIE 5G ..... 2
I.1. Définition.......................................................................................................................... 2
I.2. Evolution des générations mobiles ................................................................................... 3
I.3. La carte SIM ..................................................................................................................... 3
I.4. Le concept cellulaire ........................................................................................................ 4
I.4.1. La première génération ............................................................................................. 4
I.4.2. La deuxième génération (2G) ................................................................................... 6
I.4.3. La troisième génération 3G ...................................................................................... 7
I.4.4. La quatrième génération (4G) .................................................................................. 7
I.4. La cinquième Génération (5G) ......................................................................................... 8
I.4.1. Introduction .............................................................................................................. 8
I.4.2. Comparaison entre 4G et 5G .................................................................................. 10
I.4.3. Applications visées pour le réseau de 5G............................................................... 12
I.4.4. Les fréquences utilisées dans la 5G........................................................................ 12
I.4.4.1. Le FR1 ou bien sub 6 GHz ...............................................................................13
I.4.4.2. La bande millimétrique, le FR2........................................................................14
I.4.5. Les avantages de la 5G ........................................................................................... 15
I.5 Technologies émergentes pour réseaux 5G ..................................................................... 16
I.5.1. Bemforming............................................................................................................ 16
I.5.2. Milimiter Waves ..................................................................................................... 17
I.5.3. Massive MIMO ...................................................................................................... 17
I.5.4. Multiplexage NOMA ............................................................................................. 19
I.5.5. Un duplex plein (Full duplex) ................................................................................ 19
I.5.6. La technologie NR ................................................................................................. 20
I.5.7. Internet des objets (IoT) ......................................................................................... 20
CHAPITRE II : ETATS DE L’ART SUR L’EXPLORATION DES STRATEGIES 5G POUR
SURMONTER LES OBSTACLES ET GERER LES DEFIS DE MOBILITE ....................... 22
II.1. Définition ...................................................................................................................... 22

iii
 II.2. Réseaux linéaires d’antennes ........................................................................................ 22
II.2.1. Architecture d’un réseau linéaire d’antennes ........................................................ 23
II.2.2. Analyse théorique ................................................................................................. 24
II.3. Réseaux planaires d’antennes ....................................................................................... 25
II.3.1. Architecture d’un réseau planaire d’antennes ....................................................... 25
II.3.2. Analyses théoriques .............................................................................................. 25
II.4. Modèle d’un réseau circulaire d’antennes..................................................................... 26
II.4.1. Analyse théorique ................................................................................................. 27
II.5. MIMO (Multiple-Input/Multiple-Output) ..................................................................... 30
II.5.1. Principe de la technique MIMO ............................................................................ 30
II.5.2. Types de MIMO .................................................................................................... 30
II.6. Le beamforming ............................................................................................................ 33
II.6.1. Beamforming numérique ...................................................................................... 34
II.6.2. Beamforming analogique ...................................................................................... 34
II.6.3. Beamforming hybride ........................................................................................... 35
II.7. Caractéristiques fondamentales de l’onde millimétrique .............................................. 36
II.7.1. Une large bande passante ...................................................................................... 36
II.7.2. Courte longueur d’onde ........................................................................................ 36
II.7.3. Perte de propagation.............................................................................................. 37
II.7.4. Atténuation par la pluie......................................................................................... 37
II.7.5. Directivitée ............................................................................................................ 38
II.7.6. Sensibilité au blocage............................................................................................ 38
II.7.7. Absorption atmosphérique .................................................................................... 39
II.7.8. Perte de pénétration ............................................................................................... 40
II.8. Autres solutions technologiques en 5G......................................................................... 41
II.8.1. Optimisation de la connectivité 5G....................................................................... 41
II.8.2. Innovations technologiques en 5G ........................................................................ 41
II.9. Limitations et faiblesses ................................................................................................ 42
II.10. Conclusion .................................................................................................................. 43
III.1. INTRODUCTION ........................................................................................................... 44
III.2. LIMITATIONS DES MMWAVES EN MOBILITE ÉLEVEE ...................................... 44
III.2.1. Portée limitée et Sensibilité aux Obstacles .......................................................... 45
III.2.2 Impact des mouvements rapides des drones sur les mmWaves ........................... 45
III.2.3 Contraintes atmosphériques et ligne de vue directe ............................................. 45

iv
III.3. INTEGRATION DES RELAIS INTERNES POUR CONTOURNER LES
LIMITATIONS......................................................................................................................... 46
III.3. Optimisation de l'Algorithme SINR en 5G ............................................................ 48
III.3.1. Importance du Signal-to-Interference-plus-Noise Ratio (SINR) ......................... 48
III.3.2. Enjeux liés à la qualité du signal dans des conditions de mobilité intense.......... 48
III.3.3. Méthodes d'optimisation de l'algorithme SINR : la programmation linéaire
comme solution................................................................................................................ 49
III.4. SINR Standard ............................................................................................................. 49
III.4.1. Caractéristiques des Réseaux 5G en Mobilité Élevée ......................................... 49
III.4.2. Interférences dans les Réseaux 5G ...................................................................... 49
III.4.3. Optimisation du SINR dans les Fréquences Traditionnelles ............................... 49
III.4.4. Limitations du SINR Standard en Mobilité Élevée ............................................. 50
III.5. SINR Amélioré en Utilisant les mmWaves ................................................................. 50
III.5.1. Implémentation au Niveau du Récepteur ............................................................ 50
III.5.2. Implémentation au Niveau de la BTS.................................................................. 51
III.5.4 Programmation Linéaire pour Optimiser le SINR avec les mmWaves ................ 51
III.6. Utilisation de la Programmation Linéaire pour Améliorer le SINR avec les mmWaves
.............................................................................................................................................. 51
III.6.1. Modélisation du Problème ................................................................................... 51
III.6.2. Formulation Mathématique ................................................................................. 52
III.6.3. Résolution du Problème d'Optimisation .............................................................. 53
III.6.4. Formatage des Résultats ...................................................................................... 56
III.7. Conclusion ................................................................................................................... 58
CHAPITRE IV : SIMULATION, RESULTATS ET DISCUSSION....................................... 59
IV.1. Introduction à la Simulation ........................................................................................ 59
IV.1.1. Objectifs de la Simulation ................................................................................... 59
IV.1.2. Méthodologie de Simulation ............................................................................... 61
IV.3. Résultats de Simulation et Mesures Mathématiques ................................................... 66
IV.5 Modélisation de la Transmission de Drone dans un Stade avec Relais Interne ........... 71
IV.6 Simulation de l'Algorithme SINR Optimisé ................................................................. 73
IV.7 Optimisation du SINR avec Programmation Linéaire : Intégration de Variables Clés 80
IV.8 Discussion des Résultats............................................................................................... 83
IV.9 Conclusion .................................................................................................................... 84

CONCLUSION GENERALE ET PERSPECTIVES ............................................................... 84

v
REFERENCES BIBLIOGRAPHIQUES ..................................................................................... I

vi
 LISTE DES FIGURES ET TABLEAUX

1. Liste des figures

Figure I.1 Evolution des générations mobiles ............................................................................ 3
Figure I.2 Concept d’une cellule GSM ....................................................................................... 4
Figure I.3 Les bandes des fréquences ......................................................................................... 8
Figure I.4 L’évolution de la téléphonie mobile ........................................................................ 10
Figure I.5 La comparaison entre 4G et 5G ............................................................................... 11
Figure I.6 : Les deux gammes de fréquences de la 5G (fr1,fr2) ............................................... 13
Figure I.7 Les fréquences utilisées dans la 5G ......................................................................... 14
Figure I.8 Les avantages de la 5G ............................................................................................ 15
Figure I.9 Technologies Émergentes Pour réseaux 5G ............................................................ 16
Figure I.10 Découpage en tranches du réseau 5G .................................................................... 16
Figure I.11 Technologie Bemforming ...................................................................................... 17
Figure I.12 Massive mimo ........................................................................................................ 18
Figure I.13 Multiplexage NOMA ............................................................................................. 19
Figure I.14 Duplex plein (Full duplex) ..................................................................................... 20
Figure I.15 Conception de internet of objet dans system 5G ................................................... 21
Figure II.1 Architecture d’un réseau linéaire d’antennes ......................................................... 23
Figure II.2 Structure d’un réseau planaire d’antennes .............................................................. 25
Figure II.3 Structure d’un réseau circulaire d’antennes ............................................................ 27
Figure II.4 Le principe de la technique MIMO [II.04] ............................................................. 30
Figure II.5 SISO -Signal Input Signal Output [II.04] ............................................................... 31
Figure II.6 MISO-Multiple Input Signal Output [II.05] ........................................................... 32
Figure II.7 MIMO-Multiple Input Multiple Output [II.05] ...................................................... 32
Figure II.8 Système de communication MIMO massif Multi utilisateur [II.06] ...................... 33
Figure II.9 Beamforming numérique ........................................................................................ 34
Figure II.10 Beamforming analogique ..................................................................................... 35
Figure II.11 Schéma bloc du beamforming hybride ................................................................. 35
Figure II.12 Illustration des longueurs d’onde d’un signal de 60GHz et de 3GHz par rapport à
une goutte de pluie du 2mm de diamètre .................................................................................. 38
Figure II.13 Blocage humain de la communication entre un émetteur et le récepteur ............. 39
Figure II.14 Atténuation spécifique de l0O2, de l0H2O et de la pluie au niveau de ................. 39

vii
2. Liste des tableaux

Tableau I.1 Tableau qui présent les informations de carte SIM ................................................. 3
Tableau I.2 Débits des réseaux 3G ............................................................................................. 7
Tableau I.3 Vitesses permises par les différentes générations de réseaux................................ 10
Tableau II.1 Comparaison des pertes de pénétration pour différents environnement .............. 40

viii
 LISTE DES ABREVIATIONS ET NOTATIONS

1- Minuscules latines

𝐶𝑛 : Amplitude d’excitation de la source 𝑛

𝐶𝑛 : Coefficients de pondérations en amplitude et phase de la n-ème

élément

𝑟𝑛 : Distance du point d’observation par rapport à la source

h : Coefficient complexe de canal fixe ou aléatoire

k : Nombre d’onde 2𝜋 / 𝜆

2- Majuscules latines

𝐻𝑖𝑗 Gain de canal entre l'utilisateur i

𝐻𝑖𝑗 Gain de canal entre l'utilisateur i et la ressource j dans la matrice H

𝑃 puissance reçue et la puissance émise

𝑃𝑖 Puissance allouée à l'utilisateur i

𝑃𝑗 Puissance allouée à l'utilisateur j

𝑃𝑟 sont respectivement la puissance reçue et la puissance émise

Distance entre le n-ème élément et le point d’observation

𝑅𝑛

3- Minuscules grecques

𝜃 : Cordonnées sphériques

⋋ : Longueur d’onde de fonctionnement de la transmission

ix
4- Majuscules grecques

∅ : Cordonnées sphériques

𝜓𝑛 : Phase de la source 𝑛

Coefficients de pondérations en amplitude et phase de la n-ème

𝜓𝑛 :
élément

Ω𝓉Ω𝓇 : Gain d’antenne du récepteur et de l’émetteur respectivement

5- Notations spéciales

1G, 2G, 3G,4G et Première, deuxième, troisième, quatrième et cinquième génération en

5G réseaux de téléphonie mobile

mmWave Millimeter wave

𝑃_𝑚𝑎𝑥 Puissance maximale allouée

𝑓𝑛(𝜃, ∅) Fonction caractéristique du diagramme rayonnement de la source 𝑛

FR1,FR2
Frequency Range 1, Frequency Range 2

6- Abréviations

AMPS : Advanced Mobile Phone System

AF : Array Factor

BBU : Baseband Unit

BER : Bit Error Rate

BS : Base station

C-RAN : Cloud Radio Access Network

CDMA : Code Division Multiple Acces

x
CKSN : Ciphering Key SequenceNumber

D2D : Device-to-Device

EDGE : Enhanced Data GSM Environment

FDMA : Frequency Division Multiple Access

GSM : Global System for Mobile Communications

GPRS : General Packet Radio Service

GHz : Gigahertz

Gbps : Gigabits par seconde

HD : High Definition

HLR : Home Location Register

HSPA+ : High-Speed Packet Access Plus

IMSI : International Mobile Subscriber Identity

IoT : Internet of Things

IdO : Internet des objets

IEEE : Institute of Electrical and Electronics Engineers

LTE : Long Term Evolution

𝑀 : Nombre de ressources

MNC : Mobile Network Code

MCC : Mobile Country Cod

MSISDN : Mobile Station International Subscriber Directory Number

MIMO : Multiple-Input Multiple-Output

xi
MBB : Mobile Broad Band

M2M : Machine-to-Machine

MISO : Sortie unique à entrées multiples

MU-MIMO : Multi-User Multiple Input, Multiple Output

mMTC : massive Machine Type Communications

NR : New Radio

𝑁 : Nombre d'utilisateurs

NFV : Network FonctionVirtualisation

NMT
Nordic Mobile Téléphonie

PLMN : Public Land Mobile Network

PUK : PersonalUnblocking Key

PIN : Personal Identification Number

QAM : Quadrature Amplitude Modulation

RAT : Radio Access Technology

SDN : Software-Defined Networking

SISO : Single Input Single Output

SCMA : Sparse Code Multiple Accès

SIMO : Single Input, Multiple Output

SNOI : Single Network Operator Identifier

SOI : Silicon-on-Insulator

SIM : Subscriber Identity Module

xii
TMSI : Temporary Mobile Subscriber Identity

TACS : Total Access Communications System

TDMA : Time Division Multiple Access

UMTS : Universal Mobile Telecommunications System

US : United States

uRLLC : ultra Reliable Low latency Communication

UDN : Ultra Dense Network

UDN :
Ultra Dense Network

VGA : Video Graphics Array

VoIP : Voice over Internet Protocol

WAP : Wireless Application Protocol

W-CDMA : Wideband Code Division Multiple Access

xiii
 INTRODUCTION GENERALE ET POSITION DU PROBLEME

L'avènement de la technologie 5G a marqué une avancée majeure dans le domaine des

communications sans fil. Cette nouvelle génération de réseaux mobiles promet des capacités
accrues, une latence minimale et une fiabilité exceptionnelle. Cependant, pour que ces
promesses se concrétisent pleinement, il est essentiel d'évaluer et d'améliorer les performances
des réseaux 5G dans divers scénarios, en particulier dans des conditions de mobilité. C'est
dans ce contexte que s'inscrit notre étude.

Position du Problème :

L'utilisation croissante de la 5G pour les diffusions en direct par drones lors d'événements
sportifs a ouvert la voie à une expérience immersive pour les spectateurs. Cependant, les défis
surgissent lors des mouvements rapides des drones lors de la capture de matchs de football en
direct, utilisant les ondes millimétriques. Ces ondes, malgré leur haut débit, présentent des
limitations de mobilité et d'obstruction. L'atténuation du signal, la pénétration limitée à travers
les obstacles physiques comme les structures en béton des stades, et la sensibilité aux
conditions météorologiques altèrent la stabilité de la diffusion. De plus, la nécessité d'une
ligne de vue directe entre le drone et la station de base pose problème lors de mouvements
brusques. Pour pallier ces défis, un relais est implanté à l'intérieur du stade pour servir
d'interface entre la station de base extérieure (BTS) et le drone. L'amélioration de cette liaison
passe par l'intégration du SINR (Signal to Interference plus Noise Ratio) reprogrammé dans
un autre troisième dispositif, renforçant ainsi la communication entre le drone et le relais,
garantissant une diffusion fluide et de haute qualité des matchs de football filmés par les
drones.Notre étude s'articule autour de quatre chapitres distincts. Tout d'abord, le premier
chapitre se concentre sur l'état de l'art de la technologie 5G, explorant en profondeur ses
avancées et ses capacités dans les communications sans fil. Ensuite, le deuxième chapitre
examine les stratégies spécifiques de la 5G visant à dépasser les limitations de mobilité,
particulièrement lors des diffusions en direct par drone, comme celles des matchs de football,
utilisant les ondes millimétriques. Le troisième chapitre se penche sur l'optimisation des
performances, mettant en lumière les algorithmes tels que le SINR (Signal to Interference plus
Noise Ratio) pour améliorer la qualité des transmissions 5G. Enfin, le quatrième chapitre
concerne la simulation, les résultats et la discussion, où des simulations seront réalisées pour
évaluer l'efficacité des stratégies étudiées, suivies d'une analyse approfondie des conclusions
tirées de ces résultats ainsi que des implications pratiques découlant de ces découvertes

1
CHAPITRE I : ETATS DE L’ART SUR LE PANORAMA DE LA TECHNOLOGIE 5G

I.1. Définition

Un réseau mobile est un système de télécommunication qui permet la communication sans fil
entre les appareils mobiles tels que les téléphones portables, les tablettes et les ordinateurs
portables. Il offre une connectivité sans fil à travers des infrastructures de communication
spécifiquement conçues pour prendre en charge les communications mobiles[I.01].
Un réseau mobile est composé de plusieurs éléments clés, notamment :
 Stations de base (ou antennes-relais) : Ce sont des équipements installés à différents
endroits pour fournir une couverture radio aux utilisateurs mobiles. Les stations de
base transmettent et reçoivent des signaux radio pour permettre la communication
entre les appareils mobiles et le réseau [I.01].
 Tours cellulaires : Ce sont des structures qui abritent les antennes-relais et d'autres
équipements nécessaires pour le bon fonctionnement du réseau mobile. Les tours
cellulaires sont réparties géographiquement pour couvrir une zone étendue et assurer
une connectivité cohérente [I.01].
 Infrastructure centrale : Elle comprend les commutateurs, les routeurs et les
serveurs qui assurent la gestion du réseau mobile. Ces éléments permettent le routage
des appels, des messages et des données entre les différentes stations de base et vers
les réseaux externes tels que l'Internet.
 Cartes SIM (Subscriber Identity Module) : Ce sont de petites cartes insérées dans
les appareils mobiles qui permettent l'identification et l'authentification des abonnés.
Les cartes SIM contiennent des informations spécifiques à l'abonné, telles que le
numéro de téléphone et les données d'authentification[I.02].
 Protocoles de communication : Les réseaux mobiles utilisent des protocoles
spécifiques pour gérer les communications. Les protocoles les plus couramment
utilisés sont le GSM (Global System for Mobile Communications) et ses évolutions
(3G, 4G, 5G), qui définissent les normes et les spécifications pour la communication
mobile[I.02].
Grâce à un réseau mobile, les utilisateurs peuvent effectuer des appels téléphoniques, envoyer
des messages texte, accéder à Internet, utiliser des applications et bénéficier d'autres services
de communication à distance. Les réseaux mobiles sont essentiels pour assurer la connectivité
et la mobilité des utilisateurs dans un large éventail d'environnements, que ce soit en zone

2
urbaine, rurale ou dans des déplacements. Les réseaux mobiles sont tous basés sur ce concept
de cellule, c’est pourquoi ils sont aussi appelés réseaux cellulaires[I.01] [I.02].

I.2. Evolution des générations mobiles

Figure I.1 Evolution des générations mobiles

I.3. La carte SIM

La carte SIM est une carte à puce à microprocesseur, qui s'insère dans un terminal dont
l'identification s'effectue exclusivement par celle-ci. La principale fonction de la carte SIM est
de contenir et de gérer un certain nombre d'informations, elle se comporte donc comme une
mini base de données[I.01]. On peut résumer ces informations dans le tableau ci-dessous :

Tableau I.1 Tableau qui présent les informations de carte SIM

Paramètres Commentaires
Données administratives
PIN / PIN2 Mot de passe demandé à chaque connexion
PUK / PUK2 Code pour débloquer une carte
Langue Langue choisie par l’utilisateur
Données liées à la sécurité
La clé 𝐾𝑖 Valeur unique, connue par la SIM et le HLR
CKSN Séquence de chiffrement
Données relatives à l’utilisateur
IMSI Numéro international de l’abonné
MSISDN Numéro d’appel d’un téléphone GSM
Données de roaming
TMSI Numéro attribué temporairement par le réseau à un abonné
Localisation updating status Indique si une à jour de la localisation est nécessaire
Données relatives au réseau
Mobile Country Cod (MCC) Identifiant du pays de l’abonné
Mobile Network Code (MNC) Identifiant du réseau de l’abonné
Numéros de fréquence absolus Fréquence utilisée par le PLMN

3
 I.4. Le concept cellulaire

Au début de la téléphonie mobile, le but était d’atteindre une grande surface avec une
seuleantenne puissante, située de préférence sur une grande tour. Avec ce système il était
impossible de réutiliser les fréquences sur la surface couverte par l’antenne et par conséquent
le nombre d’usagers était limité. Le concept cellulaire a beaucoup apporté dans le design des
réseaux pour résoudre le problème de l’encombrement du trafic et pour permettre à
l’opérateur d’utiliser les fréquences à disposition avec plus d’efficacité[I.01] [I.02]. Avec ce
concept nous admettons qu’une cellule sert une surface beaucoup plus petite à l’aide d’une
station de base. Le nombre de canaux alloué à une station représente seulement une portion de
tous les canaux alloués au système complet. Un canal est en général composé d’une
fréquence. Les stations voisines les unes des autres ont droit à des canaux différents pour
qu’elles ne s’empiètent pas. Par contre nous pouvons utiliser des canaux (fréquences)
identiques si deux cellules sont suffisamment éloignées l’une de l’autre. Ceci permet ainsi de
résoudre le problème de l’encombrement, ou en d’autres termes un plus grand nombre
d’utilisateurs pourra faire usage du téléphone cellulaire simultanément. Plus le nombre de
cellules est grand pour une surface donnée, plus le nombre d’utilisateurs pourra être grand
également. La puissance d’émission doit être adaptée à la dimension de la cellule[I.03].
A la campagne les cellules sont de dimension plus importante étant donnée le faible nombre
d’utilisateurs.
La planification des fréquences consiste à attribuer des fréquences (canaux) à des cellules.
Nous pouvons utiliser un même ensemble de canaux pour des cellules suffisamment
éloignées. On parle alors de « réutilisation de fréquences »[I.04].

Figure I.2 Concept d’une cellule GSM

I.4.1. La première génération

La première génération (1G) des systèmes cellulaires fait référence aux premiers réseaux de
téléphonie mobile analogiques qui ont été déployés dans les années 1980. Ces systèmes

4
étaient principalement basés sur la technologie AMPS (Advanced Mobile Phone System) en
Amérique du Nord et NMT (Nordic Mobile Telephone) en Europe[I.01].
Les réseaux 1G permettaient principalement des communications vocales analogiques sans fil.
Ils étaient caractérisés par une qualité audio inférieure, des capacités limitées en termes de
capacité du réseau et de nombre d'utilisateurs, ainsi que des fonctionnalités de sécurité
limitées. Les appareils mobiles 1G étaient relativement volumineux et ne proposaient que des
fonctionnalités de base, telles que les appels téléphoniques[I.01] [I.03].
Les réseaux 1G ont jeté les bases de la technologie mobile et ont marqué le début de la
communication sans fil à grande échelle. Cependant, en raison de leurs limitations
technologiques, ils ont été rapidement remplacés par les réseaux de deuxième génération (2G)
qui ont introduit des améliorations significatives en termes de qualité audio, de capacité du
réseau et de nouvelles fonctionnalités telles que l'envoi de SMS[I.02].
La première génération de systèmes cellulaires (1G) utilisait essentiellement les standards
suivants :
AMPS (Advanced Mobile Phone System), lancé aux Etats-Unis, est un réseau analogique
reposant sur la technologie FDMA (Frequency Division Multiple Access).
NMT (Nordic Mobile Téléphonie) a été essentiellement conçu dans les pays nordiques et
utilisés dans d’autres parties de la planète. TACS (Total Access Communications System), qui
repose sur la technologie AMPS, a été fortement utilisé en Grande Bretagne. 1G fait référence
à la première génération de technologie sans fils cellulaire (téléphonie mobile). Ce sont des
normes de télécommunications analogiques qui ont été introduites dans les années 1980 et qui
ont été déployées jusqu'à ce qu'elles soient remplacées par la télécommunication numérique 2
G[I.02] [I.03]. La différence entre les deux technologies c’est le type de leur signal, la
première est basée sur un réseau analogique et l’autre sur un réseau numérique. Dans Les
années 80 : La 1ère génération des téléphones mobiles a débuté dans le début des années 80
en offrant un service médiocre de communication mobile, médiocre mais très couteux. La 1G
avait beaucoup de défauts : Des normes incompatibles d'une région à une autre, une
transmission analogique non sécurisée (on pouvait écouter les appels), pas de roaming vers
l'international (roaming est la possibilité de conserver son numéro sur un réseau autre que
celui de son opérateur). Les limites de la technologie 1G sont [I.04]:
 Une très mauvaise qualité de son.
 Une couverture limitée.
 faible sécurité pas de support de cryptage La 1G présente toutefois de nombreux
défauts: service de communication mobile médiocre, non sécuritaire (appels non

5
 cryptés) et coûteux. Le réseau 1G a commencé à céder la place à la 2G dans de
nombreux pays vers la fin des années 80.
Il est désormais obsolète. Dotée d’un débit de transmission de 9,6 kbps maximum (GSM).

I.4.2. La deuxième génération (2G)

La deuxième génération (2G) du GSM (Global System for Mobile Communications) est une
technologie de réseau de téléphonie mobile qui a succédé à la première génération (1G) des
réseaux analogiques. Les réseaux 2G ont été introduits dans les années 1990 et ont apporté
des améliorations significatives par rapport à leurs prédécesseurs [I.02].
Le GSM 2G a introduit la transmission numérique des signaux vocaux, ce qui a permis une
meilleure qualité audio et une plus grande capacité du réseau. Il a également permis l'envoi de
messages textuels courts (SMS) et a introduit des fonctionnalités de sécurité supplémentaires,
telles que le chiffrement des communications.
Les réseaux 2G ont principalement été conçus pour la transmission vocale, bien que des
services de données à bas débit, tels que la navigation WAP (Wireless Application Protocol) et
les courriels, aient également été possibles [I.02].
Cependant, les réseaux 2G avaient des limitations en termes de vitesse de transmission des
données, ce qui les rendait moins adaptés aux applications gourmandes en bande passante,
comme la vidéo en streaming ou la navigation Internet rapide. La deuxième génération de
systèmes cellulaires (2G) utilise essentiellement les standards suivants [I.01] [I.03] :
a. GSM (2G) (Global System for Mobile) : Est une technologie de téléphonie mobile
numérique 2G Permettant l’envoi des SMS et MMS et l’échange de voix, le débit
maximum du GSM est alors de 9,6 Kbts avec un débit moyen équivalant [I.02].
*CDMA (Code Division Multiple Access) : est une technologie 2G développée par
Qualcomm qui passe à la 3G.
*TDMA (Time Division Multiple Access) : Faible consommation de batterie, mais la
transmission est unidirectionnelle et sa vitesse est pâle à côté des technologies 3G.
b. GPRS(General Packet Radio Service) : 2,5G est un système mobile intermédiaire
entre la 2G et la 3G (débits inférieurs à 100 kbit/s). Il est possible, avec celui-ci,
d'échanger desdonnées (SMS, data, appels…) avec un débit théorique maximal de
171,2 Kb/s par seconde.
c. EDGE(EnhancedData GSM Environmen) :2,75G, Peut être une solution temporaire
pourles opérateurs incapables d'obtenir des licences W-CDMA. Le débit peut ici
atteindre les 384Kb/s par seconde. Cette norme est évoquée comme une « pré-3G ».

6
La principale différence entre la 1G et la 2G réside sur le type de leurs signaux la première est
basée sur un signal analogique tandis que la deuxième se base sur un signal numérique.

I.4.3. La troisième génération 3G

La troisième génération (3G) des réseaux de communication mobile GSM (Global System for
Mobile Communications) est une technologie qui a été introduite pour offrir des services de
communication plus avancés par rapport aux réseaux de deuxième génération (2G) existants.
Les réseaux 3G permettent des vitesses de transmission de données plus élevées, ce qui
facilite des fonctionnalités telles que la navigation sur Internet, le streaming de vidéos et les
appels vidéo. Ils offrent également une meilleure qualité audio lors des appels téléphoniques.
La technologie 3G a été une étape importante dans l'évolution des réseaux de téléphonie
mobile et a préparé la voie aux développements ultérieurs, tels que la 4G[I.01] [I.02].
Réseau 3G+, H+ et H+ Dual Carrier :
La 3G a connu trois améliorations successives avec la 3G+ (aussi appelée HSPA), le H+
(HSPA+) et le H+ Dual Carrier (DC-HSPA+). Il s'agit d'évolutions de l'UMTS visant à
bénéficier de meilleurs débits :

Tableau I.2 Débits des réseaux 3G

Débits (Mbits/s) réseau

3.6 3G+
5 H+
10 H++

I.4.4. La quatrième génération (4G)

La quatrième génération (4G) des réseaux de téléphonie mobile, telle que la LTE (Long Term
Evolution), est une technologie qui a succédé à la troisième génération (3G). Les réseaux 4G
ont été développés pour fournir des performances plus rapides, une meilleure qualité de
service et une connectivité améliorée par rapport aux réseaux 3G[I.02].
Les réseaux 4G offrent des vitesses de transmission de données plus élevées, permettant des
activités gourmandes en bande passante telles que le streaming vidéo HD, le téléchargement
rapide de fichiers et la navigation Internet fluide. Ils ont également permis l'émergence de
nouvelles applications et services tels que la réalité virtuelle et augmentée, l'IoT (Internet of
Things) et les communications VoIP (Voice over IP)[I.02].

7
Les réseaux 4G se sont également avérés plus efficaces en termes de gestion des ressources
réseau et de réduction de la latence, offrant ainsi une meilleure expérience utilisateur dans des
environnements à forte densité de trafic[I.04].
Il est important de noter que la technologie 4G est rétrocompatible avec les réseaux 3G, ce qui
signifie que les appareils 4G peuvent également se connecter aux réseaux 3G si nécessaire.
La 4G est basée sur la norme LTE (Long Term Evolution) dont le débit théorique atteint
les150 Mbit/s.
Quelles fréquences ? Depuis l’avènement de la 4G LTE, choisir un téléphone n’est plus aussi
anodin. Pour bénéficier d’une connexion optimale, c’est-à-dire pour avoir toutes les chances
decapter et pour obtenir les meilleurs débits, il faut marier téléphone et opérateur[I.02].
En France, chacun des quatre opérateurs dispose d’une licence pour plusieurs bandes
deFréquence:
La bande de fréquence 700 MHz (depuis le 5 avril 2016 et selon les régions) ;
La bande de fréquence 800 MHz ;
La bande de fréquence 1 800 MHz ;
La bande de fréquence 2 600 MHz.

Figure I.3 Les bandes des fréquences

I.4. La cinquième Génération (5G)

I.4.1. Introduction

La cinquième génération de télécommunications mobiles, communément appelée 5G, est une

avancée majeure dans le domaine des technologies sans fil. Cette nouvelle génération de
réseau sans fil promet des améliorations significatives par rapport à son prédécesseur, la 4G,
en termes de vitesse, de capacité, de latence et de connectivité. Elle est destinée à répondre

8
aux besoins croissants des utilisateurs et à soutenir l'émergence de nouvelles applications et
services innovants.
L'un des principaux objectifs de la 5G est d'offrir des débits de données beaucoup plus élevés
par rapport aux générations précédentes. En utilisant des fréquences plus élevées et une
meilleure utilisation du spectre radioélectrique, la 5G est capable de fournir des vitesses de
téléchargement et de téléversement considérablement plus rapides. Cela permettra aux
utilisateurs de profiter de contenus gourmands en données, tels que la vidéo en streaming
4K/8K, les jeux en ligne à faible latence et les applications de réalité virtuelle et augmentée,
avec une expérience utilisateur améliorée.
Un autre aspect essentiel de la 5G est sa capacité à gérer un plus grand nombre de connexions
simultanées. Grâce à des améliorations apportées à l'infrastructure réseau, la 5G sera en
mesure de prendre en charge des milliards d'appareils connectés, formant ainsi un écosystème
de l'Internet des objets (IdO) plus robuste. Cela ouvrira la voie à de nouvelles possibilités dans
des domaines tels que les villes intelligentes, les véhicules autonomes, les soins de santé à
distance et l'automatisation industrielle.
La latence, qui représente le délai entre l'envoi et la réception des données, sera également
considérablement réduite avec la 5G. Cette amélioration de la latence permettra des
interactions en temps réel et une communication ultra-rapide, ce qui est crucial pour les
applications nécessitant une réactivité instantanée, comme les jeux en ligne multijoueurs et les
opérations chirurgicales à distance.
Enfin, la 5G vise à offrir une connectivité plus fiable et stable, même dans les zones
densément peuplées. Grâce à des techniques avancées de modulation et de formation de
faisceaux, la 5G réduira les interférences et les perturbations, garantissant ainsi des
connexions plus cohérentes et de meilleure qualité.

9
 Figure I.4 L’évolution de la téléphonie mobile

Comparaison entre les différentes générations :

Le tableau ci-dessous résume les vitesses des réseaux mobiles des différentes générations
[I.05] :

Tableau 0.3 Vitesses permises par les différentes générations de réseaux

1G 2.4Kbps
2G 64Kbps 26X
3G 2 000Kbps 31X
4G 100 000Kbps 50X
5G 100 000 000Kbps 1000X

I.4.2. Comparaison entre 4G et 5G

La 5G représente une avancée significative par rapport à la 4G dans de nombreux aspects.

Voici une comparaison entre la 4G et la 5G :
 Vitesse : La 5G offre des vitesses de téléchargement et de téléversement beaucoup
plus rapides par rapport à la 4G. Alors que la 4G peut atteindre en moyenne des
vitesses de téléchargement d'environ 20 à 50 Mbps, la 5G promet des vitesses allant
jusqu'à plusieurs gigabits par seconde, voire plus. Cela signifie que les utilisateurs
peuvent télécharger et diffuser des contenus gourmands en données, tels que des
vidéos 4K/8K, de manière quasi instantanée[I.05].
 Capacité : La 5G est conçue pour gérer un nombre beaucoup plus élevé de
connexions simultanées par rapport à la 4G. Alors que la 4G peut prendre en charge

10
 des dizaines de milliers d'appareils connectés par kilomètre carré, la 5G vise à prendre
en charge des millions d'appareils, formant ainsi un écosystème de l'Internet des objets
(IdO) plus étendu. Cela permettra une connectivité plus fiable dans les environnements
denses, tels que les stades, les centres-villes et les zones industrielles[I.05].
 Latence : La 5G offre une latence considérablement réduite par rapport à la 4G. Alors
que la latence de la 4G se situe généralement entre 20 et 50 millisecondes, la 5G vise à
réduire cette valeur à moins de 10 millisecondes, voire à moins d'une milliseconde
dans certains cas. Cette faible latence permet des interactions en temps réel, ce qui est
essentiel pour les applications nécessitant une réactivité instantanée, telles que les jeux
en ligne, la réalité virtuelle/ augmentée et les véhicules autonomes[I.05].
 Connectivité étendue : La 5G est conçue pour offrir une connectivité étendue,
couvrant à la fois les zones urbaines denses et les zones rurales. Alors que la 4G a
étendu la connectivité mobile à de nombreuses régions, la 5G vise à combler
davantage la fracture numérique et à offrir une connectivité haut débit à des zones
auparavant mal desservies. Cela permettra à un plus grand nombre de personnes
d'accéder à Internet et de bénéficier des avantages de la connectivité mobile[I.06].
 Nouvelles applications et services : La 5G ouvre la voie à de nouvelles applications
et services qui n'étaient pas possibles avec la 4G. Les vitesses plus rapides, la faible
latence et la capacité étendue de la 5G permettent le développement d'applications
telles que les voitures autonomes, les villes intelligentes, la télémédecine avancée, la
réalité virtuelle/ augmentée, l'automatisation industrielle et bien d'autres. Ces
applications transforment différents secteurs et ouvrent de nouvelles possibilités en
termes d'efficacité, de productivité et d'expérience utilisateur[I.06].

Figure I.5 La comparaison entre 4G et 5G

11
 I.4.3. Applications visées pour le réseau de 5G

La 5G fournira la connectivité sans fil pour un large éventail, La 5G va pénétrer dans chacun
des éléments de notre société future et créer un écosystème d'information multidimensionnel
centré sur l'utilisateur. Elle va briser la limitation de temps et d'espace pour permettre une
expérience utilisateur immersive et interactive. La 5G raccourcira également la distance entre
l'homme et les choses, et mettre en œuvre une intégration transparente pour réaliser une
interconnexion facile et intelligente entre les personnes et toutes les choses. 5G nous permet
de réaliser la vision : « L’information est à portée de main, et tout sera resté en contact »[I.07].
Un grand nombre de cas d'utilisation ont été proposés par différentes organisations. L’internet
mobile et l’Internet des objets (IoT) sont les deux principaux moteurs du marché de
développement futur des communications mobiles [I.07][I.08].

I.4.4. Les fréquences utilisées dans la 5G

Le choix d’une bande de fréquence représente toujours un compromis entre la couverture

(définie par la taille de la zone où le service est accessible) et la capacité (caractérisée par
exemple par le débit obtenu). Pour assurer une bonne couverture, les fréquences basses sont
privilégiées car elles permettent d’avoir de bonnes conditions de propagation. Pour augmenter
la capacité, les fréquences hautes sont préférables car les largeurs de bandes disponibles y
sont plus importantes, ce qui permet d’écouler plus de trafic. Cependant, les conditions de
propagation sont plus difficiles à haute fréquence car l’environnement perturbe alors
beaucoup la propagation, notamment à l’intérieur des bâtiments du fait d’une forte atténuation
par les murs, ce qui limite la couverture. Les réseaux de téléphonie mobile recherchent donc
un équilibre entre bandes basses pour bien couvrir l’ensemble des populations et bandes
hautes pour assurer une bonne capacité dans les zones où les demandes de trafic sont les plus
importantes[I.06].
Dans ce contexte, la 5G disposera d’une gamme élargie pour son déploiement : elle pourra
réutiliser le spectre déjà alloué pour la téléphonie mobile, notamment les bandes basses autour
de 1GHz, pour assurer une bonne couverture et se verra également attribuer de nouvelles
bandes de fréquences notamment dans les bandes millimétriques, utilisées pour la première
fois pour des services grand public, qui permettront d’augmenter la capacité
Pour 5g en particulier, les ressources de spectre doivent être suffisantes pour garantir un débit
de données ultra élevé, le problème a une raison d'être plus faible, car les réseaux 2G, 3G et
4Goccupent déjà la majorité des ressources de spectre inférieures à 3 GHz, laissant peu de
ressources pour permettre une fourniture continue de large bande cela signifie que 5G,

12
doivent utiliser des ressources de spectre haute fréquence qui sont inoccupées, la spécification
3gpp r15 adoptée divise le spectre 5G en 2 gammes de fréquences (FR1 ,FR2).

Figure I.6 : Les deux gammes de fréquences de la 5G (fr1,fr2)

I.4.4.1. Le FR1 ou bien sub 6 GHz

C’est la bande principale du réseau 5G dans cette bande nous trouvons les deux fameuses
bandes :
 Sub 3GHz, les fréquences inferieur à 3GHz, déjà utilisé dans les réseaux précédents
 La bande C, les fréquences entre 3.5 et 6 GHz, c’est la bande principale dans le réseau
5G.

La démonstration d’Ericsson :
Ericsson a atteint ce qu'il appelle « une nouvelle référence de performance » sur son réseau en
bande C en direct avec la technologie MIMO multiutilisateurs de liaison descendante 16
couches, offrant une efficacité spectrale améliorée.
La démonstration, avec 16 couches MU-MIMO à 256 QAM avec 8 appareils sur 100 méga
Hertz de spectre en bande C, qui a eu lieu au siège nord-américain de la société à Plano, au
Texas, a atteint une capacité cellulaire de pointe de 5,4 Gbps [I.10].
Signaux Research Group et T-Mobile US ont réalisé des tests de performances
supplémentaires sur le réseau Ericsson.
T-Mobile US a déclaré que dans un canal de 100 mégahertz de 2,5 GHz, il a connecté huit
Smartphones OnePlus 8 5G à la même radio et aux mêmes ressources 5G, et grâce à
l'utilisation de MU-MIMO et de la formation de faisceau, il a pompé plus de 700 Mbps à
travers chaque appareil : 16 flux de données uniques, chaque flux pouvant atteindre plus de

13
350 Mbps, et deux flux de données pour chaque appareil. Le site de l'antenne était au sommet
d'un bâtiment et les appareils étaient dispersés dans le parking en contrebas[I.07].
La bande C se compose de 500 mégahertz entre 3,7- 4,2 GHz, ou spectre moyen, ce qui la
rend critique pour le déploiement de la 5G, en particulier aux États-Unis qui a soif de ce
spectre qui offre une meilleure couverture que la bande millimétrique (mmWave), ou spectre à
bande haute. Selon Ericsson, le spectre à moyenne bande est nécessaire pour fournir des cas
d'utilisation de la 5G tels que des usines connectées, des villes intelligentes et des jeux en
réalité virtuelle[I.07].
Le débit démontré par le réseau de démonstration Ericsson établit une nouvelle référence pour
les performances du réseau 5G et présente les avantages qui seront disponibles sur le marché
lorsque les réseaux à moyenne bande seront disponibles [I.06].

I.4.4.2. La bande millimétrique, le FR2

Ce qui caractérise la plus la nouvelle technologie c’est la bande de fréquence utilisée, La 5G

devrait utiliser en partie des bandes de fréquences supérieures à 24GHz. Ces ondes
millimétriques, correspondent à des fréquences 10 à 30 fois plus élevées que celles
actuellement utilisées par les réseaux mobiles[I.06].

