Low-frequency radio interferometry is crucial to understanding the universe and its very early days. Unfortunately, most of the current instruments are ground-based and thus impacted by the interferences massively produced by the Earth. To alleviate this issue, scientific missions aim at using Moonorbiting nano-satellite swarms as distributed radio-telescopes in outer space, keeping them out of Earth interference range. However, swarms of nano-satellites are systems with complex dynamics and need to be appropriately characterized to achieve their scientific mission. This paper presents a methodology based on graph theory for characterizing the swarm network system by computing graph theory metrics around three properties: the node density, network connectivity and ISL availability. We show that these properties are well-suited for highlighting a possible heterogeneity in a network and adapt a routing strategy accordingly. This work is the first milestone in defining the best-suited routing strategy within the swarm from the derived network properties.

We address the problem of partitioning a network of nano-satellites to distribute fairly the network load under energy consumption constraints. The study takes place in a context where this swarm of nano-satellites orbits the Moon and works as, but not limited to, a distributed radio-telescope for low-frequency radio interferometry. During an interferometry mission, each nano-satellite collects observation data, then shares them with the other swarm members to compute a global image of space. However, the simultaneous transmission of large volumes of data can cause communication issues by overloading the radio channel, leading to potential packet loss. In this context, we investigate three division algorithms based on graph sampling techniques. We prove that random walk-based algorithms overall perform the best in terms of conservation of graph properties and fairness for group sizes down to 10% of the original graph.

This work derives compact closed-form expressions of the misspecified Cramér–Rao bound and pseudo-true parameters of time-delay and Doppler for a high dynamics signal model. Those expressions are validated by analyzing the mean square error (MSE) of the misspecified maximum likelihood estimator. A noteworthy outcome of these MSE results is that, for some magnitudes of acceleration and signal-to-noise ratios, neglecting the acceleration is beneficial in the MSE sense. The variance performance improvement is obtained at the cost of a systematic error in the true parameter estimation. This can be seen as a specific case of the trade-off between bias and variance. Neglecting the acceleration can improve the Doppler estimation when the error induced on the misspecified model is less than the variance increase due to including an extra parameter to estimate. Then, for some non-zero acceleration magnitudes and short integration times, the Doppler estimation using a misspecified model outperforms a correctly specified model in the MSE sense.

In ranging-based applications, ignoring the presence of multipath often leads to a bias upon the estimated range, which actually originates from misspecified estimation problem because the assumed data signal model, here without multipath, is not equal to the true one. Such misspecification also results in an error covariance matrix around the biased estimates, so-called pseudotrue parameters, that differs from the Cramér–Rao bound applied to the true model. This error covariance matrix can be lower bounded by a misspecified Cramér–Rao bound (MCRB). In this work, a closed-form expression of the MCRB under multipath conditions is proposed, which only depends on the baseband signal samples and both delay, Doppler and complex amplitude pseudotrue parameters. These MCRB expressions are fundamental (i) to understand and characterize the impact of multipath conditions when not taken into account, (ii) for system/signal design, and (iii) to derive new robust estimators. The proposed MCRBs are validated for a representative navigation signal, comparing the resulting bounds with the mean square error obtained by the misspecified maximum likelihood estimator with respect to the pseudotrue parameters.

This thesis focuses on the problem to compute an optimal sending rate as a function of the network state. The challenge is to assess which kind of sensing is needed to achieve this goal. Historically, this job was done by the TCP congestion control mechanism. However, we do not restrict this thesis to TCP but to any kind of protocol that needs to adapt its sending rate whatever the service is (i.e., reliable with retransmissions or not). Most congestion control variants are used to monitor the delay and the losses to compute their sending rate (for instance, within a congestion window for TCP; a rate control for BBR [7] or certain multimedia applications such as Skype [11]). Both metrics (i.e., delay and loss event) have shown to be under-exploited [46] or too limited when considering only the loss ratio. In this thesis, we seek to rethink these metrics and how they can be better used to compute the optimal sending rate. In this context, we propose to investigate the use of a Deep Learning (DL) algorithm that seems particularly relevant for congestion control tasks. We also focused on improving this DL algorithm to ease its deployment and usage in real-life scenarios.

This thesis focuses on the problem to compute an optimal sending rate as a function of the network state. The challenge is to assess which kind of sensing is needed to achieve this goal. Historically, this job was done by the TCP congestion control mechanism. However, we do not restrict this thesis to TCP but to any kind of protocol that needs to adapt its sending rate whatever the service is (i.e., reliable with retransmissions or not). Most congestion control variants are used to monitor the delay and the losses to compute their sending rate (for instance, within a congestion window for TCP; a rate control for BBR [7] or certain multimedia applications such as Skype [11]). Both metrics (i.e., delay and loss event) have shown to be under-exploited [46] or too limited when considering only the loss ratio. In this thesis, we seek to rethink these metrics and how they can be better used to compute the optimal sending rate. In this context, we propose to investigate the use of a Deep Learning (DL) algorithm that seems particularly relevant for congestion control tasks. We also focused on improving this DL algorithm to ease its deployment and usage in real-life scenarios.

Cette thèse se concentre sur le problème du calcul d’un taux d’envoi optimal en fonction de l’état du réseau. Historiquement, ce travail a été effectué par le mécanisme de contrôle de congestion TCP. La plupart des variantes de contrôle de congestion sont utilisées pour surveiller le retard et les pertes afin de calculer leur taux d’envoi. Dans cette thèse, nous cherchons à repenser ces métriques et comment elles peuvent être mieux utilisées pour calculer le taux d’envoi optimal. Dans ce contexte, nous proposons d'étudier l’utilisation d’un algorithme de Deep Learning qui semble particulièrement pertinent pour les tâches de contrôle de congestion. Nous nous sommes également concentrés sur l’amélioration de cet algorithme de Deep Learning afin de faciliter son déploiement et son utilisation dans des scénarios réels.

L’internet des objets (IoT) est un concept dans lequel de nombreux objets sont dotés de capacités de transmissions ou de communications via une connexion au réseau internet. Desservies essentiellement par des réseaux terrestres, des applications IoT peuvent également concerner les opérateurs satellites, par exemple dans les zones peu couvertes, ce qui ouvre ainsi des problématiques intéressantes au niveau de la couche physique de ces objets communicants. L’approche qui nous intéresse dans le but d’avoir une couverture globale du réseau IoT est le Direct-to-Satellite IoT [1]. Il s’agit d’une approche où aucune passerelle terrestre intermédiaire n’est requise, ce qui facilite et accélère le déploiement du réseau. Dans ce cadre, le satellite collecte directement les données des objets communicants et les traite. Il devrait également être capable de communiquer avec l’objet si une liaison descendante est envisagée. Cette approche pose certains problèmes en termes de couche physique. Le grand défi ici est de pouvoir créer une liaison de communication longue portée fiable ayant des ressources limitées à la fois dans le satellite et dans l’objet communicant tout en faisant face aux problèmes d’une liaison satellite. Cela peut être réalisé soit en révisant et en adaptant des technologies IoT existantes pour prendre en charge les communications directes avec un satellite, soit en fournissant de nouvelles couches MAC et physiques spécifiquement dédiées à cette application. Nous nous focalisons plutôt sur la deuxième approche. Lors du choix d’une forme d’onde pour n’importe quelle application de communication sans fil, trois éléments majeurs doivent être étudiés ; performances, complexité et bande passante. En général, la forme d’onde choisie est celle qui offre le meilleur compromis entre ces trois éléments. Pour les applications de communication par satellites en orbites basses, plusieurs dégradations majeures affectant les performances doivent être prises en compte. Les instabilités de phase, le décalage Doppler élevé, les interférences dans un scénario multi-utilisateurs, les amplificateurs non linéaires généralement utilisés des deux côtés de la transmission, au niveau des objets communicants et à bord du satellite, etc. En termes de complexité, il est important qu’elle soit la plus faible possible car dans l’application visée, les objets communicants utilisent de petites piles et le satellite n’est pas qu’un simple relais, mais au contraire, il effectue une partie du traitement et compte tenu des ressources limitées à bord, la complexité est une contrainte majeure. La bande passante dans l’application ciblée peut également être un problème. Que ce soit des bandes de fréquences sous licence ou non, la bande passante disponible est limitée. La modulation de phase continue (CPM) est une classe de modulation qui englobe plusieurs familles de formes d’onde de modulation de phase. Elle possède différents paramètres qui peuvent être ajustés pour répondre aux besoins de l’application. Les travaux de recherche portant sur la conception de formes d’onde CPM avec des systèmes de communication par satellites pour obtenir de bonnes performances du point de vue spectre et énergie ont montré des résultats prometteurs. Le problème de l’efficacité énergétique a été discuté dans [2] et [3]. Une étude sur la manière de choisir des schémas CPM spectralement efficaces a été présentée dans [4]. L’interférence du canal adjacent (ACI) a également été évaluée dans [5] et la possibilité d’utiliser des schémas de codage pour résoudre certains des problèmes mentionnés en utilisant la bande de fréquence Ka peut être trouvée dans [6]. Bien que les travaux cités ne s’appliquent peut-être pas spécifiquement à l’application Satellite IoT, ils fournissent cependant de bonnes bases fondatrices pour dériver des solutions adaptées à notre problème. Certains standards basés sur les communications par satellite utilisent déjà un format CPM. On peut citer le standard de diffusion vidéo numérique DVB-RCS2 [7] qui a été éditée par le consortium international DVB project. Plus récemment, un schéma GFSK a également été adopté par Semtech comme candidat pour la technique Long Range Frequency Hopping Spread Spectrum (LR-FHSS) [8]. Compte tenu de tous ces détails, nous avons choisi de nous concentrer sur la forme d’onde CPM dans ce travail pour exploiter son potentiel dans l’application considérée et nous avons particulièrement étudié sa réception du point de vue du satellite (lien montant).

L’internet des objets (IoT) est un concept dans lequel de nombreux objets sont dotés de capacités de transmissions ou de communications via une connexion au réseau internet. Desservies essentiellement par des réseaux terrestres, des applications IoT peuvent également concerner les opérateurs satellites, par exemple dans les zones peu couvertes, ce qui ouvre ainsi des problématiques intéressantes au niveau de la couche physique de ces objets communicants. L’approche qui nous intéresse dans le but d’avoir une couverture globale du réseau IoT est le Direct-to-Satellite IoT [1]. Il s’agit d’une approche où aucune passerelle terrestre intermédiaire n’est requise, ce qui facilite et accélère le déploiement du réseau. Dans ce cadre, le satellite collecte directement les données des objets communicants et les traite. Il devrait également être capable de communiquer avec l’objet si une liaison descendante est envisagée. Cette approche pose certains problèmes en termes de couche physique. Le grand défi ici est de pouvoir créer une liaison de communication longue portée fiable ayant des ressources limitées à la fois dans le satellite et dans l’objet communicant tout en faisant face aux problèmes d’une liaison satellite. Cela peut être réalisé soit en révisant et en adaptant des technologies IoT existantes pour prendre en charge les communications directes avec un satellite, soit en fournissant de nouvelles couches MAC et physiques spécifiquement dédiées à cette application. Nous nous focalisons plutôt sur la deuxième approche. Lors du choix d’une forme d’onde pour n’importe quelle application de communication sans fil, trois éléments majeurs doivent être étudiés ; performances, complexité et bande passante. En général, la forme d’onde choisie est celle qui offre le meilleur compromis entre ces trois éléments. Pour les applications de communication par satellites en orbites basses, plusieurs dégradations majeures affectant les performances doivent être prises en compte. Les instabilités de phase, le décalage Doppler élevé, les interférences dans un scénario multi-utilisateurs, les amplificateurs non linéaires généralement utilisés des deux côtés de la transmission, au niveau des objets communicants et à bord du satellite, etc. En termes de complexité, il est important qu’elle soit la plus faible possible car dans l’application visée, les objets communicants utilisent de petites piles et le satellite n’est pas qu’un simple relais, mais au contraire, il effectue une partie du traitement et compte tenu des ressources limitées à bord, la complexité est une contrainte majeure. La bande passante dans l’application ciblée peut également être un problème. Que ce soit des bandes de fréquences sous licence ou non, la bande passante disponible est limitée. La modulation de phase continue (CPM) est une classe de modulation qui englobe plusieurs familles de formes d’onde de modulation de phase. Elle possède différents paramètres qui peuvent être ajustés pour répondre aux besoins de l’application. Les travaux de recherche portant sur la conception de formes d’onde CPM avec des systèmes de communication par satellites pour obtenir de bonnes performances du point de vue spectre et énergie ont montré des résultats prometteurs. Le problème de l’efficacité énergétique a été discuté dans [2] et [3]. Une étude sur la manière de choisir des schémas CPM spectralement efficaces a été présentée dans [4]. L’interférence du canal adjacent (ACI) a également été évaluée dans [5] et la possibilité d’utiliser des schémas de codage pour résoudre certains des problèmes mentionnés en utilisant la bande de fréquence Ka peut être trouvée dans [6]. Bien que les travaux cités ne s’appliquent peut-être pas spécifiquement à l’application Satellite IoT, ils fournissent cependant de bonnes bases fondatrices pour dériver des solutions adaptées à notre problème. Certains standards basés sur les communications par satellite utilisent déjà un format CPM. On peut citer le standard de diffusion vidéo numérique DVB-RCS2 [7] qui a été éditée par le consortium international DVB project. Plus récemment, un schéma GFSK a également été adopté par Semtech comme candidat pour la technique Long Range Frequency Hopping Spread Spectrum (LR-FHSS) [8]. Compte tenu de tous ces détails, nous avons choisi de nous concentrer sur la forme d’onde CPM dans ce travail pour exploiter son potentiel dans l’application considérée et nous avons particulièrement étudié sa réception du point de vue du satellite (lien montant).

When a signal is strongly distorted by a reflecting surface, the surface can be seen as a filter whose impulse response is convoluted with the incident signal. Depending on the application, it can be useful to estimate this impulse response in order to either compensate or interpret it. When it comes to estimation, a performance lower bound should be computed in order to better understand the performance limits of the observation model at hand. Hence, a first contribution of this work is to provide an easy-to-use closed-form Cramér–Rao bound for the proposed signal model. The validation process of this lower bound raises the problem of the size, generally unknown, of the impulse response to be estimated. A second contribution of this study is then to provide adapted theoretical and practical tools to determine the size of a given impulse response along with its estimation.