Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau

Résumé

Un des aspects désirés d’une architecture de systèmes conteneurisés auto-adaptative est la nécessité de pouvoir surveiller en permanence l’environnement opérationnel, de détecter et d’observer les anomalies, et de fournir une politique raisonnable de mise à l’échelle, de récupération et de configuration automatique des ressources de traitement afin de répondre dynamiquement à un changement brutal de son environnement opérationnel. Le comportement d’une architecture de microservices évolue constamment dans le temps, ce qui rend difficile l’utilisation d’un modèle statique pour planifier l’action d’exécution appropriée en cas de détection d’une anomalie. Pour obtenir les excellents niveaux d’auto-adaptabilité voulus, cette recherche permet de réaliser un modèle d’architecture de microservices suivant le modèle MAPE-K. Notre solution propose une combinaison de l’apprentissage Q, de la logique floue et des réseaux de neurones pour sélectionner dynamiquement l’action d’adaptation qui apporte la plus grande récompense. La présence d’apprentissage Q flou (FQL) permet d’apprendre et de modifier les règles d’adaptation floues au moment de l’exécution sans nécessité de connaissances préalables. L’implémentation de Réseau Q profond flou (FDQN) dans le contexte du processus d’adaptation améliore l’efficacité de l’adaptation et réduit les risques associés à l’adaptation, notamment la fluctuation des ressources. L’expérimentation démontre la faisabilité et l’utilité de nos approches. De plus, les résultats montrent que les performances de FDQN sont meilleures que celles de FQL.

Date	11 août 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Abdelouahed Gherbi (Directeur(-trice))