Artificial intelligence-empowered resource management system for fog computing networks

Résumé

De nos jours, la technologie est devenue une partie essentielle de la vie humaine et le monde numérique se développe rapidement et progresse en termes de technologies de mise en réseau. L’augmentation rapide des services et des applications sans fil exige des réseaux plus rapides et de plus grande capacité. De plus, l’Internet des objets (IoT) alimente le besoin d’une connectivité massive des appareils et d’interactions ultra-fiables et en temps réel. Dans ce contexte, l’informatique de brouillard (fog computing) est apparu comme une solution attrayante pour répondre à ces exigences tout en gérant de près les demandes croissantes de données en rapprochant les services de l’informatique dans les nuages (cloud computing) des terminaux et en intégrant des serveurs virtualisés. D’une part, en raison des demandes de trafic volatiles et des ressources limitées en capacité (par exemple, calcul, stockage et batteries), les réseaux de brouillard nécessitent une plate-forme intelligente distribuée qui peut s’adapter aux changements du réseau et gérer efficacement l’exécution de tâches complexes basées sur le exigences de candidature. D’autre part, étant donné que les noeuds de calcul sont relativement proches les uns des autres dans les réseaux de brouillard, le déchargement des tâches est particulièrement utile et permet d’équilibrer la charge en répartissant la charge de travail entre les différents noeuds du réseau. Dans cette thèse, trois objectifs principaux pour la conception de réseaux informatiques intelligents distribués sont considérés. Les trois objectifs sont l’évolutivité, l’hétérogénéité et la gestion de la qualité de service (QoS). Plus précisément, afin d’améliorer l’utilisation des ressources et les performances du réseau, l’hétérogénéité des ressources, la qualité de service et les caractéristiques des tâches sont étudiées. Pendant ce temps, des architectures hiérarchiques de l’informatique de brouillard sont appliquées pour répartir les charges de travail et les communications dans le temps et dans l’espace, permettant une gestion flexible. De plus, des algorithmes de gestion des ressources distribuées au niveau des noeuds de brouillard, des points d’accès (AP) et des utilisateurs mobiles (MU), sont mis en oeuvre pour gérer et allouer de manière optimale les ressources. En particulier, cette thèse propose des schémas prometteurs pour permettre une gestion des ressources efficace et évolutive pour les réseaux de l’informatique dans les nuages en utilisant l’apprentissage par renforcement (RL) et l’apprentissage profond comme outils principaux. Dans cette veine, le chapitre 2 étudie le problème mixte de déchargement de tâches et d’allocation de ressources tout en considérant des tâches de service hétérogènes en termes de caractéristiques de ressources et d’exigences de QoS. Nous proposons un schéma dans lequel chaque noeud de brouillard trouve indépendamment les politiques optimales de déchargement des tâches et d’allocation des ressources dans des environnements partiellement observables dans le but de maximiser les tâches de traitement achevées avec succès dans leurs limites de temps. Par conséquent, une approche basée sur le l’apprentissage par renforcement est proposée pour relever les défis associés aux informations de réseau incomplètes et à l’observabilité partielle. Le chapitre 3 propose un nouvel algorithme de déchargement partiel et de planification des ressources pour les réseaux multi-brouillards où la quantité de tâches de déchargement, la vitesse de calcul et le niveau d’utilisation du processeur sont conjointement optimisés. Par conséquent, une nouvelle méthode basée sur le réseau Q récurrent profond est fournie pour minimiser la consommation d’énergie totale tout en maximisant le nombre de tâches exécutées avec succès avec une bande passante et des ressources unité centrale de traitement (CPU) limitées. Contrairement aux chapitres 2 et 3, où les décideurs (noeuds de brouillard) sont entièrement décentralisés, c’est-à-dire des apprenants indépendants qui ne communiquent pas directement entre eux, au chapitre 4, les points d’accès, en tant que décideurs, apprennent à communiquer avec les points d’accès voisins via des canaux de communication limités pour coordonner leur comportement. Dans ce contexte, un nouveau cadre l’apprentissage par renforcement acteur-critique est proposé pour minimiser les liens et serveurs surchargés et le coût global de la bande passante. Nous étendons le modèle acteur-critique selon lequel le réseau critique est conçu pour un apprentissage centralisé en partageant des paramètres entre les points d’accès. En revanche, les réseaux d’acteurs individuels dans chaque points d’accès s’efforcent d’apprendre la politique optimale uniquement en utilisant des messages d’information et de communication locaux. Le schéma proposé peut faire progresser le développement de la communication pour un apprentissage efficace de la périphérie (edge learning) et l’application d’algorithmes d’apprentissage distribué. Le chapitre 5 présente l’apprentissage par renforcement multi-agents (MARL) et les principales applications potentielles de MARL pour les réseaux de sixième génération (6G). À mesure que les services et applications sans fil deviennent plus sophistiqués et intelligents, il est prévisible que les futurs réseaux sans fil deviendront omniprésents par l’intelligence artificielle (IA). Compte tenu des applications d’IA omniprésentes et des réseaux de communication sans fil dynamiques, il est crucial de créer des agents d’IA capables de s’adapter aux changements du réseau et de coopérer les uns avec les autres. Ce chapitre comprend une étude de cas sur la gestion coordonnée des ressources multi-agents dans les réseaux informatiques de périphérie 6G. L’étude démontre l’importance des méthodes de coordination pour obtenir une intelligence distribuée dans les réseaux 6G.

Date	18 mai 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice))