Mycélium 4.0

Le projet Mycélium

Le projet Mycélium 4.0 s'inscrit dans le cadre d'une collaboration entre l’Institut National des Sciences Appliquées de Rennes (INSA) et l'Observatoire des Sciences de l'Univers de Rennes (OSUR). Son objectif principal est de mettre en place une infrastructure de traitement des données produites par des capteurs géodistribués, afin de mieux comprendre les environnements et leur évolution, notamment en réponse aux activités humaines.

Ces capteurs permettent de suivre et d'analyser les changements environnementaux en cours afin d'élaborer des solutions adaptées. Le campus universitaire de Beaulieu à Rennes (La Croix-Verte) constitue le cadre d'étude de notre projet.

La Croix Verte

Actuellement en renaturation, cet espace vert offre une place à la nature au cœur du campus de Beaulieu.

L'Équipe

Étudiants

Amine LAHMAMSI

Arno LECRIVAIN

Elise BOTTOIS

Thibault DUFOURCQ

Mohamed ALLAY

Encadrants

Nikolaos PARLAVANTZAS

Volodia PAROL-GUARINO

L'architecture

Une architecture basée sur le FOG Computing

Notre infrastructure s'inscrit dans le paradigme du Fog Computing, une architecture de calcul distribué qui étend le cloud computing aux bords du réseau. Le Fog Computing permet de traiter les données plus près de leur source de génération, réduisant ainsi la latence et la consommation de bande passante.

Notre infrastructure comprend des capteurs, une passerelle LoRaWAN et un cluster composé de cinq Raspberry Pi.

Situé à la Croix-Verte, le capteur fonctionne en continu pour collecter des données environnementales. Ces données sont ensuite envoyées à la passerelle via LoRaWAN, selon une fréquence prédéfinie.

La passerelle ainsi que le cluster sont installés dans le bâtiment informatique de l'INSA de Rennes.

Les données recueillies par la passerelle sont transmises au cluster via une connexion Ethernet.

Le cluster assure le traitement des données.

Pour les traitements nécessitant davantage de ressources, un serveur VPS prend le relais. Lorsque la charge sur le cluster devient trop élevée, celui-ci délègue certaines tâches au VPS, en contrepartie d'un délai plus important lors de la communication et d'une consommation plus élevée de la bande passante.

Les composants de notre architecture

Capteur

Un dispositif qui mesure des paramètres environnementaux comme la température, l'humidité, etc.

RaspberryPi

Un mini-ordinateur utilisé pour le traitement des données collectées par les capteurs.

Cluster de RaspberryPi

Un ensemble de Raspberry Pi interconnectés, où les données des capteurs sont traitées et analysées de manière distribuée pour faire tous les traitements associés aux scénarios du projet.

Gateway

Un dispositif qui transmet les données des capteurs vers le cluster Raspberry Pi via une connexion Ethernet.

VPS

Un serveur virtuel hébergé à l'INSA utilisé pour effectuer des calculs lorsque la capacité du cluster de Raspberry Pi est dépassée, ou pour gérer des services et absorber le surplus de charge

Les nouveaux scénarios et ajouts du Mycélium 4.0

Pour améliorer l'autonomie du nœud SoLo et optimiser le traitement des données reçues par le cluster de Raspberry Pi, de nouveaux scénarios et fonctionnalités d'optimisation de l'architecture ont été ajoutés, en complément des scénarios existants dans les versions Mycélium 3.0/2.0.

Scénario Changement de fréquence

Le scénario changement de fréquence consiste à adapter dynamiquement la fréquence d'échantillonnage des capteurs en fonction des conditions environnementales et des événements détectés. Cette approche permet de réduire la consommation énergétique tout en maximisant la pertinence des données collectées. Le système réagit en temps réel aux variations de l'environnement, ajustant la fréquence selon les résultats des analyses statistiques et des événements climatiques précédemment détectés, assurant ainsi une gestion optimale des ressources et une surveillance environnementale efficace.

Scénario inondation

L'objectif principal de ce scénario est d'analyser la corrélation entre plusieurs variables environnementales clés, telles que la quantité de pluie, la hauteur des cours d'eau et la profondeur des nappes phréatiques. En croisant ces données, l'enjeu est d'identifier des patterns et des relations significatives afin de prédire un potentiel risque d'inondation imminent. Cette prédiction sera réalisée à l'aide d'algorithmes de prédiction, permettant ainsi d'anticiper les périodes critiques où l'accumulation d'eau, causée par des pluies excessives ou une élévation du niveau des cours d'eau, pourrait entraîner des débordements.

Implémentation d'un proxy au sein de l'architecture

L'intégration d'un proxy dans l'architecture permet de gérer de manière optimale et automatique les ressources en régulant la distribution des messages entre le cluster de Raspberry Pi et le VPS, par exemple, si le VPS est connecté et dispose de suffisamment de ressources, le proxy délègue des calculs prédictifs complexes au VPS.

Caractéristiques

Dashboard intuitif

Grâce à Grafana, une interface utilisateur claire et intuitive permet de visualiser les données environnementales en temps réel.

Économe en énergie

Architecture optimisée pour une consommation minimale d'énergie.

Alertes en temps réel

Système de notifications pour alerter en cas de situations critiques.

Scalabilité

Le système peut de manière entièrement autonome transférer une partie des traitements du cluster vers le VPS en fonction de la charge de travail.