Figure I.7 Les fréquences utilisées dans la 5G

14
 I.4.5. Les avantages de la 5G

Figure I.8 Les avantages de la 5G

 Le MBB pour enhanced Mobile Broad Band, c’est-à-direla communication mobile

ultra haute débit. Cet usage se trouve dans la continuité des précédentes générations de
téléphonie mobile et permet de répondre à l’augmentation exponentielle de
l’utilisation des données mobiles. Les applications de cette catégorie sont typiquement
des flux vidéo de qualité de plus en plus grande et aussi des applications de réalité
virtuelle et augmentée. L’objectif est donc de pouvoir répondre à une demande
toujours plus grande en termes de quantité de données et de vitesse de transfert[I.05].
 Le mMTC pour massive Machine Time Communication, c’est-à-dire les
communications entre objets. L’internet des objets rentre dans cette catégorie. Il s’agit
dans cette catégorie de pouvoir gérer un nombre très important de connexions (jusqu’à
un million par kilomètre carré). La quantité de données à transmettre par
communication est en général limitée et la rapidité de transfert peu contraignante. Un
domaine d’application typique est la ville intelligente avec des réseaux de capteurs
pour gérer différents services[I.06].

 L’uRLLC pour ultra Reliable Low latency Communication, c’est-à-dire les

communications dites critiques, pour lesquelles la fiabilité et le temps de réponse sont
primordiaux. L’application phare de cette catégorie est le véhicule autonome mais les
communications des services de sécurité et d’urgence sont également concernées. Il ne
doit pas y avoir d’échec ou de coupure de communication et la transmission doit être
la plus rapide possible [I.09].

15
 I.5 Technologies émergentes pour réseaux 5G

Figure I.9 Technologies Émergentes Pour réseaux 5G

Découpage en tranches du réseau 5G : Le découpage en tranches du réseau 5G permet aux

fournisseurs de services de créer des réseaux virtuels de bout en bout répondant aux besoins
des applications [I.10].

Figure I.10 Découpage en tranches du réseau 5G

I.5.1.Bemforming

Beamforming est le processus de filtrage spatial; l'objectif principal du filtrage spatial est de
rendre un faisceau sensible vers le signal d'intérêt (SOI) et nul ou atténuation vers les
directions de signaux interférents ou signaux sans intérêt (SNOI). Il existe différentes
méthodes de mise en œuvre techniques de formation de faisceaux, domaine temporel et
fréquentiel qui dépend de la vitesse de traitement et du type de signaux à traiter [I.10].
 La technique du beamforming (filtrage spatiale) consiste à focaliser un signal sans fil
vers un dispositif de réception spécifique, au lieu de le diffuser dans toutes les
directions à partir d'une antenne radio, comme c'est habituellement le cas. La
connexion, plus directe, est plus rapide et plus fiable qu'elle ne le serait sans formation
de faisceau[I.10].

16
 Figure I.11 Technologie Bemforming

I.5.2.Milimiter Waves

Le spectre des micro-ondes, qui a été utilisé pour la plupart des réseaux commerciaux, est
actuellement presque entièrement occupé. Heureusement, il existe un large spectre disponible
dans la gamme des ondes millimétriques. Cette partie du spectre comprend des fréquences de
30 à 300 GHz avec des longueurs d’onde de l’ordre du millimètre (de 1 à 10 mm), qui est
destinée à être exploitée pour des futures communications mobiles et nombreuses
applications, y compris le transfert de données à haute vitesse, l’imagerie radar, le dépistage
de sécurité, l’identification de substances ainsi que beaucoup d’autres[I.10].
Les microcellules :
Les petites cellules ou plus précisément les UDN (Ultra Dense Network) des petites cellules
promettent de jouer un rôle central dans la 5G en tant que puissante réponse à la densification
du réseau et au besoin d’augmentation massive de l’efficacité spectrale ou du débit binaire par
unité de surface. Les petites cellules sont également un composant essentiel des réseaux
hétérogènes (Het Nets). Les estimations évoquent pour satisfaire la demande et permettre
l’introduction de la 5G. Un nombre d’au moins 10 petites cellules par macro site, dans un
environnement urbain où les cellules sont déjà relativement serrées, peut faire face à la densité
d’utilisation[I.09].

I.5.3. Massive MIMO

Les systèmes MIMO (Multiple-Input Multiple-Output) massifs ou grands sont un symbole

important dans les technologies 5G. Ils sont communément appelés systèmes utilisant un
grand nombre d’antennes intelligentes [I.09]. Massive MIMO peut offrir les avantages
suivants : Caractéristiques principales [I.10] :

17
  De nombreuses antennes BS, Par exemple : M = 200 antennes, K = 40 utilisateurs à
antenne unique
 Beaucoup plus d'antennes que d’utilisateurs : M≫K
 Haute efficacité spectrale
 De nombreux utilisateurs simultanés
 Signaux directive forts
 Peu de fuites d'interférence
Seminal work: Thomas L. Marzetta, “Noncooperative Cellular Wireless with Unlimited
Numbers of Base Station Antennas, IEEE Trans. Wireless Communications, 2010

 Combines the best concepts from past decades of multi-user MIMO research
 2013 IEEE Marconi Prize Paper Award, 2015 IEEE W. R. G. Baker Award

MIMO massif pour 5G en dessous de 6 GHz :

a. Mobile broadband applications
 Très haute efficacité spectrale, multiplexage de nombreux utilisateurs
 De grandes améliorations au bord de la cellule
b. Ultra-reliable low-latency communication (URLLC)
 Channel hardening alleviates small-scale fading
 Fewer retransmissions, more predictableperformanceMassive machine-type
communication (mMTC)
 Extend coverage, more cost-efficient deployment
 Reduce transmit power for battery-power devices.

Figure I.12 Massive mimo

18
Il existe quatre modèles de configuration d’antenne de base qui incluent [I.09] :
 SISO - Single Input Single Output
 SIMO - Entrée unique Sortie multiple
 MISO - Sortie unique à entrées multiples
 MIMO - Entrée multiple Sortie multiple

I.5.4. Multiplexage NOMA

La technologie LTE utilise un multiplexage dit orthogonal, chaque terminal utilise, de

manière unique, une partie des fréquences à un instant donné. Pour améliorer l’efficacité
spectrale de la 5G par rapport à la 4G des méthodes de multiplexage non orthogonal, c’est-à-
dire que plusieurs utilisateurs peuvent recourir aux mêmes fréquences au même moment, sont
envisagées. La discrimination entre plusieurs utilisateurs peut se faire en attribuant des codes
différents à chaque utilisateur (SCMA : Sparse Code Multiple Accès, CDMA : Code Division
Multiple Acces) [I.09].

Figure I.13 Multiplexage NOMA

Plusieurs utilisateurs sont couplés et partagent les mêmes ressources radio, que ce soit en
temps, en fréquence ou en code. Chaque terminal utilise, de manière unique, une partie des
fréquences à un instant donné pour améliorer l’efficacité spectrale de la 5G.

I.5.5. Un duplex plein (Full duplex)

Le mode full-duplex a fait l’objet de tests lors de la première phase des essais 5G. D’après les
premiers tests, ce mode permet la transmission et la réception simultanées des données au
niveau de la station de base, avec trois niveaux de technologie en cascade, à savoir
l’annulation analogique passive, l’annulation analogique active et l’annulation numérique. Les

19
tests ont prouvé que le full-Duplex permet d’optimiser l’annulation des auto-interférences de
plus de 113dB en situation réelle, ce qui assure une augmentation de 90 % du débit du
système par rapport aux modes (half-duplex) traditionnellement utilisés[I.10].
Le duplexage complet est destiné à permettre la transmission et la réception simultanées
d’informations à la même fréquence, au même moment et au même endroit.

Figure I.14 Duplex plein (Full duplex)

I.5.6. La technologie NR

New Radio Répondre aux exigences mentionnées nécessite des changements radicaux dans le
modèle du réseau en plus d’innovations perturbatrices. Dans ce contexte, les réseaux 5G
peuvent faire appel à un large éventail de nouvelles technologies. Cela permet un saut dans les
performances qui éclipse ses prédécesseurs. Ces innovations toucheront la transmission et la
conception de la couche physique en plus d’introduire des bouleversements dans les
couchessupérieures du réseau. En fait, 5G New Radio (NR) utilisera de nombreuses
technologies clés afin d’atteindre de nouveaux niveaux de performance et d’efficacité. Les
combinaisons de ces dernières étendront l’importance des communications mobiles et leurs
permettront de jouer un rôle central dans un monde de cas d’utilisation changeants [I.08].
- Un réseau hautes performances, capable de fonctionner en temps réel, avec des
exigences élevées en matière de fiabilité.

I.5.7. Internet des objets (IoT)

Le terme d’Internet des Objets ne fait pas encore consensus sur sa définition, ce qui
s’explique par la jeunesse de ce concept en pleine mutation. Il existe ainsi autant de
définitions que d’entités impliquées dans la réflexion, le développement ou la normalisation
de ce nouveau paradigme [I.09].

20
Le but donc, de l’internet des objets est effectivement de connecter non seulement les smart
phones et les tablettes mais plus globalement l’ensemble des objets. Or on estime qu’il y en a
environ un million au kilomètre carré.

Figure I.15 Conception d’internet of objet dans system 5 G

L'arrivée de la technologie 5G dans le domaine de la mobilité ouvre de nouvelles possibilités

et offre des avantages significatifs. Grâce à sa latence réduite et à ses vitesses de transmission
de données beaucoup plus rapides, la 5G permet des expériences mobiles encore plus fluides
et immersives.
La 5G offre des performances supérieures en termes de connectivité mobile, ce qui facilite
l'accès à des services et des applications avancés. Les utilisateurs peuvent profiter de
téléchargements plus rapides, de streaming vidéo haute qualité, de jeux en ligne sans
décalage, et d'autres activités gourmandes en bande passante, même lorsqu'ils sont en
déplacement. Cela transforme l'expérience des utilisateurs et permet de repousser les limites
de ce qui était possible auparavant.
La 5G est également essentielle pour soutenir les progrès de la mobilité intelligente, tels que
les véhicules autonomes et les systèmes de transport connectés. Grâce à sa faible latence et à
sa grande capacité de connectivité, la 5G peut permettre des communications instantanées
entre les véhicules, les infrastructures et les piétons, contribuant ainsi à améliorer la sécurité
routière et l'efficacité du trafic.

21
 CHAPITRE II : ETATS DE L’ART SUR L’EXPLORATION DES STRATEGIES 5G
POUR SURMONTER LES OBSTACLES ET GERER LES DEFIS DE MOBILITE

II.1. Définition

La cinquième génération des réseaux mobiles, communément appelée 5G, représente une
avancée majeure dans le domaine des communications sans fil. Elle promet des débits de
données ultra-rapides, une latence réduite et une capacité accrue pour prendre en charge un
large éventail d'applications, allant des voitures autonomes à l'Internet des objets (IoT).
Cependant, l'un des défis clés auxquels fait face le déploiement de la 5G est la gestion des
mobilités élevées des utilisateurs.
Les mobilités élevées en 5G se réfèrent à la capacité des appareils connectés à se déplacer
rapidement d'une cellule à une autre tout en maintenant une connectivité continue.Avec
l'émergence de nouveaux scénarios d'utilisation tels que les déplacements rapides dans les
véhicules, les trains à grande vitesse et les objets connectés en mouvement, la 5G doit faire
face à des exigences de connectivité sans interruption et de performances élevées pour les
utilisateurs mobiles. Ces mobilités élevées peuvent entraîner des pertes de connexion, des
interruptions de service et une dégradation de la qualité de l'expérience utilisateur.
Dans cette revue d'état de l'art, nous explorerons les différentes techniques qui ont été
développées pour remédier aux défis de mobilité en 5G. Nous examinerons les stratégies de
gestion de la mobilité, les protocoles de handover (transfert d'une cellule à une autre), les
mécanismes de suivi de l'utilisateur, ainsi que les solutions d'optimisation de la connectivité
en mouvement. L'objectif est de comprendre les avancées récentes dans ce domaine et
d'identifier les approches les plus prometteuses pour garantir une connectivité stable et
transparente aux utilisateurs en déplacement.
Cette revue d'état de l'art mettra en évidence les avantages, les limites et les perspectives
d'avenir des différentes techniques pour gérer les défis de mobilité en 5G. En comprenant ces
techniques, les opérateurs de réseau, les fabricants d'équipements et les chercheurs pourront
prendre des décisions éclairées pour améliorer la qualité de service et l'expérience utilisateur
dans les déploiements de la 5G à travers le monde.

II.2. Réseaux linéaires d’antennes

Dans sa structure de base, un réseau d’antennes est l’association d’un ensembled’éléments

rayonnants disposés selon une géométrie particulière, dans une même bande defréquence.
Généralement, les antennes élémentaires sont alimentées avec la même pondérationen

22
amplitude et en phase avec une distance inter-éléments constante [II.01]. L’objectif
principald’un réseau d’antennes est de produire un faisceau très directif. On peut ainsi
multiplier par unfacteur N le nombre d’éléments rayonnants afin d’augmenter le gain, et donc
la portée du signalet les débits d’information. Cette augmentation de puissance produite grâce
aux réseauxd’antennes occupe une place très importante dans beaucoup de domaines
d’applications commeles communications par satellites, les radars etc. [II.01] II.02].
Concernant, les Small Cells pour lestandard 5G, l’utilisation des réseaux d’antennes est
largement appréciée comme solution pouréliminer les évanouissements et augmenter la portée
dans les systèmes de communicationsmobiles à bandes millimétriques[II.02].
Dans la littérature, il existe différents types de réseaux d’antennes uniformes c’est-à-dire des
réseaux dont les coefficients de pondération entre l’excitation en amplitude et / ou en
phasesont identiques à tous les éléments élémentaires du réseau [II.02]

II.2.1. Architecture d’un réseau linéaire d’antennes

La structure d’un réseau linéaire uniforme est considérée comme la structure la plussimple.
Ce réseau comporte un certain nombre d'éléments rayonnants, également orientés
etéquidistants d’un pas de réseau d le long d'une ligne droite. La Figure II.1 montre la
géométried’un réseau linéaire d’antennes [II.02]. Chaque élément est considéré comme une
source decourant électrique ou magnétique, ce qui donne lieu à un champ rayonné.

Figure II.1 Architecture d’un réseau linéaire d’antennes

23
 II.2.2. Analyse théorique

Le champ rayonné par un élément en un point 𝑛 devient [II.01] [II.02].

𝑒−𝑗𝑘𝑟𝑛 𝑗𝜓𝑛
𝐸⃗→𝑛 (𝑟, 𝜃, ∅) = 𝐶𝑛 𝑒 𝑓𝑛(𝜃, ∅) (II.01)
𝑟𝑛
Où :
- 𝜃, ∅ : les cordonnées sphériques.
- 𝑘 : le nombre d’onde.
- 𝐶𝑛 : l’amplitude d’excitation de la source 𝑛 .
- 𝜓𝑛 : phase de la source 𝑛 .
- 𝑟𝑛 : la distance du point d’observation par rapport à la source .
- 𝑓𝑛(𝜃, ∅) : fonction caractéristique du diagramme rayonnement de la source 𝑛.
Alors, pour ce type de réseau le champ total rayonné par un ensemble de sources est donné
par [II.02] :
𝑒−𝑗𝑘𝑟 𝑁
𝐸(𝜃, ∅) = ∑ 𝑓𝑛 (𝜃, ∅)𝐶𝑛𝑒𝑗(𝑛−1)(𝑘𝑑 sin 𝜃 sin ∅+𝜓0) (II.02)
𝑟 𝑛=1

Suivant la formule du champ total, nous pouvons déduire le facteur réseau (Array Factor,AF).
Le facteur de réseau dépend du nombre d'éléments, de l'espacement des éléments, de
soncoefficient de pondération en amplitude et en phase du signal appliqué à chaque élément et
quipeut se mettre sous la forme :
𝑁
𝐴𝐹 = ∑ 𝐶𝑛 𝑒𝑗(𝑛−1)(𝑘𝑑 sin 𝜃 sin ∅+𝜓0) (II.03)
𝑛=1

Si nous considérons le cas d’un réseau phasé, le réseau à loi d’amplitude uniforme (𝐶0 =
𝐶1 = 𝐶2 = 𝐶3 … = 𝐶𝑁)et en utilisant la série géométrique dont la somme vaut :
𝑁 1 − 𝑧𝑁−𝑧+1
∑ 𝑧𝑛−1 = 𝑧𝑛−1 × (II.04)
𝑛=𝑧 1−𝑧

Dans le plan 𝑋𝑌, Φ = 𝜋/2, alors le facteur réseau devient :

𝑁Γ
sin( ) (II.05)
|𝐴𝐹| = 𝐶0 Γ 2
sin( )
2

Γ = k d sin 𝜃 + 𝜓0

24
Avec :
𝐴𝐹𝑚𝑎𝑥 = 𝑁 x𝐶0

II.3. Réseaux planaires d’antennes

II.3.1. Architecture d’un réseau planaire d’antennes

Dans ce type de réseau d’antennes, les sources ont été disposées dans une configuration
géométrique bidimensionnelle. La Figure II.2 illustre l’architecture d’un réseau planaire
composé de 𝑁 × 𝑀 éléments rayonnants dont les M éléments forment un réseau linéaire
uniforme dans l’axe x et les N autres éléments rayonnants dans l’axe y [II.03].

Figure II.2 Structure d’un réseau planaire d’antennes

II.3.2. Analyses théoriques

Comme dans le cas d’un réseau linéaire, le champ électrique total d’un réseau d’antennes
bidimensionnel peut également être calculé en sommant l’ensemble des champs électriques de
tous les éléments du réseau.
Dans ce cas, le champ total devient [II.02][II.03] :
𝑒−𝑗𝑘𝑟 𝑀 𝑁
𝐸= ∑ ∑ 𝐶𝑚𝑛 𝑒𝑗((𝑚−1)𝑘 𝑑𝑥𝑢+ (𝑛−1 )𝑘 𝑑𝑦𝑣+𝜓𝑚𝑛)𝑓𝑚𝑛(𝜃, ∅) (II.06)
𝑟 𝑚=1 𝑛=1

25
L’amplitude d’excitation 𝐶𝑚𝑛 du réseau est égale au produit des amplitudes d’excitation des
réseaux linaires 𝐴𝑚 (𝑟𝑒𝑠𝑝. 𝐵𝑛) dans les directions x (𝑟𝑒𝑠𝑝. 𝑦) et devient :
𝐶𝑚𝑛 = 𝐴𝑚x𝐵𝑛 (II.07)
Avec 𝑑𝑥 (𝑟𝑒𝑠𝑝. 𝑑𝑦) pas du réseau linéaire dans l’axe x (𝑟𝑒𝑠𝑝. 𝑎𝑥𝑒 𝑦)
𝑢 = sin 𝜃 cos ∅
{ (II.08)
𝑣 = sin 𝜃 sin ∅

En découplant les deux axes et simplifiant l’amplitude d’excitation 𝐴𝑚 = 𝐵𝑛 = 1, le facteur

de réseau planaire devient le produit des deux facteurs réseau linéaire dans les dimensions x et
y:
𝑀 𝑁
(II.09)
𝐴𝐹 = (∑ 𝑒𝑗((𝑚−1) 𝑘 𝑑𝑥 sin 𝜃 cos ∅+𝜓𝑥)) (∑ 𝑒𝑗((𝑛−1) 𝑘 𝑑𝑦 sin 𝜃 sin ∅+𝜓𝑦))
𝑚=1 𝑛=1

Avec :
𝑥 𝑀Γ 𝑦 𝑀Γ
sin ) sin )
( (
𝐴𝐹 = ( 2 )( 2 )
sin(Γ𝑥) sin(Γ𝑦)

Γ𝑥 = 𝑘 𝑑𝑥 sin 𝜃 cos ∅ + 𝜓𝑥
{
Γ𝑦 = 𝑘 𝑑𝑦 sin 𝜃 sin ∅ + 𝜓𝑦

Alors le facteur maximal d’un réseau d’antennes bidimensionnel devient :

𝐴𝐹 = 𝑀 x 𝑁

II.4. Modèle d’un réseau circulaire d’antennes

Pour ce type de réseaux d’antennes, les éléments élémentaires sont placés autour d’un cercle
de rayon a. La Figure II.3 présente la géométrie d’un réseau d’antennes circulaire [II.03].

26
 Figure II.3 Structure d’un réseau circulaire d’antennes

II.4.1. Analyse théorique

Le champ électrique total d’un réseau circulaire composé de N éléments rayonnants

devient [6][8] :
𝑁 𝑒−𝑗𝑘𝑅𝑛 𝑗𝜓𝑛
𝐸𝑛(𝑟, 𝜃, ∅) = ∑ 𝐶𝑛 𝑒 (II.10)
𝑛=1 𝑅𝑛
Avec :
𝑅2 = 𝑟2 + 𝑎2 − 2𝑎𝑟 cos 𝜓
𝑛 𝑛

Et en considérant 𝑟 ≫ 𝑎 ; on aura 𝑅𝑛 ≈ 𝑟 − 𝑎 cos 𝜓𝑛

𝑅𝑛 = 𝑟 − 𝑎(𝛼̂𝑝 . 𝛼̂𝑟 ) = 𝑟 − 𝑎 sin 𝜃 cos(∅ − ∅𝑛) (II.11)
Où :
- 𝐶𝑛 𝑒𝑡 𝜓𝑛 : les coefficients de pondérations en amplitude et phase dun-ième élément.
- 𝑅𝑛 : la distance entre le n-ème élément et le point d’observation.
𝑛
- ∅𝑛 = 2𝜋 ( ) La position angulaire du n-ème élément dans le plan 𝑥 − 𝑦
𝑁

Le champ total peut s’écrire :

𝑒−𝑗𝑘𝑟 𝑁
𝐸= ∑ 𝐶𝑛 𝑒𝑗(𝑘𝑎 sin 𝜃 cos(𝜙−𝜙𝑛) + 𝜓𝑛) (II.12)
𝑟 𝑛=1

27
Le facteur du réseau circulaire devient alors :
𝑁
𝐴𝐹 = ∑ 𝐶𝑛 𝑒𝑗(𝑘𝑎 sin 𝜃 cos(𝜙−𝜙𝑛) + 𝜓𝑛) (II.13)
𝑛=1

Le facteur devient maximum lorsque l’exposant de la fonction exponentielle est nul dans la
direction (𝜃0, ∅0)
𝜓𝑛 = −𝑘𝑎 sin 𝜃0 cos(𝜃0, ∅𝑛)
Dans ce cas, le facteur réseau circulaire devient :
𝑁
𝐴𝐹(𝜃, ∅) = ∑ 𝐶𝑛 𝑒𝑗(𝑘𝑎 sin 𝜃 cos(𝜙−𝜙𝑛) − sin 𝜃0 cos(𝜙0−𝜙𝑛)) (II.14)
𝑛=1

Par simplification
𝑁
𝐴𝐹 = ∑ 𝐶𝑛 𝑒𝑗𝑘𝑎(cos(Φ𝑛−cos Φ0) (II.15)
𝑛=1

Avec :

Φ𝑛 = 𝑎𝑟𝑐 cos[sin 𝜃 cos(∅ − ∅0)]

{ (II.16)
Φ0 = 𝑎𝑟𝑐 cos[sin 𝜃0 cos(∅0 − ∅𝑛)]

Ces réseaux d’antennes offrent la possibilité d’augmenter le gain par rapport à une antenne
élémentaire. Dans ce cas, le champ électrique de l’ensemble des éléments rayonnants devrait
s’ajouter de manière constructive sinon l’effet contraire (destructif) peut se produire c’est-à-
dire un réseau dont le gain est inférieur à celui d’un élément rayonnant [II.04]. Ceci ne peut
être obtenu qu’en contrôlant les coefficients d’excitation en amplitude et en phase de chaque
élément rayonnant et également l’espacement inter-éléments. Le rapprochement des
élémentspeut induire l’apparition d’effets de couplage entrainant une réduction du gain total.
L’éloignement peut conduire à des lobes secondaires très importants.
Ainsi, les réseaux d’antennes devraient permettre d’avoir des communications directionnelles
où l’essentiel de la puissance transmise est dirigée uniquement dans une seule direction bien
précise.
L’augmentation du nombre d’éléments rayonnants dans un réseau entrainera aussi une
augmentation du niveau de directivité du faisceau ce qui est inversement proportionnel à
l’angle d’ouverture. De ce fait, pour l’utilisation des Small cells dans les bandes
millimétriques les réseaux d’antennes représenteront l’un des principaux avantages sur la

28
couche physique dans le but de satisfaire les exigences de la 5G en termes de débit,
d’efficacité spectrale et énergique mais avec une faible couverture dans une zone spécifique.

29
 II.5. MIMO (Multiple-Input/Multiple-Output)

Le MIMO, également connu sous le nom de SM (Spatial Multiplexing), est une technique
utilisée dans les réseaux sans fil, y compris la 5G, pour améliorer les performances et la
gestion de la mobilité. Le MIMO exploite la présence de multiples antennes à la fois sur
l'émetteur et le récepteur pour transmettre plusieurs flux de données simultanément sur le
même canal radio.

II.5.1. Principe de la technique MIMO

Dans la technique (SISO) il n'existe qu'une antenne à l'émission et une antenne à la réception.
Or la demande de la capacité transmission des services de communications mobiles sans fils
et augmente. D’où la nécessité pour des systèmes SISO d’augmenter.
Pour cela, on utilise la technique de transmission MIMO (Multiple Input, Multiple Output)
illustrée par la Figure II.4. Leur particularité consiste à émettre dans un même canal des
signaux des antennes différentes [II.04]. A la réception aussi et avec un certain nombre
d'antennes et des traitements adéquats, il s'agit de simuler cette réception dans une même
bande de 𝑛 canaux différents et il permettait d'augmenter le débit de transmission des données
et cela sans augmenter ni la bande passante de l'antenne réceptrice du système SISO, ni la
puissance du signal à l'émission. Un système MIMO tire profit de l'environnement multi-
trajets en utilisant les différents canaux de propagation créés par réflexion et/ou par diffraction
des ondes pour augmenter la capacité de transmission. D'où l'intérêt aussi d'obtenir des
signaux indépendants sur les antennes [II.04].

Figure II.4 Le principe de la technique MIMO [II.04]

II.5.2. Types de MIMO

Il existe quatre modèles de configuration d’antenne de base qui sont définies ci- dessous :

30
  SISO (Single Input Single Output)
La forme la plus simple de liaison radio peut être définie en termes MIMO en tant que SISO.
Cet émetteur fonctionne avec une antenne, tout comme le récepteur présenté dans la Figure
II.5 :

Figure II.5 SISO -Signal Input Signal Output [II.04]

SISO est un système simple de contrôle à une seule variable. Ce système ne nécessite aucun
traitement supplémentaire ni diversité. Toutefois, les performances du canal SISO sont
limitées. Les interférences et les évanouissements auront plus d'impact sur le système qu'un
système MIMO utilisant une certaine forme de diversité, et la capacité du canal est limitée par
la loi de Shannon - le débit dépend de la largeur de bande du canal et du rapport signal sur
bruit [II.05]:

𝐶 = log(1 + 𝑝|ℎ|2 𝐵𝑖𝑡/𝑠/𝐻𝑧 (II.17)

Où :
- ℎ : est le coefficient complexe de canal fixe ou aléatoire.
- 𝜌 : le SNR en réception.

 SIMO (Single Input Multiple Output)

La version SIMO ou MIMO à une antenne émettrice et plusieurs antennes réceptrices, est
présentée par la Figure II.6. Ceci est également appelé réception de la diversité [II.05]. Il est
souvent utilisé pour permettre à un système récepteur recevant des signaux provenant de
plusieurs sources indépendantes de lutter contre les effets des évanouissements. Le canal de
ce système permet de recevoir M fois le message source émis.

31
 Figure II.6 MISO-Multiple Input Signal Output [II.05]

 MIMO (Multiple Input Multiple Output)

MIMO est une méthode de transmission de plusieurs flux de données côté émetteur et côté
récepteur pour permettre à une variété de chemins aux signaux Figure II.7. MIMO est
également utilisé pour améliorer la robustesse et le débit des canaux.

Figure II.7 MIMO-Multiple Input Multiple Output [II.05]

 MIMO Massif
MIMO massif c’est une technologie de communication sans fil qu’est présentée comme une
forme du système MIMO multi-utilisateurs (Figure II.8).Il a beaucoup intéressé les
chercheurs ces dernières années, et figure comme le meilleur candidat pour aider à atteindre
les objectifs en matière de déploiement de la 5G, ou les BS et les UT sont très nombreux.
Cette technique s’intéresse à desservir plusieurs utilisateurs avec les mêmes ressources en
fréquence pour transmettre des signaux différents. Cela signifie que plusieurs antennes
d'émission d'une station de base peuvent émettre des signaux différents, et que plusieurs
antennes de réception d'un appareil peuvent les recevoir et les diviser simultanément. Les
MIMO massif peuvent permettre d’atteindre jusqu'à 10 G bps et plus.

32
 Figure II.8 Système de communication MIMO massif Multi utilisateur [II.06]

L’utilisation des antennes supplémentaires aide à concentrer la transmission et la réception de

l’énergie du signal dans plusieurs régions dans l’espace. Ceci apporte d’énormes
améliorations en termes de débit et d’efficacité énergétique, en particulier lorsqu’elles sont
combinées avec la planification simultanée de nombreux UT.
Dans les systèmes MIMO massif, un grand nombre d'antennes BS améliore l'efficacité
spectrale et l'efficacité énergétique rayonnée par rapport aux technologies sans fil actuelles.
Les antennes BS utilisent l'idée de formation de faisceau en utilisant la transmission
uniquement dans les directions préférées de sorte que l'énergie rayonnée soit centrée dans une
petite zone et que les interférences soient minimisées [II.06].
Le Massive MIMO est une technique avancée qui offre des avantages significatifs pour la
gestion de la mobilité élevée en 5G. Il permet un suivi précis des utilisateurs, une capacité
accrue, une réduction de l'interférence, une amélioration de la couverture et une gestion
efficace des ressources radio. Ces caractéristiques contribuent à une expérience utilisateur
améliorée dans les environnements 5G hautement mobiles.

II.6. Le beamforming

Le beamforming est une technique essentielle utilisée en 5G pour gérer la mobilité élevée et
optimiser les performances du réseau. Il permet de concentrer le faisceau radioélectrique dans
une direction spécifique, ce qui offre plusieurs avantages pour la gestion de la mobilité.

33
 II.6.1. Beamforming numérique

Le beamforming numérique est effectué sous forme de précodage numérique dont on

multiplie le signal modulé en bande de base de chaque chaine RF à l’´émetteur ou au
récepteur par un coefficient particulier. Le beamforming numérique offre une flexibilité et de
bonnes performances au détriment d’une complexité du système (indésirable surtout pour le
récepteur) et un cout ´élevé dû au fait que chaque antenne n´nécessite une chaine RF complète
(amplificateur `a faible bruit (LNA), oscillateur local, convertisseurs analogique-numérique,)
ce qui augmente ´énormément le cout et la consommation de puissance. Ainsi, le
beamforming numérique n’est pas pratique pour le système mmWave.

Figure II.9 Beamforming numérique

II.6.2. Beamforming analogique

L’idée fondamentale du beamforming analogique est d’appliquer des coefficients complexes

pour manipuler le signal de chacune des antennes d’émission et de réception en utilisant des
d´déphaseurs contrôles et des amplificateurs à gain variable (VGA). Le beamforming
analogique présente les avantages suivants :
- L’architecture du système est moins complexe par rapport à celle d’un système
numérique et permet de générer un gain plus important en utilisant un grand nombre
d’antennes.
- Le système analogique est moins couteux et consomme moins de puissance par
rapport au cas numérique dont chaque antenne est liée à une chaine RF dédiée.

34
 Figure 0.10 Beamforming analogique

II.6.3. Beamforming hybride

Dans les bandes millimétriques, nous avons besoin de MIMO massif pour une fortedirectivité,
l’architecture hybride (analogique/numérique) a été proposée pour le système MIMO.
L’architecture hybride qui offre un déphaseur dans le domaine analogique et une flexibilité
dans le domaine numérique. L’augmentation de la consommation d’énergie pour la
technologie MIMO massif est due à l’augmentation denombre d’antenne et chaines RF
[II.07], pour cela nous cherchons un principal critère qui est la limitation d’utiliser le nombre
de chaine RF et le rendre inférieurau nombre d’antennes.

Figure II.11 Schéma bloc du beamforming hybride

35
 II.7. Caractéristiques fondamentales de l’onde millimétrique

Le spectre des micro-ondes, qui a été utilisé pour la plupart des réseaux commerciaux, est
actuellement presque entièrement occupé. Heureusement, il existe un large spectre disponible
dans la gamme des ondes millimétriques. Cette partie du spectre comprend des fréquences de
30 à 300 GHz avec des longueurs d’onde de l’ordre du millimètre (de 1 à 10 mm), qui est
destinée à être exploitée pour des futures communications mobiles et nombreuses
applications, y compris le transfert de données à haute vitesse, l’imagerie radar, le dépistage
de sécurité, l’identification de substances ainsi que beaucoup d’autres [II.07].
Les microcellules :
Les petites cellules ou plus précisément les UDN (Ultra Dense Network) des petites cellules
promettent de jouer un rôle central dans la 5G en tant que puissante réponse à la densification
du réseau et au besoin d’augmentation massive de l’efficacité spectrale ou du débit binaire par
unité de surface. Les petites cellules sont également un composant essentiel des réseaux
hétérogènes (Het Nets). Les estimations évoquent pour satisfaire la demande et permettre
l’introduction de la 5G. Un nombre d’au moins 10 petites cellules par macro site, dans un
environnement urbain où les cellules sont déjà relativement serrées, peut faire face à la densité
d’utilisation [II.06][II.07].

II.7.1. Une large bande passante

La bande passante totale disponible actuellement pour les réseaux mobiles, y comprisles
réseaux 2G, 3G et 4G, est inferieureà 780MHz, certains appareils nécessitent un d´débit élevé
par rapport à la communication traditionnelle avec les micro-ondes, dans les
ondesmillimétriques ont les bandes passantes nettement plus larges. Même s’il existe des
banded´favorables, telles que 57 - 64GHz, 164 - 200GHz, qui sont facilement absorbés
parl’oxygène et la vapeur d’eau, respectivement, la bande passante appropriée pour les
communications mmWave peuvent encore être supérieures à 150GHz, et plus de
150Gbpspeuvent être atteints sur tout le spectre [II.07].

II.7.2. Courte longueur d’onde

Le signal mmWave a une longueur d’onde beaucoup plus courte, qui est à l’ordre
demillimètre par rapport au signal micro-onde. Par conséquent, le MIMO massif est
considérécomme essentiel pour les communications mmWave, puisque la courte longueur
d’onde `ades fréquences d’ondes millimétriques est avantageuse donc c’est une façon pour
améliorer l’accès sans fil et la performance du d´débit [II.08].

36
 II.7.3. Perte de propagation

La perte de trajet en espace libre est proportionnelle au carré de la fréquence porteuseselon la

formule de transmission Friis [II.08]. L’espace libre recevait de l’´énergie à un
récepteurséparée de l’émetteur par une distance dx est déterminée par :
𝑃Ω𝓉Ω𝓇 ⋋
𝑃𝑟(𝑑𝑥 ) = ( )2(II.18)
𝐴 4𝜋𝑑𝑥

Où :
- 𝑃𝑟 et 𝑃 : sont respectivement la puissance reçue et la puissance émise.
- Ω𝓉Ω𝓇 : est le gain d’antenne du récepteur et de l’émetteur respectivement.
- ⋋ : est la longueur d’onde de fonctionnement de la transmission.
- Le facteur sans unité 𝐴 : les pertes d’antenne et de composants (perte non liées à la
propagation).

D’après le modèle de l’´équation ci-dessus d’espace libre, il nous montre que la

puissancereçue diminue en fonction de la longueur d’onde.
Les antennes omnidirectionnelles ne sont pas favorables aux fréquences d’ondes
millimétriques [II.08].
Cependant, l’utilisation d’une antenne directionnelle `a gain ´élevé peut être appliquéepour
compenser les pertes de propagation, bien que la perte de trajectoire soit un desinconvénients
de mmWave, le côté positif, qu’on peut améliorer le signal `a la réceptionpar l’utilisation des
antennes de petite taille `a gain ´élevée [II.08].

II.7.4. Atténuation par la pluie

Les conditions météorologiques ont un impact considérable dans la d´dégradation

dupuissance de signal reçu dans les ondes millimétriques en raison que les gouttes de pluies et
les flocons de neige ont à peu près une même dimension de la longueur d’onde commela
figure ci-dessous nous montre [II.08] :

37
 Figure II.12 Illustration des longueurs d’onde d’un signal de 60GHz et de 3GHz
par rapport à une goutte de pluie du 2mm de diamètre

Nous pouvons voir que pour une forte pluie de 25𝑚𝑚 = ℎ, l’atténuation est d’environ7𝑑𝐵 =
𝑘𝑚à 28GHz et d’environ 10𝑑𝐵 = 𝑘𝑚à 73GHz.

II.7.5. Directivitée

Avec une petite longueur d’onde, les réseaux d’antennes ´électroniquement orientables
peuvent être réalisés sous forme de motifs du métal sur des circuits imprimés, ensuite, en
contrôlant la phase du signal transmis par chacun d’eux, le réseau d’antennes dirige son
faisceau vers n’importe quelle direction ´électroniquement et d’atteindre un gain ´élevé dans
cette direction, tout en offrant un gain très faible dans toutes les autres directions. Pour que
l’´metteur et le récepteur dirigent leurs signaux faisceaux l’un vers l’autre, la procédure
d’entraînement des faisceaux est n´nécessaire, et plusieurs algorithmes d’apprentissage du
faisceau ont ´été mis au point [II.08].

II.7.6. Sensibilité au blocage

En raison de leur courte longueur d'onde, les ondes millimétriques sont plus facilement
bloquées ou atténuées par des obstacles physiques tels que les bâtiments, les arbres, les murs,
les fenêtres et même les conditions météorologiques, en particulier la pluie et le brouillard.
Les objets solides peuvent réfléchir, diffracter ou absorber ces ondes, ce qui peut entraîner une
perte de signal ou une dégradation de la qualité de transmission. Par exemple, le blocage par
un humain (FigureII.13) pénalise le budget de liaison de 20 à 30dB, la propagation dans un
environnement intérieur en présence de l’activité humaine, le canal est bloqué pendant
environ 1% ou 2% du temps pour une `a cinq personnes [II.08].

38
 Figure II.13 Blocage humain de la communication entre un émetteur et le récepteur

II.7.7. Absorption atmosphérique

L’existence de lignes d’absorption dans les ´éléments composant les gaz atmosphériquesqui
absorbent l’énergie de signal comme la vapeur d’eau et l’oxygène. Ce sont parmiles gaz
importants qui atténuent les signaux radio notamment aux fréquences des ondesmillimétriques
ou la propagation doit être limitéeà des très courtes distances [II.09].
Cette atténuation limite la portée des communications en mmWave, des cellules de pluspetite
taille appliquée pour améliorer l’efficacité spectrale aujourd’hui, c’est pourquoiles
communications mmWave sont principalement utilisées pour les environnements intérieurs,
l’accès aux petites cellules et le backhaul avec des cellules de l’ordre de 200m [II.09]. La
Figure II.14 montre les pertes des molécules de 𝐻2𝑂et𝑂2 :

Figure II.14 Atténuation spécifique de l0O2, de l0H2O et de la pluie au niveau de

39
 II.7.8. Perte de pénétration

Les ondes millimétriques présentent une perte de pénétration significative par rapport à
d'autres fréquences utilisées pour les communications sans fil. En raison de leur courte
longueur d'onde, elles sont plus facilement atténuées et bloquées par des obstacles physiques
tels que les murs, les bâtiments et les objets solides.

Tableau II.1 Comparaison des pertes de pénétration pour différents environnement

Environnement Location matériel Epaisseur La puissance reçue

Perte de
(cm) (dBm)
pénétration
Espace matériel
(dB)
libre
Extérieure verre
ORH 3.8 -34.9 -75.0 40.1
teinté
WWH brique 185.4 -34.7 -63.1 28.3
Intérieure verre
MTC <1.3 -34.7 -59.2 24.5
transparent
verre
<1.3 -34.7 -38.3 3.6
WWH transparent
mur 38.1 -34.0 -40.9 6.8

Pour l’intérieur si les utilisateurs se connectent `a des stations de base extérieure, lessignaux
doivent passer à travers les murs de bâtiment. Cela peut subir une perte depénétration très
élevée, ce qui entraine une dégradation significative de débit de données, de la qualité
d’efficacité spectrale et l’efficacité énergétique. Plus la fréquence porteuseest élève plus la
situation est grave. Par conséquent, on s’attend à ce que les scenariosextérieur et intérieur
soient séparés dans la future architecture cellulaire 5 G [II.09].

40
 II.8. Autres solutions technologiques en 5G

II.8.1. Optimisation de la connectivité 5G

Le Suivi de l'Utilisateur et le Handover Intelligent en 5G visent à garantir une connectivité

fluide tout en suivant les déplacements des utilisateurs. Ce système permet une transition
transparente entre les stations de base lorsque les utilisateurs se déplacent, assurant ainsi une
continuité de service sans interruption. Les informations de localisation et de qualité du signal
sont utilisées pour déterminer le moment optimal du transfert entre les cellules, offrant une
expérience utilisateur sans accroc lors des déplacements.
L'Utilisation de Petites Cellules implique le déploiement de stations de base de petite taille,
augmentant la capacité et la couverture du réseau. Ces petites cellules sont adaptées aux zones
densément peuplées ou aux espaces où la demande de données est élevée. Elles offrent une
connectivité robuste et améliorent la qualité du service dans des environnements où les
stations traditionnelles pourraient être limitées en termes de capacité.
Le Network Slicing est une méthode de découpage logique du réseau en plusieurs segments
virtuels, permettant de répondre à des besoins spécifiques d'applications ou d'utilisateurs.
Chaque tranche (slice) fonctionne de manière indépendante, avec des paramètres adaptés aux
exigences de l'application ou de l'utilisateur. Cela garantit une allocation efficace des
ressources du réseau, fournissant des services personnalisés avec des niveaux de performance
différents en fonction des besoins spécifiques.

II.8.2. Innovations technologiques en 5G

Les Technologies d'Antennes Intelligentes explorent des avancées telles que les antennes
adaptatives et à balayage électronique. Ces avancées visent à améliorer la précision du signal
en s'adaptant aux mouvements des utilisateurs ou des appareils. Elles optimisent la qualité du
signal en ajustant la direction et la forme du faisceau, ce qui renforce la connectivité dans des
environnements dynamiques.
L'Edge Computing consiste à effectuer des calculs au plus près des utilisateurs ou des
appareils pour réduire la latence et améliorer la connectivité dans des applications sensibles à
la rapidité de traitement. Cette approche décentralisée permet un traitement rapide des
données à la périphérie du réseau, réduisant ainsi la dépendance vis-à-vis du cloud central et
améliorant la réactivité des applications.
L'Utilisation de l'Intelligence Artificielle (IA) dans les réseaux de communication optimise les
performances en prédisant les schémas de mobilité, en ajustant dynamiquement les
paramètres du réseau et en améliorant la gestion des ressources. L'IA est un moteur pour
41
l'automatisation et l'optimisation des opérations réseau, ce qui renforce l'efficacité et la
fiabilité du système.
L'Hybridation des Réseaux combine différentes technologies de communication telles que la
5G, le Wi-Fi et d'autres réseaux pour optimiser la connectivité. Cette approche vise à tirer
parti des forces de chaque technologie pour offrir une connectivité robuste et étendue, adaptée
à une variété de scénarios d'utilisation. Elle offre une flexibilité accrue pour répondre aux
divers besoins des utilisateurs et des applications. [II.10].

II.9. Limitations et faiblesses

L'avènement des réseaux 5G a promis une connectivité avancée pour les communications sans
fil, mais le déploiement de cette technologie dans des environnements dynamiques comme les
événements sportifs a mis en lumière des défis significatifs. Pour contourner ces obstacles,
plusieurs solutions technologiques ont été explorées. Le beamforming et le suivi de
l'utilisateur ont été considérés pour diriger des faisceaux précis vers les utilisateurs, mais la
sensibilité aux obstructions et la complexité du suivi ont présenté des défis majeurs,
notamment lors de déplacements rapides. L'introduction de petites cellules a été envisagée
pour une meilleure couverture, mais la gestion des interférences entre elles et la planification
d'infrastructure restent des défis cruciaux.

Le MIMO (Multiple Input Multiple Output) est essentiel aux réseaux 5G, améliorant la
capacité et l'efficacité du spectre. Cependant, il présente des limites en termes de complexité
matérielle et de consommation d'énergie, nécessitant plusieurs antennes et impactant les coûts.
Dans les environnements denses ou pour des appareils compacts, sa performance peut être
compromise. Gérer l'interférence entre antennes peut également poser des défis, mais malgré
ces limitations, son déploiement stratégique reste crucial pour améliorer la connectivité 5G.

Une autre approche, le network slicing, a été explorée pour gérer diverses tranches de réseau,
offrant une personnalisation, mais nécessitant une gestion complexe pour garantir des
performances optimales. Les technologies d'antennes intelligentes et le computing en
périphérie (Edge Computing) ont également été envisagés, mais ils présentent des limitations
telles que la portée restreinte et la dépendance aux ressources locales, ce qui soulève des
préoccupations en termes de complexité de déploiement et de latence résiduelle.

42
L'intégration de l'intelligence artificielle dans ces réseaux 5G offre des opportunités pour une
gestion plus intelligente et réactive, bien que la nécessité de données massives et la
complexité de gestion représentent des défis majeurs. Enfin, l'hybridation des réseaux pour
combiner différentes technologies offre des avantages, mais la complexité de l'intégration et la
gestion des transitions demeurent des préoccupations majeures. Face à ces enjeux, chaque
solution technologique doit être étudiée et déployée de manière stratégique pour surmonter
ces obstacles tout en maximisant les avantages de la connectivité 5G dans des environnements
dynamiques comme les événements sportifs.

II.10. Conclusion

L'exploration des stratégies 5G pour surmonter les obstacles et gérer la mobilité a mis en
lumière des solutions innovantes, mais pas exemptes de limitations. Bien que diverses
approches telles que le beamforming, le suivi de l'utilisateur, les petites cellules et d'autres
aient été explorées avec succès, elles présentent des défis pour gérer les déplacements
brusques et les obstacles dans des environnements dynamiques. Ces méthodes ont montré une
certaine efficacité, mais leur déploiement peut être entravé par des contraintes matérielles, des
coûts accrus ou une complexité opérationnelle. Ainsi, dans le prochain chapitre, nous
introduirons une méthode novatrice qui cherche à relever ces défis en intégrant des solutions
adaptées à la mobilité tout en atténuant ces limitations.

43
 CHAPITRE III : DEPASSER LES OBSTACLES DE LA 5G : OPTIMISATION DES
PERFORMANCES ET ALGORITHME SINR POUR UNE MEILLEURE QUALITE
DE TRANSMISSION

III.1. Introduction

L'avènement de la 5G a apporté des avancées majeures en connectivité, mais la mobilité

demeure un défi crucial. Les ondes millimétriques présentent des limitations en portée et en
traversée d'obstacles, problèmes amplifiés lors de déplacements rapides, notamment pour les
drones capturant des événements sportifs. Pour pallier ces difficultés, l'optimisation de
l'algorithme SINR se révèle essentielle. Mesurant la qualité du signal malgré les interférences
et le bruit, il est fondamental pour maintenir une connectivité stable dans des environnements
mobiles.Les obstacles physiques et les conditions météorologiques altèrent la stabilité de la
diffusion, nécessitant des solutions innovantes. L'introduction d'un relais à l'intérieur du stade,
intégrant une version améliorée du SINR, agit comme interface entre la station de base
extérieure et le drone. Cette reprogrammation renforce la communication, assurant une
diffusion fluide et de haute qualité des événements sportifs. Ce chapitre examine comment
l'optimisation des mmWaves et de l'algorithme SINR s'attaquent aux défis de mobilité en 5G,
en se concentrant sur les transmissions en direct lors d'événements dynamiques.

III.2. Limitations des mmWaves en Mobilité Élevée

L'exploitation de fréquences plus élevées ouvre une voie prometteuse vers des performances
optimisées dans les réseaux 5G. Ces fréquences offrent une bande passante plus large,
propulsant les débits à des niveaux sans précédent. Cependant, leur portée réduite exige un
déploiement dense pour les zones urbaines. Les signaux à fréquences plus élevées sont moins
sujets aux interférences, améliorant la qualité de la communication. Néanmoins, les obstacles
physiques peuvent perturber leur transmission. En somme, les fréquences plus élevées
promettent une expérience 5G plus rapide et stable, mais nécessitent une conception
méticuleuse du réseau.

44
 III.2.1. Portée limitée et Sensibilité aux Obstacles

Les ondes millimétriques, appréciées pour leur haut débit dans les réseaux 5G, présentent des
limitations notables de portée. Leur courte portée, par rapport à d'autres fréquences, impacte
la transmission, surtout lors de déplacements rapides, comme ceux d'un drone filmant un
événement en direct. Malgré leur performance en débit, les mmWaves ont une portée
restreinte, limitant leur efficacité lorsque les appareils se déplacent rapidement. Ces ondes
sont sensibles aux obstacles physiques, comme les bâtiments, altérant leur capacité à
transmettre efficacement. Les mouvements brusques, tels ceux d'un drone en mouvement
rapide, accentuent ces limitations, compromettant la stabilité du signal. Surmonter cette
sensibilité aux obstacles s'avère crucial pour garantir une connectivité fiable lors de scénarios
de mobilité intense en 5G.

III.2.2 Impact des mouvements rapides des drones sur les mmWaves

Les mouvements rapides des drones utilisés pour la capture vidéo en direct ont un effet
significatif sur la stabilité des ondes millimétriques (mmWaves) employées dans les réseaux
5G. Cette vitesse de déplacement altère la qualité du signal mmWave, entraînant des
fluctuations momentanées qui impactent la transmission des données, notamment lors de la
captation en direct d'événements sportifs. Ces mouvements brusques occasionnent des
interruptions temporaires de la transmission, perturbant la continuité du flux de données et
affectant l'expérience immersive des utilisateurs.
La dynamique de mobilité rapide des drones souligne la nécessité pour les infrastructures des
réseaux 5G de s'adapter à ces changements pour minimiser l'incidence sur la stabilité des
mmWaves. Gérer efficacement ces variations de position devient essentiel pour garantir une
connectivité stable et de qualité pendant la captation en direct, surtout dans des contextes où
la fiabilité et la fluidité des transmissions en temps réel sont cruciales pour offrir une
expérience optimale aux spectateurs.

III.2.3 Contraintes atmosphériques et ligne de vue directe

Les contraintes atmosphériques impactent la stabilité des ondes millimétriques (mmWaves)

utilisées dans les réseaux 5G, particulièrement en situation de ligne de vue directe entre
l'émetteur et le récepteur. Les conditions météorologiques changeantes, telles que la pluie ou
le brouillard, affectent la stabilité du signal lors de la transmission en direct. Ces variations
atmosphériques altèrent la qualité de la connectivité, perturbant la réception du signal
mmWave, notamment dans des contextes nécessitant une transmission en temps réel, comme

45
la capture vidéo par un drone lors d'événements sportifs. Maintenir une ligne de vue directe
entre l'émetteur (le drone) et le récepteur (la station de base) est crucial pour une transmission
fluide et fiable, mais les conditions atmosphériques peuvent perturber cette liaison directe,
compromettant ainsi la continuité de la transmission en 5G.

III.3. Intégration des Relais Internes pour contourner les limitations

Figure III.1 Fonctionnement du projet

 Explication du Schéma :

Les ondes millimétriques, bien que prometteuses pour leur haut débit, ont une portée réduite.
En utilisant un relais à l'intérieur du stade, le signal est transmis sur de plus courtes distances,
contournant ainsi la limitation de portée des ondes millimétriques.

Les ondes millimétriques rencontrent des difficultés à traverser les obstacles physiques, tels
que le béton. En positionnant un relais à l'intérieur du stade, on évite une transmission directe
à travers les parois, ce qui peut affaiblir le signal. Ce relais permet de contourner ces
obstacles, améliorant ainsi la transmission du signal vers l'extérieur. En parallèle, pour
renforcer davantage la qualité du signal, nous intégrerons un troisième dispositif, similaire à
un amplificateur, dans lequel nous implémenterons une amélioration de l'algorithme SINR.

46
  Caméra du Drone :

La caméra du drone capte les images du match et émet un signal de transmission.

 BTS Intérieur (Relais) :

Le BTS à l'intérieur du stade joue un rôle crucial en recevant le signal émis par la caméra du
drone. Il agit comme un relais pour transmettre ce signal vers d'autres récepteurs ou
transmetteurs.

 Troisième dispositif

Le rôle du troisième dispositif réside dans son intervention stratégique pour améliorer la
qualité de transmission. Agissant tel un amplificateur, il est intégré spécifiquement pour
renforcer le signal. Ce dispositif complémentaire permet de contourner les obstacles
physiques rencontrés par les ondes millimétriques, tels que les parois en béton d'un stade. En
implémentant une version améliorée de l'algorithme SINR, il contribue à optimiser la qualité
de la transmission de manière plus efficace, renforçant ainsi la connectivité dans des
conditions de mobilité intense ou dans des environnements complexes.

 BTS Extérieur :

Le BTS à l'extérieur du stade reçoit le signal émanant du BTS intérieur (le relais). Il peut
transmettre ce signal vers d'autres destinations pour le traitement ou la diffusion ultérieure.

 Interprétation du Schéma :

Ce schéma met en évidence une architecture de transmission où le BTS à l'intérieur du stade

agit comme relais crucial pour le signal émis par la caméra du drone. Ce dispositif intègre un
troisième élément, semblable à un amplificateur, jouant un rôle crucial dans le renforcement
du signal avant sa transmission vers le BTS interne. Ce relais interne joue un rôle pivot,
contournant les obstacles comme le béton du stade, et transmet le signal vers le BTS extérieur.
Cette configuration assure une transmission robuste du signal capté par le drone, surmontant
les limitations potentielles liées aux ondes millimétriques et aux obstacles physiques. En
utilisant ce relais interne, le signal est transmis plus efficacement malgré la portée limitée,
garantissant une connectivité accrue pour une diffusion ou un traitement ultérieur du signal
capturé.

47
 III.3. Optimisation de l'Algorithme SINR en 5G

En combinant cette approche de relais interne au stade avec l'amélioration de l'algorithme

SINR, nous maximisons la qualité de transmission malgré les obstacles. Cette combinaison
offre une connectivité robuste, contournant les limitations des ondes millimétriques tout en
optimisant l'utilisation des ressources, donnant ainsi une valeur accrue à nos recherches.

III.3.1. Importance du Signal-to-Interference-plus-Noise Ratio (SINR)

Le Signal-to-Interference-plus-Noise Ratio (SINR) est un paramètre crucial dans les systèmes

de communication sans fil, reflétant la qualité du signal reçu par un utilisateur dans un
environnement donné. Il mesure le rapport entre le signal utile, les interférences d'autres
signaux et le bruit de fond, fournissant ainsi une mesure quantifiable de la qualité de la
communication. Mathématiquement, le SINR est exprimé comme :
𝑆𝑖𝑔𝑛𝑎𝑙 𝑃𝑢𝑖𝑠𝑠𝑎𝑛𝑡
𝑆𝐼𝑁𝑅 = (III.01)
(𝐼𝑛𝑡𝑒𝑟𝑓é𝑟𝑒𝑛𝑐𝑒𝑠 + 𝐵𝑟𝑢𝑖𝑡)

Le numérateur représente la puissance du signal transmis par l'émetteur de l'utilisateur

d'intérêt, tandis que le dénominateur englobe à la fois les signaux indésirables des autres
utilisateurs (interférences) et le bruit aléatoire de l'environnement. Un SINR plus élevé
indique une meilleure qualité du signal reçu par l'utilisateur, ce qui se traduit par une
communication plus fiable et à débit plus élevé.

III.3.2. Enjeux liés à la qualité du signal dans des conditions de mobilité

intense

Dans des conditions de mobilité intense, la qualité du signal devient un enjeu crucial pour les
réseaux de communication, notamment en 5G. Les déplacements rapides, comme ceux
observés lors de la captation vidéo par un drone en mouvement lors d'événements sportifs,
soulèvent des défis significatifs pour maintenir une connectivité stable. La vitesse et les
mouvements brusques impactent la qualité du signal, altérant la transmission des données via
les ondes millimétriques (mmWaves). Assurer une qualité de signal optimale dans ces
situations devient donc essentiel pour garantir une expérience utilisateur fluide et sans
interruption, tout en maintenant la fiabilité de la transmission en temps réel. Ces enjeux
soulignent la nécessité d'adaptations et d'optimisations spécifiques pour préserver la stabilité
du signal, notamment lorsque la mobilité est intense et rapide.

48
 III.3.3. Méthodes d'optimisation de l'algorithme SINR : la programmation
linéaire comme solution

Les méthodes visant à optimiser l'algorithme SINR en 5G sont cruciales pour assurer une
connectivité fiable. L'algorithme SINR évalue la qualité du signal reçu par les utilisateurs en
tenant compte des interférences et du bruit. La programmation linéaire émerge comme une
solution efficace pour améliorer cet algorithme. Cette méthode permet une allocation
judicieuse des ressources du réseau en fonction des besoins spécifiques des utilisateurs et des
conditions de transmission. Elle résout avec précision et efficacité les problèmes complexes
d'optimisation. En utilisant la programmation linéaire, il devient possible d'optimiser
l'algorithme SINR, même dans des scénarios exigeants de mobilité élevée. Cette approche
améliore la gestion des ressources du réseau, même lors de la capture de vidéos par des drones
en mouvement rapide. Elle offre une meilleure adaptation aux fluctuations du canal de
transmission.

III.4. SINR Standard

La compréhension du SINR standard dans les réseaux 5G est cruciale pour évaluer les
performances actuelles et identifier les opportunités d'amélioration.

III.4.1. Caractéristiques des Réseaux 5G en Mobilité Élevée

Les réseaux 5G ont été conçus pour répondre aux exigences croissantes de mobilité élevée des
utilisateurs, tels que ceux se déplaçant à grande vitesse dans les trains ou les drones volant à
différentes altitudes. Cette mobilité accrue introduit des défis uniques en termes de stabilité du
signal et d'interférences, ce qui peut entraîner une variation significative du SINR.

III.4.2. Interférences dans les Réseaux 5G

L'existence de multiples utilisateurs dans un réseau 5G peut entraîner des interférences qui
affectent directement le SINR. Ces interférences proviennent de signaux émis par d'autres
utilisateurs partageant le même spectre. Plusieurs utilisateurs actifs dans une même cellule
peuvent augmenter les interférences, ce qui peut potentiellement réduire le SINR pour certains
utilisateurs.

III.4.3. Optimisation du SINR dans les Fréquences Traditionnelles

Dans les fréquences traditionnelles utilisées par les réseaux 5G, l'optimisation du SINR
devient un défi complexe en raison de la mobilité élevée des utilisateurs et des interférences

49
potentielles. Les techniques conventionnelles d'allocation des ressources peuvent ne pas
suffire pour garantir un SINR stable et élevé dans toutes les conditions.

III.4.4. Limitations du SINR Standard en Mobilité Élevée

Malgré les efforts pour optimiser le SINR dans les réseaux 5G, les limitations inhérentes aux
fréquences traditionnelles peuvent persister dans les environnements de mobilité élevée. Les
variations rapides du canal, les interférences et la propagation du signal peuvent
compromettre la qualité du SINR et donc la qualité globale de la communication.

III.5. SINR Amélioré en Utilisant les mmWaves

L'algorithme SINR (Signal-to-Interference-plus-Noise Ratio) est généralement mis en œuvre

dans le système de traitement de signal à la fois du récepteur et de la station de base (BTS -
Base Transceiver Station) dans les réseaux de communication.

Dans un contexte de réseau 5G, l'algorithme SINR est souvent implémenté à différents
niveaux du réseau pour améliorer la qualité de la transmission. Au niveau du récepteur, cet
algorithme est utilisé pour optimiser la réception du signal, minimisant les interférences et le
bruit pour obtenir une qualité de signal maximale.

Du côté de la station de base (BTS), l'algorithme SINR est employé pour la gestion des
ressources radio. Il permet d'optimiser la distribution des ressources radiofréquences aux
différents utilisateurs, en ajustant les paramètres de transmission pour améliorer la qualité du
signal reçu par ces derniers.

III.5.1. Implémentation au Niveau du Récepteur

Les récepteurs utilisent des algorithmes sophistiqués pour extraire le signal utile des
interférences et du bruit. L'algorithme SINR est utilisé pour calculer ce ratio crucial et ajuster
les paramètres de réception en conséquence.

Méthodes de Filtrage et de Traitement Numérique :

Les techniques de filtrage et de traitement numérique du signal sont utilisées pour optimiser le
SINR au niveau du récepteur. Ces méthodes filtrent les signaux parasites et amplifient le
signal utile, améliorant ainsi la qualité de réception.

50
 III.5.2. Implémentation au Niveau de la BTS

Gestion des Ressources Radio :

Au niveau de la Base Transceiver Station (BTS), l'algorithme SINR est employé pour la
gestion des ressources radio. Il permet de répartir intelligemment les ressources disponibles
entre les différents utilisateurs en fonction de leurs besoins et des conditions du canal de
transmission.

Optimisation des Paramètres de Transmission :

L'algorithme SINR au niveau de la BTS ajuste les paramètres de transmission, tels que la
puissance d'émission et les fréquences utilisées, pour maximiser la qualité du signal reçu par
les utilisateurs.

III.5.4 Programmation Linéaire pour Optimiser le SINR avec les mmWaves

L'optimisation de l'allocation des ressources devient encore plus complexe avec l'introduction
des mmWaves. La programmation linéaire se révèle être une solution efficace pour résoudre
ce problème d'optimisation. Elle permet d'allouer judicieusement les ressources disponibles,
telles que la puissance et la fréquence, pour maximiser le SINR tout en tenant compte des
contraintes spécifiques des mmWaves.

III.6. Utilisation de la Programmation Linéaire pour Améliorer le SINR avec les

mmWaves

Utiliser la programmation linéaire pour améliorer l'algorithme SINR dans un réseau 5G

implique généralement d'optimiser l'allocation des ressources, telles que les fréquences et les
plages de temps, afin de maximiser le SINR pour chaque utilisateur tout en respectant les
contraintes du système. Voici comment on pourra aborder cela en utilisant la programmation
linéaire :

III.6.1. Modélisation du Problème

Définisser le problème d'optimisation comme un programme linéaire. On a besoin de :

 Variables de décision : Ces variables représentent les allocations de ressources pour
chaque utilisateur, comme les fréquences et les plages de temps.
 Objectif : L'objectif est de maximiser le SINR global ou individuel pour chaque
utilisateur.

51
  Contraintes : Les contraintes incluent les limites de puissance, les contraintes de
capacité du canal, les contraintes de fréquence, etc.

Exemple :
Supposons qu’on a N utilisateurs et M ressources (fréquences ou plages de temps)
disponibles. On doit chercher à optimiser l'allocation de ces ressources pour maximiser le
SINR global. Voici une modélisation simplifiée :
- Variables de Décision :
Soit 𝑥𝑖𝑗la quantité d'allocation de la ressource j à l'utilisateur i. Cette variable sera binaire,
prenant la valeur 1 si la ressource est allouée à l'utilisateur i sur la ressource j, sinon 0.
- Objectif :
Maximiser la somme pondérée des SINR individuels pour chaque utilisateur :
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑒 ∑(𝑖 = 1 à 𝑁)𝑤𝑖 ∗ 𝑆𝐼𝑁𝑅𝑖, où 𝑤𝑖 est un poids pour l'utilisateur i.

- Contraintes :
1. Contraintes de Puissance :
Pour chaque utilisateur i, la puissance totale allouée doit être inférieure à la puissance
maximale∑(𝑗 = 1 à 𝑀) 𝑃𝑖𝑗 ∗ 𝑥𝑖𝑗 ≤ 𝑃𝑖 𝑚𝑎𝑥, où 𝑃𝑖𝑗est la puissance allouée à l'utilisateur i sur la
ressource j, et 𝑃𝑖 𝑚𝑎𝑥est la puissance maximale pour l'utilisateur i.
2. Contraintes de Capacité du Canal :
Pour chaque utilisateur i, la somme pondérée des gains de canal doit être supérieure à un
certain seuil (SINR minimal) pour assurer une qualité de signal suffisante :
∑(𝑗 = 1 à 𝑀)𝐻𝑖𝑗 ∗ 𝑃𝑖𝑗 ∗ 𝑥𝑖𝑗 ≥ 𝐷𝑖 𝑚𝑖𝑛,où𝐻𝑖𝑗est le gain de canal entre l'utilisateur i et la
ressource j, et 𝐷𝑖 𝑚𝑖𝑛 est le SINR minimal souhaité pour l'utilisateur i.
3. Contraintes d'Allocation de Ressources :

Chaque ressource doit être allouée à au plus un utilisateur :

∑(𝑖 = 1 à 𝑁)𝑥𝑖𝑗 ≤ 1, pour chaque ressource j.

III.6.2. Formulation Mathématique

Supposons qu'il y ait un seul utilisateur (la caméra du drone) et M ressources disponibles (par
exemple, fréquences, plages de temps). Voici une formulation du problème :

52
 - Variables de décision : Soit x_j la quantité d'allocation de la ressource j pour la caméra
du drone.
- Objectif : Maximiser la somme pondérée du SINR ou du SINR total, selon le cas.
- Objectif : Maximize w * SINR, où w est un poids pour la caméra du drone et SINR est
le Signal-to-Interference-plus-Noise Ratio.
- Contraintes :

ü Contraintes de puissance : , où Pj est la puissance allouée à la caméra du drone sur la

ressource j et Pmax est la puissance maximale pour la caméra du drone.

ü Contraintes de capacité du canal : , où Hj est le gain de canal entre la caméra du drone et la

ressource j, et SINRmin est le SINR minimal souhaité pour la caméra du drone.

ü Contraintes d'allocation de ressources : , pour chaque ressource j.

La formulation mathématique ajustée serait :

- Maximize w * SINR
- Subjectto:

, pour la caméra du drone

, pour chaque ressource j

III.6.3. Résolution du Problème d'Optimisation

Une fois le problème d'optimisation modélisé et les contraintes définies, des techniques de
résolution de la programmation linéaire peuvent être appliquées pour obtenir une solution
optimale. Des algorithmes de résolution efficaces peuvent identifier les valeurs optimales des
variables (telles que la puissance allouée à chaque utilisateur) qui maximisent le SINR tout en
respectant les contraintes spécifiques des mmWaves. Cette sous-section explore les méthodes
couramment utilisées pour résoudre ce type de problème.
Voici le code simplifie en Python pour résoudre le problème d'optimisation que nous avons
discuté précédemment :
import numpyas np
fromscipy.optimizeimport linprog

# Nombre d'utilisateurs et de ressources

N = 1 # Nombre d'utilisateurs (1 drone)
M = 4 # Nombre de ressources (fréquences ou plages de temps)

# Puissance maximale et seuil de couverture

P_max = 10 # Puissance maximale allouée

53
Seuil = 5 # Seuil de puissance pour la couverture

# Matrice d'interférences (à ajuster en fonction de votre réseau)

Interference_matrix = np.random.rand(N, M)

# Création du problème d'optimisation

f = np.zeros(N * M)
A = None
b = None
Aeq = np.kron(np.eye(N), np.ones((1, M)))
beq = np.ones(N)
lb = np.zeros(N * M)
ub = np.ones(N * M)

# Ajout de contraintes pour les variables x, y et z pour un seul

utilisateur
# Ici, x, y et z correspondent aux différentes parties du vecteur x

# Contrainte pour x (signale)

Aeq_x = np.eye(N * M)
beq_x = np.ones(N * M) * P_max

# Contrainte pour y (interférence)

Aeq_y = np.kron(np.ones((1, M)), np.eye(N))
beq_y = np.ones(N) * Seuil

# Contrainte pour z (bruit)

Aeq_z = np.ones(N * M)
beq_z = np.ones(1) # Exemple de contrainte de bruit (à ajuster
selon les besoins)

# Empilement des contraintes

Aeq = np.vstack((Aeq, Aeq_x, Aeq_y, Aeq_z))
beq = np.hstack((beq, beq_x, beq_y, beq_z))

# Fonction objectif (à maximiser)

f = -1 * f

# Résolution du problème d'optimisation

res = linprog(f, A, b, Aeq, beq, bounds=list(zip(lb, ub)))

# Formatage des résultats pour obtenir les puissances et facteurs

d'allocation
x = res.x
power_allocation = x[:N * M].reshape(N, M)
allocation_factors = power_allocation / np.sum(power_allocation,
axis=1)[:, np.newaxis]

# Affichage des résultats

print('Puissances allouées:')
print(power_allocation)
print('Facteurs d\'allocation:')
print(allocation_factors)
print('SINR global optimal:', -res.fun)

54
Ce code utilise Python et sa fonction scipy.optimize.linprogpour optimiser l'allocation de
ressources afin de maximiser le SINR global dans un réseau 5G hypothétique. Voici une
explication étape par étape :
 Initialisation des paramètres :

Définition du nombre d'utilisateurs (N = 1) et de ressources (M = 4).

Spécification de la puissance maximale allouée (P_max) et du seuil de puissance pour la
couverture (Seuil).
Création d'une matrice d'interférences, représentant les niveaux d'interférence entre
l'utilisateur et les ressources disponibles.

 Création du problème d'optimisation :

Initialisation des variables et des contraintes pour les niveaux de puissance (x), les
interférences (y) et le bruit (z) pour l'utilisateur unique.
Définition de la fonction objectif visant à maximiser certains critères, tels que le rapport
signal sur interférence plus bruit (SINR).

 Résolution du problème d'optimisation :

Utilisation de la fonction linprog de la bibliothèque scipy.optimize pour résoudre le problème

d'optimisation linéaire en tenant compte des contraintes spécifiées.
Obtention des puissances allouées et des facteurs d'allocation correspondant à la solution
optimale du problème d'optimisation.
 Affichage des résultats :

Affichage des puissances allouées à chaque ressource ainsi que des facteurs d'allocation
correspondants.
Affichage du SINR global optimal, c'est-à-dire le meilleur rapport signal sur interférence plus
bruit obtenu à partir de la solution optimale du problème.
Ce code se concentre sur l'optimisation de l'allocation de puissance pour un seul utilisateur
dans un environnement sans fil, en tenant compte des interférences et du bruit pour maximiser
le SINR, un élément crucial pour la qualité de la communication sans fil.

55
 III.6.4. Formatage des Résultats

Suite à l'optimisation du SINR en utilisant la programmation linéaire combinée avec les

mmWaves pour gérer la mobilité élevée dans les environnements des drones, les résultats sont
prometteurs et illustrent clairement les avantages de cette approche novatrice.

a. Optimisation du SINR avec la programmation linéaire et les mmWaves

Objectif: Utiliser la programmation linéaire combinée avec les mmWaves pour optimiser le
SINR dans les environnements de mobilité élevée des drones.

Résultats pour un Drone en Mouvement Considérons un scénario où un seul drone vole à

différentes altitudes dans un espace donné. L'objectif est de démontrer comment la
combinaison des mmWaves avec l'optimisation de l'algorithme SINR par la programmation
linéaire améliore le SINR global.

b. Calcul du SINR moyen avant l'optimisation

Objectif: Calculer le SINR moyen avant l'optimisation pour le drone volant à différentes
altitudes.

Avant l'Optimisation : Calculons le SINR moyen avant dans le scénario non optimisé. Le
SINR pour le drone volant à une certaine altitude peut être exprimé comme :

Puissance reçue
𝑆𝐼𝑁𝑅 = (III.02)
(Interférences + Bruit)

c. Application de l'optimisation de l'algorithme SINR avec la programmation

linéaire et les mmWaves

Objectif: Appliquer l'optimisation de l'algorithme SINR avec la programmation linéaire et la

combinaison des mmWaves pour le drone en mouvement.

Après l'Optimisation : Appliquons l'optimisation de l'algorithme SINR avec la programmation

linéaire et la combinaison des mmWaves pour le drone en mouvement. Calculons le SINR
moyen après l'optimisation.

d. Comparaison des résultats avant et après l'optimisation

Objectif: Comparer mathématiquement le SINR avant et après l'optimisation pour démontrer

l'amélioration.

56
Comparaison des Résultats : En comparant le SINR avant et après, nous pouvons démontrer
mathématiquement l'amélioration du SINR grâce à l'optimisation.

e. Validation de l'optimisation par des équations spécifiques au scénario du drone

en mouvement

Objectif: Utiliser des équations spécifiques au scénario du drone en mouvement pour montrer
comment l'optimisation linéaire ajuste les paramètres pour améliorer le SINR.

Exemple d'Équation : Supposons que la puissance reçue par le drone volant à une certaine
altitude est donnée par Puissance reçue = Distance2 * Pi, où Pi est la puissance allouée et
Distance est la distance entre le drone et la station de base.

f. Avantages de l'approche combinée mmWaves et optimisation de l'algorithme

SINR

Objectif: Mettre en évidence les avantages de l'approche combinée mmWaves et optimisation

de l'algorithme SINR dans les environnements de mobilité élevée.

Les résultats obtenus de cette approche combinée témoignent de son efficacité. Les
communications dans des environnements de mobilité élevée ont été nettement améliorées
grâce à une allocation optimale des ressources, la réduction des interférences et la
maximisation du SINR. Comparativement aux méthodes traditionnelles, cette approche offre
des avantages substantiels en termes de qualité de service, de stabilité de la communication et
de débits de données élevés. Ces résultats renforcent l'idée que la combinaison des mmWaves
avec l'optimisation de l'algorithme SINR par le biais de la programmation linéaire est une
stratégie très prometteuse pour relever les défis complexes de mobilité élevée dans les réseaux
5G. Ils soulignent la capacité de cette approche à répondre aux besoins croissants de
connectivité dans des environnements dynamiques tels que les TGV en mouvement rapide et
les drones volant à différentes altitudes.

57
 III.7. Conclusion

L'amélioration de la connectivité en utilisant un relais interne au stade pour contourner les

obstacles des ondes millimétriques associées à l'optimisation de l'algorithme SINR constitue
une avancée majeure pour les réseaux 5G dans des scénarios de mobilité intense, tels que la
capture de matchs de football par des drones en mouvement rapide.Cette approche novatrice
surmonte les limitations de portée et la sensibilité aux obstacles physiques des ondes
millimétriques en introduisant un relais interne au stade. Ce relais agit comme un pont pour
assurer une transmission fiable du signal, même en présence d'obstacles comme le béton du
stade, garantissant ainsi une connectivité stable.En parallèle, l'optimisation de l'algorithme
SINR par la programmation linéaire permet une gestion plus efficace des ressources du
réseau. Cette optimisation cible l'attribution judicieuse des ressources, améliorant la qualité du
signal malgré la mobilité élevée des drones et garantissant des performances optimales du
réseau 5G.Cette combinaison synergique de techniques offre une connectivité plus fiable et
stable pour la diffusion en direct de matchs de football filmés par des drones, promettant une
expérience immersive et de qualité pour les spectateurs. Elle ouvre également la voie à des
applications similaires dans d'autres domaines de mobilité, consolidant ainsi les fondements
d'une connectivité 5G hautement performante dans des environnements exigeants. Cette
approche révèle un potentiel considérable pour les futures avancées des réseaux 5G et des
technologies de communication mobile.

58
 CHAPITRE IV : SIMULATION, RESULTATS ET DISCUSSION

Ce chapitre est consacré à la présentation des résultats de nos simulations et à l'analyse

mathématique des performances de notre approche d'optimisation de l'algorithme SINR dans
un contexte de mobilité élevée en utilisant la programmation linéaire.

IV.1. Introduction à la Simulation

La simulation constitue un pilier essentiel de cette étude, visant à évaluer les performances du
réseau 5G dans des scénarios de mobilité intense, en particulier lors de la captation de matchs
de football par des drones en mouvement rapide. Cette section introductive expose la
méthodologie de simulation adoptée ainsi que les objectifs précis visés.

IV.1.1. Objectifs de la Simulation

Dans cette phase de simulation, l'évaluation d'une solution innovante pour dépasser les
limitations des ondes millimétriques (mmWaves) dans la capture en direct des matchs de
football par des drones est essentielle. L'introduction d'un relais interne au sein du stade est
explorée pour surmonter les obstacles physiques et étendre la portée limitée des mmWaves.
En parallèle, l'optimisation de l'algorithme SINR par la programmation linéaire offre une
avancée significative. Intégrer cet algorithme optimisé dans des dispositifs intermédiaires tels
que les répéteurs ou amplificateurs permet de renforcer la qualité du signal, amplifiant ainsi la
portée et l'efficacité de la solution de relais interne, offrant ainsi une connectivité robuste et
améliorée pour la capture de matchs en direct.

59
 Figure IV.1 Aperçu générale du fonctionnement du projet
Une part essentielle de cette évaluation réside dans l'optimisation de l'algorithme SINR par la
programmation linéaire. L'objectif est d'évaluer comment cette optimisation pourrait
améliorer la gestion des ressources du réseau 5G, garantissant une transmission stable malgré
la mobilité élevée des drones.

En parallèle, cette simulation cherche à valider empiriquement l'amélioration des

performances du réseau 5G dans des conditions réalistes de mobilité intense. Elle se concentre
sur la mesure de la qualité du signal, la stabilité de la transmission et l'efficacité de la
connectivité pour démontrer les bénéfices concrets apportés par l'intégration du relais interne
et l'optimisation de l'algorithme SINR.

Le but ultime de cette simulation est de comparer et d'analyser différents scénarios de réseau,
incluant ceux avec et sans relais interne, ainsi qu'avec et sans l'optimisation de l'algorithme
SINR. Cette comparaison permettra de mettre en lumière les avantages significatifs de cette
approche innovante dans des situations où la mobilité est un défi, notamment lors de la
captation dynamique de matchs de football par des drones.

60
 IV.1.2. Méthodologie de Simulation

Pour implémenter la simulation, nous avons opté pour Python, une plateforme logicielle
polyvalente et robuste. Nous avons utilisé des bibliothèques spécifiques telles que SimPy pour
la modélisation des réseaux, NumPy pour les calculs scientifiques et la manipulation de
données, ainsi que Matplotlib pour la visualisation des résultats.

Ces bibliothèques spécialisées offrent des fonctionnalités pour modéliser les caractéristiques
des réseaux sans fil, simuler la dynamique des dispositifs mobiles, et représenter la
propagation des ondes millimétriques. Elles intègrent des modèles adaptés à la simulation des
comportements des drones dans divers environnements, incluant la prise en compte
d'obstacles tels que des structures en béton dans un stade. De plus, ces outils permettent de
décrire le fonctionnement des relais internes, en spécifiant leur position stratégique et leur rôle
dans la transmission des signaux.

En parallèle, pour étudier et optimiser des algorithmes comme l'algorithme SINR, nous avons
utilisé des fonctionnalités offertes par les bibliothèques Python, telles que SciPy pour
l'optimisation numérique et la simulation de comportements dans des scénarios de mobilité
élevée, similaire à la transmission de flux vidéo en direct depuis un drone.

Nous avons recours à des bibliothèques spécifiques :

Voici une manière de représenter ces fonctionnalités en Python :

 SimPy : Pour la simulation de processus et d'événements.

 NumPy et SciPy : Pour la modélisation mathématique et la simulation des canaux de
propagation.

Pour la modélisation des drones et des systèmes mobiles :

 PyDy : Pour la dynamique symbolique et la modélisation des systèmes mécaniques.

 Matplotlib : Pour la visualisation des mouvements et des réponses aux changements
environnementaux.

Pour l'optimisation des algorithmes tels que l'algorithme SINR :

 SciPy : Pour l'optimisation numérique et la simulation de comportements complexes.

61
IV.1.3. Justification des Choix

Dans notre recherche axée sur l'amélioration de la connectivité 5G lors de la capture de

matchs de football par des drones en mouvement rapide, notre approche méthodologique s'est
basée sur la simulation et la modélisation.

La simulation s'est avérée être l'approche la plus pertinente pour évaluer l'efficacité des
solutions proposées. En utilisant Python, nous avons pu recréer des environnements réalistes,
incluant des éléments 5G tels que les stations de base, les relais internes et les caractéristiques
spécifiques des ondes millimétriques. Cette méthode nous a permis d'analyser l'impact des
modifications apportées à l'algorithme SINR et à l'intégration de relais internes dans des
conditions de mobilité intense.

Quant à la modélisation, elle a été sélectionnée pour sa capacité à dépeindre avec précision et
détail les interactions entre les composants du réseau, le drone et les obstacles typiques tels
que les structures en béton des stades de football. Cette approche a offert une vision claire des
effets potentiels des améliorations envisagées dans des situations réelles, facilitant ainsi
l'évaluation de leur efficacité avant leur implémentation.

IV.2.1 Configuration du Réseau 5G

Pour illustrer la configuration des stations de base autour d'un stade, imaginons un stade situé
à l'origine d'un plan cartésien, et configurons quatre stations de base (BTS) autour de celui-ci.

Supposons que nous voulons placer ces BTS à des positions spécifiques pour assurer une
couverture homogène du stade. Nous les disposons donc aux coordonnées suivantes : BTS1 à
(10, 15), BTS2 à (-50, 50), BTS3 à (-50, -50), et BTS4 à (50, -50). Ces positions peuvent
varier selon les besoins de la simulation et la topologie du stade.

Ensuite, nous attribuons à ces BTS des fréquences millimétriques pour une transmission à
haute vitesse.

Pour représenter la puissance d'émission, nous fixons une puissance standard de 20dBm pour
chaque station de base.

Voici le code Python :

import matplotlib.pyplotas plt

# Définition des coordonnées des BTS

BTS = [
{"Position": [10, 15], "Frequency": 28e9, "Power": 20}, # BTS1

62
{"Position": [-50, 50], "Frequency": 26e9, "Power": 20}, # BTS2
{"Position": [-50, -50], "Frequency": 24e9, "Power": 20}, # BTS3
{"Position": [50, -50], "Frequency": 30e9, "Power": 20} # BTS4
]

# Visualisation de la configuration des BTS

plt.figure()
for i, btsin enumerate(BTS):
plt.plot(bts["Position"][0], bts["Position"][1], 'o', label=f'BTS{i
+ 1}')

plt.legend()
plt.xlabel('Coordonnée X')
plt.ylabel('Coordonnée Y')
plt.title('Configuration des BTS autour du stade')
plt.show()

Ce code crée une représentation des BTS autour du stade, définissant leurs positions,
fréquences et puissances d'émission. En exécutant ce script, une figure affiche la disposition
des BTS sur un graphique 2D avec leurs positions relatives pour une simulation simplifiée de
la configuration du réseau 5G.

63
Voici le résultat :

Figure IV.2 Configuration du BTS autour du stade

Coordonnées des BTS : Les coordonnées spatiales des BTS sont définies en utilisant les
paires de coordonnées (X, Y) pour chaque BTS. Ces coordonnées représentent la position de
chaque station de base par rapport au stade.

Attribution des fréquences : Chaque BTS se voit attribuer une fréquence de transmission
spécifique, représentée en Hertz (Hz).

Puissance d'émission : La puissance d'émission est définie de manière uniforme pour chaque
BTS. Dans ce cas, la puissance d'émission de chaque BTS est fixée à 20 dBm (décibel-
milliwatts).

Visualisation : Le code utilise la fonction plot pour afficher les positions des BTS sur un
graphique 2D. Chaque BTS est représenté par un point (marqueur "o") avec des étiquettes
pour identifier les différentes stations de base.

64
IV.2.2 Modélisation du Relais Interne
L'objectif est de générer un graphique qui montre la position du relais interne dans le stade
pour une représentation visuelle. Les valeurs numériques utilisées ici sont des exemples et
peuvent être ajustées pour correspondre à la position et aux paramètres réels du relais.

Dans notre cas on va utiliser le relais dans la position [10, 15].

Voici le code Python :

import matplotlib.pyplotas plt

# Coordonnées du relais
relay_position = [10, 15]
relay_frequency = 30e9 # Fréquence de transmission du relais
relay_power = 25 # Puissance de transmission du relais

# Affichage de la position du relais interne

plt.scatter(relay_position[0], relay_position[1], marker='s',
label='Relay', color='red')
plt.text(relay_position[0], relay_position[1], 'Relay',
horizontalalignment='right')
plt.xlabel('Position X')
plt.ylabel('Position Y')
plt.title('Position du Relais Interne dans le Stade')
plt.legend()
plt.show()

Résultats :

Figure IV.3 Position du relais dans le stade

65
 IV.3. Résultats de Simulation et Mesures Mathématiques :

Le scénario sans relais interne vise à simuler la transmission d'un drone dans un stade sans la
présence d'un relais interne. Cela représente une configuration où le drone doit transmettre
directement vers les stations de base (BTS) situées à l'extérieur du stade. L'objectif est de
comprendre comment cette absence de relais interne, combinée à la présence de structures
comme le béton du stade, peut impacter la qualité de la transmission du signal en utilisant des
ondes millimétriques (mmWave) typiques des réseaux 5G. On cherche à évaluer la perte de
qualité de transmission due à l'absence de relais interne pour contourner les obstacles et
maintenir une meilleure connectivité. Ainsi, pour simuler l'absence du relais à l'intérieur du
stade, ondoit prendre en compte l'impact du stade sur la transmission des ondes
millimétriques.

Voici le code sous python :

import math

deftransmission_sans_relais():
# Position initiale du drone (au centre du stade)
x = 30 # coordonnée x
y = 40 # coordonnée y

# Autres paramètres de simulation du drone

vitesse = 5 # Vitesse du drone en m/s

# Simulation des mouvements du drone dans le stade

for iterationin range(1, 11):
# Mouvement du drone
x += vitesse # Simulation du déplacement en x

# Vérification si le drone est à l'intérieur du stade

if 20 <= x <= 80 and 20 <= y <= 80: # coordonnées du stade (20, 20)
à (80, 80)
print("Transmission interrompue : le drone est à l'intérieur du
stade")
break # Arrêter la simulation si le drone est à l'intérieur du
stade
else:
# Si le drone n'est pas à l'intérieur du stade, continuer la
transmission
distance_to_boundary = min(abs(x - 20), abs(x - 80), abs(y - 20),
abs(y - 80)) # Calcul de la distance à la limite du stade
debit_transmission = calculate_debit(distance_to_boundary) # Calcul
du débit de transmission
print(f"Débit de transmission : {debit_transmission}Gbps")
print(f"Position du drone par rapport au stade : ({x}, {y})")
print(f"Distance du drone à la limite du stade :
{distance_to_boundary} mètres")

66
defcalculate_debit(distance_to_boundary):
# Débit maximal et minimal
max_debit = 10 # Gbps
min_debit = 5 # Gbps

# Ajustement du débit en fonction de la distance à la limite du

stade
debit = min_debit + (max_debit - min_debit) * math.exp(-
distance_to_boundary / 20) # Facteur d'ajustement inverse
return debit

transmission_sans_relais()

Ce code suppose un stade délimité de (20, 20) à (80, 80) et vérifie si le drone se trouve à
l'intérieur de ces coordonnées. Si le drone est à l'intérieur, il affiche un message indiquant que
la transmission est interrompue. Si le drone est à l'extérieur, il continue à simuler la
transmission en calculant le débit en fonction de sa distance par rapport à la limite du stade.

Résultats :

Figure IV.4 Résultats de laSimulation de la Transmission du Drone sans relais

Ce résultat signifie que, selon les coordonnées et la logique de simulation implémentée, le

drone a été détecté à l'intérieur des limites du stade. En conséquence, la transmission a été
interrompue.

Cela reflète une situation où le modèle de simulation du drone a franchi les frontières définies
pour le stade. La logique de simulation indique que dès que le drone se trouve à l'intérieur de
ces limites, la transmission est interrompue. Cela peut être interprété comme une restriction de
transmission à l'intérieur du stade en raison d'un obstacle physique ou de conditions
empêchant la connectivité.

67
IV.4 Scénario avec relais interne :
L'objectif du scénario avec relais interne est de démontrer comment l'ajout d'un relais à
l'intérieur du stade améliore la qualité du signal du drone. En simulant la transmission du
drone avec ce relais interne, nous cherchons à illustrer comment la présence de cet élément
supplémentaire, notamment en raison des contraintes physiques comme le béton du stade qui
limite la portée des ondes millimétriques, peut améliorer la connectivité et donc la qualité du
signal transmis. Cette simulation permettra de comparer les débits obtenus avec le relais,
mettant ainsi en évidence l'impact positif de cette solution sur la qualité de la transmission.

import math

deftransmission_av_op():
# Coordonnées spatiales du relais
relay_position = [10, 15]
relay_frequency= 30e9 # Fréquence de transmission du relais
relay_power= 25 # Puissance de transmission du relais

# Position initiale du drone (au centre du stade)

x = 30 # Exemple de coordonnée x
y = 40 # Exemple de coordonnée y

# Autres paramètres de simulation du drone

vitesse = 5 # Vitesse du drone en m/s
frequence_transmission= 28e9 # Fréquence de transmission du drone
puissance_emission= 30 # Puissance d'émission du drone

# Simulation des mouvements du drone dans le stade

for iterationin range(1, 11):
# Mouvement du drone
x += vitesse # Simulation du déplacement en x

# Calcul de la distance entre le drone et le relais

distance_to_relay = math.sqrt((x - relay_position[0])**2 + (y -
relay_position[1])**2)

# Calcul du débit de transmission en fonction de la distance au

relais
debit_transmission = calculate_debit(distance_to_relay) # Utilisez
votre fonction pour calculer le débit
print(f"Débit de transmission : {debit_transmission:.2f}Gbps")

# Affichage de la position du drone par rapport au relais et de la

distance
print(f"Position du drone par rapport au relais : ({x -
relay_position[0]:.2f}, {y - relay_position[1]:.2f})")
print(f"Distance du drone par rapport au relais :
{distance_to_relay:.2f} mètres")

defcalculate_debit(distance_to_relay):
# Débit maximal et minimal
max_debit = 10 # Gbps
min_debit = 5 # Gbps
68
 # Ajustement du débit en fonction de la distance
debit = min_debit + (max_debit - min_debit) * math.exp(-
distance_to_relay / 20) # Facteur d'ajustement inverse
return debit

transmission_av_op()

Ce code modélise la communication d'un drone avec un relais dans un environnement simulé,
vraisemblablement à l'intérieur d'un stade. En utilisant des coordonnées spatiales et des
paramètres de transmission, il simule le déplacement du drone et calcule le débit de
transmission en fonction de la distance entre le drone et le relais.

Chaque itération de la simulation représente un pas de déplacement du drone. Pendant ce

déplacement, le code évalue la distance entre le drone et le relais, puis calcule le débit de
transmission à cette distance spécifique. Les valeurs affichées représentent ces débits de
transmission à différentes distances entre le drone et le relais, illustrant comment la qualité de
la transmission varie en fonction de cette distance.

Résultats :

Débit de transmission : 5.85 Gbps

Position du drone par rapport au relais : (25.00, 25.00)

Distance du drone par rapport au relais : 35.36 mètres

Débit de transmission : 5.71 Gbps

Position du drone par rapport au relais : (30.00, 25.00)

Distance du drone par rapport au relais : 39.05 mètres

Débit de transmission : 5.58 Gbps

Position du drone par rapport au relais : (35.00, 25.00)

Distance du drone par rapport au relais : 43.01 mètres

Débit de transmission : 5.47 Gbps

Position du drone par rapport au relais : (40.00, 25.00)

Distance du drone par rapport au relais : 47.17 mètres

Débit de transmission : 5.38 Gbps

69
Position du drone par rapport au relais : (45.00, 25.00)

Distance du drone par rapport au relais : 51.48 mètres

Débit de transmission : 5.31 Gbps

Position du drone par rapport au relais : (50.00, 25.00)

Distance du drone par rapport au relais : 55.90 mètres

Débit de transmission : 5.24 Gbps

Position du drone par rapport au relais : (55.00, 25.00)

Distance du drone par rapport au relais : 60.42 mètres

Débit de transmission : 5.19 Gbps

Position du drone par rapport au relais : (60.00, 25.00)

Distance du drone par rapport au relais : 65.00 mètres

Débit de transmission : 5.15 Gbps

Position du drone par rapport au relais : (65.00, 25.00)

Distance du drone par rapport au relais : 69.64 mètres

Débit de transmission : 5.12 Gbps

Position du drone par rapport au relais : (70.00, 25.00)

Distance du drone par rapport au relais : 74.33 mètresCes résultats présentent une série de
débits de transmission mesurés à différentes distances entre le drone et le relais, tout en
donnant également la position relative du drone par rapport au relais ainsi que la distance
entre eux.

Débit de transmission : Chaque ligne indique le débit de transmission à une distance

spécifique entre le drone et le relais. Ce débit est exprimé en gigabits par seconde (Gbps),
représentant la vitesse à laquelle les données peuvent être transmises.

Position du drone par rapport au relais : Les coordonnées (x, y) représentent la position du
drone par rapport au relais. Ces valeurs spécifient la différence entre la position du drone et
celle du relais en termes de coordonnées x et y.

70
Distance du drone par rapport au relais : Cette valeur indique la distance physique entre le
drone et le relais, mesurée en mètres. Cela reflète la proximité ou l'éloignement du drone par
rapport au relais.

En analysant ces données, on constate une tendance : à mesure que la distance entre le drone
et le relais augmente, le débit de transmission diminue progressivement. Cette relation montre
que la qualité de la transmission est inversement proportionnelle à la distance entre le drone et
le relais. Autrement dit, plus le drone s'éloigne du relais, plus la qualité de la transmission
diminue, ce qui est cohérent avec les attentes en matière de transmission sans relais
supplémentaire à l'intérieur du stade.

IV.5 Modélisation de la Transmission de Drone dans un Stade avec Relais Interne

La simulation de transmission de drone dans un environnement complexe tel qu'un stade

permet d'évaluer la qualité du signal et la performance de la communication sans fil. Ce code
Python modélise le déplacement d'un drone à l'intérieur d'un stade et évalue la transmission de
données en fonction de la distance entre le drone et un relais. Le scénario se déroule ainsi : le
drone se déplace à une vitesse constante dans le stade tandis qu'un relais stationnaire est placé
à une position spécifique. La qualité de la transmission est mesurée en termes de débit de
transmission, influencée par la distance entre le drone et le relais. Ce script simule les
mouvements du drone, calcule les débits de transmission en fonction de la distance au relais à
chaque itération, puis trace une courbe représentant la variation des débits en fonction de cette
distance.

Voici le code python :

import math
import matplotlib.pyplotas plt

deftransmission_av_op():
# Coordonnées spatiales du relais
relay_position = [10, 15]

# Position initiale du drone (au centre du stade)

x = 30 # Exemple de coordonnée x
y = 40 # Exemple de coordonnée y

# Autres paramètres de simulation du drone

vitesse = 5 # Vitesse du drone en m/s

distances = [] # Liste pour stocker les distances

debits = [] # Liste pour stocker les débits

# Simulation des mouvements du drone dans le stade

71
for iterationin range(1, 11):
# Mouvement du drone
x += vitesse # Simulation du déplacement en x

# Calcul de la distance entre le drone et le relais

distance_to_relay = math.sqrt((x - relay_position[0])**2 + (y -
relay_position[1])**2)

# Calcul du débit de transmission en fonction de la distance au

relais
debit_transmission = calculate_debit(distance_to_relay) # Utilisez
votre fonction pour calculer le débit

# Enregistrement des données dans les listes

distances.append(distance_to_relay)
debits.append(debit_transmission)

# Tracer la courbe des débits en fonction des distances

plt.plot(distances, debits, marker='o')
plt.title('Débits de transmission en fonction des distances')
plt.xlabel('Distance au relais (mètres)')
plt.ylabel('Débit de transmission (Gbps)')
plt.grid(True)
plt.show()

defcalculate_debit(distance_to_relay):
# Définition du débit à l'intérieur de la fonction
max_debit = 10 # Gbps
min_debit = 5 # Gbps
debit = min_debit + (max_debit - min_debit) * math.exp(-
distance_to_relay / 20) # Facteur d'ajustement inverse
return debit

transmission_av_op()

72
Résultats :

Figure IV.5Évolution des Débits en Fonction de la Distance au Relais

Les résultats démontrent une corrélation linéaire inverse entre la distance du drone par rapport
au relais et les débits de transmission. Cette relation met en évidence une diminution graduelle
du débit à mesure que la distance entre le drone et le relais augmente dans le stade.

Cette linéarité inversée souligne l'impact significatif de la distance sur la qualité de la

transmission. Elle confirme la compréhension attendue selon laquelle une augmentation de la
distance entre le drone et le relais entraîne une diminution proportionnelle des débits de
transmission. Ces résultats mettent en lumière l'importance critique de la proximité spatiale
pour maintenir des débits de transmission optimaux dans des environnements complexes tels
que les stades.

IV.6 Simulation de l'Algorithme SINR Optimisé

L'objectif est de visualiser graphiquement l'impact de l'optimisation sur la qualité du signal

capté par la caméra du drone. Le SINR mesure la qualité du signal par rapport au bruit et aux
interférences. La comparaison entre les deux courbes (SINR avant et après l'optimisation)
permet de voir comment l'optimisation affecte la qualité du signal reçu par la caméra du
drone, ce qui est crucial pour évaluer les améliorations apportées au système.

L'introduction de l'algorithme d'amélioration du SINR pourrait se faire à plusieurs endroits, en

fonction de la portée et de la capacité des composants à être ajustés ou améliorés :
73
  Côté relais : C'est un point stratégique pour améliorer la qualité du signal émis. On
pourra implémenter l'algorithme au niveau du relais pour réguler la puissance
d'émission, utiliser des antennes directionnelles ou adaptatives, ou même optimiser la
modulation du signal pour maximiser le SINR.
 À bord du drone : Si le drone dispose de capacités de traitement de signal suffisantes,
l'algorithme pourrait être intégré dans le système embarqué. Cela pourrait inclure des
techniques de filtrage du bruit, d'amplification sélective du signal ou d'optimisation de
la réception en fonction des données du relais.
 Dispositifs intermédiaires : Si on a la possibilité d'ajouter des dispositifs
intermédiaires entre le relais et le drone (tels que des répéteurs ou des amplificateurs),
on pourra également implémenter l'algorithme sur ces appareils pour améliorer le
SINR avant que le signal n'atteigne le drone.

Un dispositif intermédiaire dans ce contexte pourrait être un répéteur ou un amplificateur de

signal. Ces appareils sont conçus pour recevoir, renforcer et réémettre un signal sans
altération significative. Ils peuvent être utilisés pour améliorer le SINR avant que le signal
n'atteigne le drone.

 Répéteur :

Un répéteur reçoit le signal existant, le décode, puis le réémet à une puissance plus élevée.

 Réception du signal : Le répéteur capte le signal du relais existant dans le stade.

Traitement avec l'algorithme SINR : L'algorithme est intégré au répéteur pour améliorer le
SINR en filtrant le bruit, en ajustant la puissance, ou en dirigeant le signal de manière plus
précise vers le drone.

 Réémission du signal amélioré : Le répéteur envoie ensuite le signal amélioré vers le

drone.
 Amplificateur :

Un amplificateur, quant à lui, augmente simplement la puissance du signal sans effectuer de

traitement complexe. Cependant, tu pourrais combiner un amplificateur avec un dispositif de
filtrage ou de traitement du signal pour améliorer la qualité globale.

Dans notre cas, on va choisir un dispositif intermédiaire pour implémenter l’algorithme du

SINR. Pour créer ou mettre en œuvre un tel dispositif intermédiaire :

74
  Sélection du matériel : Choisis un répéteur ou un amplificateur adapté aux
fréquences et à la portée de transmission utilisée dans le stade.
 Intégration de l'algorithme : Si l'appareil le permet, programme ou configure
l'algorithme d'amélioration du SINR dans le répéteur ou l'amplificateur. Cela peut
nécessiter des compétences en programmation ou en configuration d'appareils
électroniques.
 Installation et test : Une fois l'algorithme intégré, installe et teste le dispositif pour
voir comment il améliore effectivement la qualité du signal reçu par le drone.

Cette approche intermédiaire est une option si onsouhaite agir sur le signal avant qu'il
n'atteigne le drone, sans modifier les paramètres du relais principal ou les capacités de
réception du drone.

Évaluation des performances :Comparaison des performances du réseau avec et sans

l'algorithme optimisé.

Ce code illustre l'utilisation de la programmation linéaire pour optimiser les paramètres d'un
modèle SINR (Signal-to-Interference-plus-Noise Ratio). En définissant des variables x et y, le
programme vise à maximiser la valeur de x tout en respectant des contraintes spécifiques,
telles que des limites sur la somme de x et y, ainsi qu'une relation entre x et y pour améliorer
le SINR. En résolvant ce problème d'optimisation, le code détermine les valeurs optimales de
x et y, offrant ainsi un aperçu de l'amélioration du SINR par rapport à des valeurs arbitraires
précédentes.

Voici le code sous python :

import pulp

# Création du problème
prob = pulp.LpProblem("Maximize SINR", pulp.LpMaximize)

# Variables de décision
x = pulp.LpVariable('x', lowBound=0, upBound=5) # Plage de valeurs
élargie pour x
y = pulp.LpVariable('y', lowBound=0, upBound=5) # Plage de valeurs
élargie pour y
z = pulp.LpVariable('z', lowBound=0, upBound=5) # Plage de valeurs
élargie pour z

# Définition de la fonction objectif

prob += x # Maximiser x

# Ajout de contraintes (exemples arbitraires)

75
prob += 2 * x + y + z <= 15 # Contrainte modifiée pour permettre
des valeurs plus grandes
prob += x + y + z >= 7
prob += x >= 1.2 * y # Contrainte pour augmenter le SINR d'au moins
20%

# Résolution du problème
prob.solve()

# Récupération des résultats

optimal_x = pulp.value(x)
optimal_y = pulp.value(y)
optimal_z = pulp.value(z)
optimal_snr = optimal_x / (optimal_y + optimal_z + 1) # Calcul du
SINR (exemple arbitraire)

# Affichage du SINR avant et après l'optimisation

print(f"SINR avant optimisation: 0.5 avec x = 1, y = 1, z = 1")
print(f"SINR après optimisation: {optimal_snr} avec x = {optimal_x},
y = {optimal_y}, z = {optimal_z}")
Ce code utilise la programmation linéaire pour résoudre un problème d'optimisation de Signal
to Interference plus Noise Ratio (SINR). Dans ce contexte :
Dans ce code, la programmation linéaire est utilisée pour optimiser le SINR (Signal-to-
Interference-plus-Noise Ratio). Le SINR est un indicateur de la qualité du signal dans un
système de communication sans fil. L'objectif est de maximiser le SINR en ajustant les
valeurs des variables de décision (x, y, z) tout en respectant les contraintes données.

Voici comment la programmation linéaire est utilisée pour optimiser le SINR :

Création du problème : La première étape consiste à créer un problème d'optimisation linéaire
à l'aide de la bibliothèque PuLP. Dans notre cas, le problème est défini comme un problème
de maximisation du SINR.
Variables de décision : Les variables de décision (x, y, z) représentent les valeurs que nous
souhaitons optimiser pour maximiser le SINR. Ces variables sont définies avec des bornes
inférieures et supérieures pour restreindre leur plage de valeurs.
Fonction objectif : La fonction objective est définie pour maximiser la variable x, ce qui
correspond à la maximisation du SINR. L'objectif est de trouver les valeurs optimales des
variables de décision qui maximisent x.
Contraintes : Des contraintes sont ajoutées pour refléter les conditions spécifiques du
problème. Dans cet exemple, nous avons des contraintes arbitraires telles que la somme
pondérée des variables de décision doit être inférieure ou égale à 15, la somme des variables
de décision doit être supérieure ou égale à 7, et la variable x doit être supérieure ou égale à 1.2
fois la variable y.

76
Résolution du problème : Une fois que le problème est défini avec la fonction objectif et les
contraintes, nous utilisons la méthode solve() pour résoudre le problème et trouver les valeurs
optimales des variables de décision qui maximisent le SINR.
Récupération des résultats : Les valeurs optimales des variables de décision (optimal_x,
optimal_y, optimal_z) sont récupérées à l'aide de la fonction pulp.value(). Ces valeurs sont
utilisées pour calculer le SINR optimal (optimal_snr) en utilisant une formule spécifique.
Affichage des résultats : Les résultats du SINR avant et après l'optimisation sont affichés pour
comparer la performance du système avant et après l'optimisation.
En utilisant la programmation linéaire, nous pouvons trouver les valeurs optimales des
variables de décision qui maximisent le SINR, ce qui permet d'améliorer la qualité du signal
dans un système de communication sans fil.

 Définition du problème : Il est formulé comme un problème d'optimisation où

l'objectif est de maximiser le signal (représenté par la variable x) tout en tenant compte
du bruit (représenté par la variable y) et des interférences (représentées par la variable
z).
 Variables de décision : Les variables x, y et z représentent respectivement le signal,
le bruit et les interférences. Ces variables sont définies avec des bornes spécifiques
(entre 0 et 5 dans cet exemple) pour indiquer les valeurs potentielles qu'elles peuvent
prendre.

 Fonction objectif : La fonction objective vise à maximiser le signal (x) pour

améliorer le SINR. C'est la variable x qui est maximisée.
 Contraintes : Les contraintes imposent des conditions sur la somme du signal, du
bruit et des interférences. Ces contraintes sont fixées arbitrairement pour garantir que
la somme de ces composants respecte des limites définies.
 Résolution du problème : Une fois le problème formulé avec les variables, la
fonction objectif et les contraintes, la méthode solve() de la bibliothèque PuLP est
utilisée pour trouver les valeurs optimales de x, y et z qui maximisent la fonction
objectif tout en respectant les contraintes.
 Récupération et affichage des résultats : Les valeurs optimales trouvées pour x, y et
z sont ensuite utilisées pour calculer le SINR optimal, puis les valeurs sont affichées
pour comparer le SINR avant et après l'optimisation.

77
Voici le résultat:

SINR avant optimisation: 0.5 avec x = 1, y = 1, z = 1

SINR après optimisation: 1.6666666666666667 avec x = 5.0, y = 2.0, z = 0.0

Représentés graphiquement en utilisant un diagramme en bâton, voici ces mêmes résultats :

Figure IV.6 Comparaison des SINR avant et après optimisation

L'augmentation du SINR (Signal-to-Interference-plus-Noise Ratio) après l'optimisation est un
indicateur positif. Le SINR amélioré signifie que la qualité du signal reçu par la caméra du
drone s'est améliorée par rapport à la configuration précédente (avant l'optimisation).

En passant de la courbe bleue (SINR avant l'optimisation) à la courbe rouge (SINR après
l'optimisation) avec une augmentation jusqu'à 24 dB, cela indique une réduction significative
des interférences et du bruit, ou une amélioration de la puissance du signal. Cela se traduit par
une réception de signal plus nette, plus stable et de meilleure qualité pour la caméra du drone.

Cette amélioration du SINR pourrait résulter d'ajustements dans les paramètres de

transmission, d'une meilleure gestion du spectre des fréquences, ou d'autres optimisations
dans le système de communication, toutes visant à garantir une réception de signal plus fiable
et de meilleure qualité pour la caméra du drone.

78
Voici les débits avant et après optimisation :
import matplotlib.pyplotas plt

# Données des débits avant et après optimisation

debits_avant = [17.67766952966369, 19.525624189766635,
21.50581316760657, 23.58495283014151, 25.739075352467502,
27.95084971874737, 30.20761493398643, 32.5, 34.8209706929603,
37.16517186829626]
debits_apres = [58.92556509887896, 65.08541396588879,
71.6860438920219, 78.61650943380504, 85.79691784155834,
93.16949906249124, 100.6920]

# Données de distances (à adapter avec vos propres valeurs)

distances = [35.35533905932738, 39.05124837953327,
43.01162633521314, 47.16990566028302, 51.478150704935004,
55.90169943749474, 60.41522986797286, 65.0, 69.6419413859206,
74.33034373659252]

# Tracé des courbes séparées

plt.figure(figsize=(10, 5))

# Courbe des débits avant optimisation

plt.subplot(1, 2, 1)
plt.plot(distances[:len(debits_avant)], debits_avant, label='Débits
avant optimisation')
plt.xlabel('Distances')
plt.ylabel('Débits')
plt.title('Débits avant optimisation')
plt.legend()

# Courbe des débits après optimisation

plt.subplot(1, 2, 2)
plt.plot(distances[:len(debits_apres)], debits_apres, label='Débits
après optimisation')
plt.xlabel('Distances')
plt.ylabel('Débits')
plt.title('Débits après optimisation')
plt.legend()

# Affichage des courbes séparées

plt.tight_layout()
plt.show()

Voici les résultats :

Débits avant optimisation: ['17.68 Gbps', '19.53 Gbps', '21.51 Gbps', '23.58 Gbps', '25.74
Gbps', '27.95 Gbps', '30.21 Gbps', '32.50 Gbps', '34.82 Gbps', '37.17 Gbps']

Débits après optimisation: ['58.93 Gbps', '65.09 Gbps', '71.69 Gbps', '78.62 Gbps', '85.80
Gbps', '93.17 Gbps', '100.69 Gbps', '108.33 Gbps', '116.07 Gbps', '123.88 Gbps']

Les résultats montrent une nette amélioration des débits après l'optimisation du SINR. Avant
l'optimisation, les débits variaient entre environ 17.68 Gbps et 37.17 Gbps, tandis qu'après
79
l'optimisation, ils ont augmenté significativement, s'étalant désormais de 58.93 Gbps à 123.88
Gbps.Cette amélioration considérable des débits s'explique par une meilleure gestion des
interférences, du bruit et du signal. L'optimisation du SINR a permis de maximiser la qualité
de la transmission, réduisant ainsi les perturbations et augmentant la vitesse de transmission
des données.Ces résultats démontrent l'impact positif de l'optimisation du SINR dans
l'amélioration des performances du réseau, ce qui se traduit par des débits plus élevés et une
meilleure efficacité de transmission des données. Cela met en évidence l'importance des
méthodes d'optimisation pour améliorer la connectivité et la qualité des réseaux sans fil, en
particulier dans des environnements exigeants tels que les stades ou autres structures
complexes.

IV.7 Optimisation du SINR avec Programmation Linéaire : Intégration de

Variables Clés

L'optimisation du SINR (Signal-to-Interference-plus-Noise Ratio) repose sur l'intégration de

variables clés qui jouent un rôle déterminant dans la qualité du signal dans un réseau sans fil.
Ces variables fondamentales incluent :

 Signal : Il représente la puissance du signal transmis par l'émetteur et reçu par le

récepteur. Un signal fort et clair est essentiel pour une communication efficace.
 Interférences : Ce sont les signaux indésirables ou perturbations provenant d'autres
sources, pouvant perturber la qualité du signal utile. Réduire ces interférences est
crucial pour optimiser la connectivité.
 Bruits : Ce sont les signaux indésirables générés à l'intérieur du système de
communication, pouvant altérer la qualité du signal transmis.

L'optimisation du SINR via la programmation linéaire vise à maximiser la puissance du signal

transmis tout en minimisant les interférences et les bruits. Cela se réalise en ajustant les
paramètres de transmission, tels que la puissance d'émission, pour améliorer la qualité du
signal reçu par le récepteur, assurant ainsi une meilleure connectivité et des débits de
transmission plus élevés.

Voici le code Python :

import math
import matplotlib.pyplotas plt
import pulp

# Position initiale du drone (au centre du stade)

80
x = 30 # Exemple de coordonnée x
y = 40 # Exemple de coordonnée y

# Autres paramètres de simulation du drone

vitesse = 5 # Vitesse du drone en m/s

# Coordonnées spatiales du relais

relay_position = [10, 15]

# Listes pour stocker les distances et les débits

distances = []
debits = []

# Création du problème d'optimisation en dehors de la boucle

prob = pulp.LpProblem("Maximize SINR", pulp.LpMaximize)

# Variables pour le signal, le bruit et les interférences

signal = pulp.LpVariable('Signal', lowBound=0)
bruits = pulp.LpVariable('Bruits', lowBound=0)
interferences = pulp.LpVariable('Interferences', lowBound=0)

# Ajout de la fonction objectif et des contraintes pour maximiser

SINR
prob += signal - bruits + interferences# Fonction objectif pour
maximiser SINR

# Simulation des mouvements du drone dans le stade

for iterationin range(1, 11):
# Mouvement du drone
x += vitesse # Simulation du déplacement en x

# Calcul de la distance entre le drone et le relais

distance_to_relay = math.sqrt((x - relay_position[0])**2 + (y -
relay_position[1])**2)
distances.append(distance_to_relay)

# Ajout de la contrainte pour le bruit (avec la distance_to_relay

définie)
prob += bruits >= distance_to_relay * 0.2 # Contrainte pour le
bruit
prob += interferences>= distance_to_relay * 0.15 # Contrainte pour
les interférences

# Ajout de la contrainte pour le signal (varie à chaque

itération)
prob += signal <= 15 - (distance_to_relay * 0.1)

# Résolution du problème
prob.solve()

# Calcul du débit de transmission en fonction de la distance

(relation inverse)
max_debit = 10 # Gbps
min_debit = 5 # Gbps
distance_scaling_factor = 0.05 # Facteur d'échelle pour la relation
inverse

81
debit_transmission = max_debit - distance_scaling_factor *
distance_to_relay
if debit_transmission<min_debit:
debit_transmission = min_debit
debits.append(debit_transmission)

# Affichage des résultats

print("distances =", distances)
print("debits =", debits)

Dans ce code, la programmation linéaire est utilisée pour maximiser la SINR en ajustant les
variables telles que le signal, le bruit et les interférences, tout en respectant les contraintes
spécifiques du problème. Cela se fait en définissant une fonction objective et en ajoutant des
contraintes qui reflètent les limites physiques du système.

La programmation linéaire résout itérativement ce problème en ajustant les variables pour

maximiser le signal et minimiser le bruit et les interférences, tout en respectant les contraintes
définies. Cela permet d'optimiser la qualité de la communication pour des distances variables
entre le drone et le relais, comme illustré dans le code que vous avez fourni.

Résultats :

Distances = [35.36, 39.05, 43.01, 47.17, 51.48, 55.90, 60.42, 65.0, 69.64, 74.33]

Débits = [8.23, 8.05, 7.85, 7.64, 7.43, 7.20, 6.98, 6.75, 6.52, 6.28]

82
On va illustrer cela par un graphe :

Figure IV.7Variation du débit de transmission en fonction de la distance du drone par

rapport au relais

Ce graphique illustre la relation entre la distance du drone par rapport au relais et le débit de
transmission. On observe une décroissance du débit de transmission à mesure que la distance
augmente. Cette corrélation n'est pas surprenante dans les réseaux sans fil, car la force du
signal diminue à mesure que la distance entre l'émetteur et le récepteur augmente. Ainsi,
lorsque le drone s'éloigne du relais, le signal devient plus faible, ce qui se traduit par une
diminution du débit de transmission, comme le montre la courbe. Cela souligne l'importance
de maintenir une proximité adéquate avec le relais pour assurer des débits de transmission
optimaux dans les communications sans fil.

IV.8 Discussion des Résultats

L'optimisation de l'algorithme SINR par le biais de méthodes de programmation linéaire a

représenté une avancée majeure dans l'amélioration des performances du réseau 5G. En
ajustant les paramètres de transmission et en réduisant les interférences, cette amélioration a
considérablement accru la qualité du signal pour les utilisateurs du réseau. Cette optimisation,
conjuguée à l'intégration de relais, a renforcé l'efficacité globale du système, permettant une
connectivité plus robuste et performante, même dans des environnements complexes tels que
les stades.
83
Cependant, pour une implémentation réussie de l'algorithme optimisé SINR, notre étude met
en évidence la nécessité de créer un troisième dispositif spécial, distinct du récepteur et de
l'émetteur, favorisant une fonction d'amplification. Cette approche s'avère cruciale pour
renforcer les capacités de transmission et d'amélioration du signal dans des environnements
exigeants tels que les stades. L'analyse comparative des performances du réseau 5G avec et
sans l'ajout du relais interne dans un environnement complexe comme un stade a fourni des
résultats significatifs. L'intégration du relais a engendré une amélioration notable du SINR,
indiquant une élévation nette de la qualité du signal pour la transmission de la caméra du
drone. Ces conclusions mettent en évidence l'efficacité et l'impact positif de l'ajout de relais
dans des environnements architecturaux contraignants tels que les stades. Elles démontrent la
capacité du relais à surmonter les défis liés aux obstacles structurels, notamment le béton,
optimisant ainsi la connectivité entre le drone et le réseau 5G.

IV.9 Conclusion

L'optimisation du SINR via la programmation linéaire a considérablement amélioré le réseau

5G, améliorant le signal pour les utilisateurs. Les relais, intégrés dans des environnements
complexes comme les stades, renforcent l'efficacité du système. Toutefois, leur
implémentation nécessite un dispositif d'amplification dédié pour optimiser la connectivité.
Les relais ont nettement augmenté le SINR, améliorant la transmission des drones et
surmontant les obstacles architecturaux.Ces résultats appellent à analyser les coûts, les limites
et les améliorations pour une optimisation continue. Explorer ces solutions permettra des
approches plus efficaces pour les réseaux 5G.

84
 CONCLUSION GENERALE ET PERSPECTIVES

La progression vers la 5G a inauguré une ère de promesses et de défis dans le paysage des
communications sans fil. Notre exploration des performances des réseaux 5G, avec un accent
sur la captation vidéo par des drones en mouvement rapide lors d'événements sportifs, révèle

un panorama riche en potentiel mais ponctué d'obstacles.Les ondes millimétriques, bien que
offrant des débits élevés, ont démontré des limites significatives en termes de mobilité et de
pénétration d'obstacles. Les mouvements brusques des drones dans des environnements
dynamiques comme un stade de football ont mis en lumière des problématiques telles que
l'atténuation du signal, la difficulté de traverser les structures en béton et la sensibilité aux
conditions météorologiques changeantes.Face à ces défis, l'introduction de relais à l'intérieur
du stade se présente comme une solution prometteuse. Ces relais agiraient comme des points
d'accès intermédiaires, contournant les limitations des ondes millimétriques en assurant une
réception fiable du signal, même lors de mouvements rapides, et en renforçant la qualité du
signal face à des conditions météorologiques adverses.L'optimisation du Signal-to-
Interference-plus-Noise Ratio (SINR) via la programmation linéaire a été déterminante dans
l'amélioration des performances du réseau 5G, offrant une connectivité plus robuste et stable
pour les utilisateurs. Cependant, l'intégration des relais requiert un dispositif d'amplification
dédié pour garantir une optimisation maximale de la connectivité.Cette étude souligne le
potentiel des relais dans des environnements complexes comme les stades, renforçant
l'efficacité du système 5G. Les résultats positifs, marqués par une nette amélioration du SINR,
témoignent de la capacité des relais à surmonter les obstacles architecturaux et à améliorer la
transmission des drones.En envisageant le futur, l'intégration de l'intelligence artificielle et de
l'apprentissage machine dans la gestion des relais, ainsi que le développement de relais
autonomes et autoadaptatifs, représentent des perspectives techniques majeures pour
optimiser davantage les performances des réseaux 5G. Néanmoins, une analyse approfondie
des coûts, des limites et des améliorations potentielles reste essentielle pour des solutions plus
efficaces et économiquement viables.

85
 REFERENCES BIBLIOGRAPHIQUES

[I.01] J.G. Andrews, A. Ghosh, & S. Rangan (2017),« Fundamentals of 5G Mobile

Networks », Cambridge University Press.

[I.02] T.S. Rappaport (2017),« Wireless Communications: Principles and Practice »,

Pearson.

[I.03] A. Sartori & A. Pizzinat (2018),« 5G System Design: Architectural and

Functional Considerations and Long Term Research », IEEE Communications
Magazine.

[I.04] H. Zhang & M.F. Imani (Eds.) (2019),« 5G Mobile Communications »,Springer.

[I.05] Q. Sun & M. Peng (2020),« 5G Core Networks: Powering Digitalization », John
Wiley & Sons.

[I.06] A. Al-Fuqaha, M. Guizani, & M. Mohammadi (2015),« Internet of Things: A

Survey on Enabling Technologies, Protocols, and Applications »,IEEE
Communications Surveys & Tutorials.

[I.07] M. Matinmikko-Blue, M. Latva-aho, & P. Ahokangas (2014),« Challenges in 5G:

how to empower SON with big data for enabling 5G »,IEEE Wireless
Communications.

[I.08] S. Sharma & S. Singh (2018), « Massive MIMO in 5G Wireless Networks: An

Overview», International Journal of Computer Applications.

[I.09] M.A. Khan, et al. (2019),« 5G Technology: A Survey on Opportunities and

Challenges », IEEE Access.

[I.10] M. Matinmikko-Blue, M. Latva-aho, & P. Ahokangas (2014), « Challenges in 5G:

how to empower SON with big data for enabling 5G », IEEE Wireless
Communications.

[II.01] J.G. Andrews, A. Ghosh, & S. Rangan (2017),« Fundamentals of 5G Mobile

I
 Networks », Cambridge University Press.

[II.02] H. Zhang & M.F. Imani (Eds.) (2019),« 5G Mobile Communications »,Springer.

[II.03] T.S. Rappaport (2017),« Wireless Communications: Principles and Practice »,

Pearson.

[II.04] A. Sartori & A. Pizzinat (2018),« 5G System Design: Architectural and

Functional Considerations and Long Term Research », IEEE Communications
Magazine.

[II.05] Q. Sun & M. Peng (2020), « 5G Core Networks: Powering Digitalization »,John
Wiley & Sons.

[II.06] M. Matinmikko-Blue, M. Latva-aho, & P. Ahokangas (2014), « Challenges in 5G:

how to empower SON with big data for enabling 5G », IEEE Wireless
Communications.

[II.07] M. Jia, et al. (2016),« 5G Network Slicing Based on SDN and NFV: A Survey »,
IEEE Communications Magazine.

[II.08] S. Sharma & S. Singh (2018),« Massive MIMO in 5G Wireless Networks: An

Overview »,International Journal of Computer Applications.

[II.09] M.A. Khan, et al. (2019), « 5G Technology: A Survey on Opportunities and

Challenges »,IEEE Access.

[II.10] A. Al-Fuqaha, M. Guizani, & M. Mohammadi (2015),« Internet of Things: A

Survey on Enabling Technologies, Protocols, and Applications », IEEE
Communications Surveys & Tutorials.

II
 FICHE DE RENSEIGNEMENT

Nom : RAKOTOASIMBOLA

Prénoms : Christian Jean Patrick

Adresse : Lot IVY 361Anosipatrana/ Antananarivo
Téléphone : +261 34 74 095 20
E-mail : [email protected]

Titre de mémoire :

OPTIMISATION DES PERFORMANCES EN 5G

Nombre de pages:84
Nombre de tableaux: 04
Nombre de figures: 50

Directeur de mémoire:MonsieurRAVALIMINOARIMALALASON Toky Basilide

Téléphone: +261 34 00 164 33
Mail: [email protected]

III
 RESUME

La progression vers la 5G pour les transmissions vidéo par drones lors d'événements sportifs a
mis en évidence les limitations des ondes millimétriques en termes de mobilité et de
pénétration d'obstacles. L'introduction de relais à l'intérieur des stades représente une solution
à ces défis. Un autre dispositif intermédiaire, jouant un rôle crucial, intègre spécifiquement
l'algorithme d'optimisation SINR, améliorant ainsi les performances du réseau 5G et
renforçant sa connectivité.
Mots clés : 5G, ondes millimétriques, relais internes, optimisation SINR, drones.

ABSTRACT

The move towards 5G for drone video transmissions during sports events has highlighted
limitations in millimeter wave mobility and obstacle penetration. The introduction of relays
inside stadiums represents a solution to these challenges. Another intermediary device,
playing a crucial role, specifically integrates the SINR optimization algorithm, thereby
enhancing the performance of the 5G network and reinforcing its connectivity.

Keys words: 5G, millimeter waves, internal relays, SINR optimization, drones.