Artificial intelligence–based dependent task offloading in next-generation edge networks

Résumé

La croissance exponentielle de l’Internet des objets (IoT) et les exigences strictes en matière de latence des réseaux de cinquième génération (5G) et de future sixième génération (6G) stimulent l’évolution rapide du calcul en périphérie multi-accès (Multi-Access Edge Computing, MEC). Bien que le MEC rapproche les ressources de calcul des utilisateurs finaux afin d’alléger la charge du coeur de réseau, les applications mobiles modernes, telles que la réalité augmentée (AR), l’analyse vidéo en temps réel et la conduite autonome, ont évolué de requêtes simples et indépendantes vers des flux de travail complexes modélisés sous forme de graphes orientés acycliques (Directed Acyclic Graphs, DAG) avec des dépendances inter-tâches strictes. Les techniques d’optimisation traditionnelles et les méthodes heuristiques peinent à traiter la forte dimensionnalité, la complexité topologique et la nature dynamique de ces environnements hétérogènes. De plus, les solutions d’apprentissage existantes négligent fréquemment les dépendances structurelles entre les tâches ou ne tiennent pas compte de l’hétérogénéité statistique inhérente aux réseaux distribués en périphérie. Pour surmonter ces limitations, cette thèse exploite des techniques avancées d’intelligence artificielle (IA), notamment les réseaux neuronaux de graphes (Graph Neural Networks, GNN), l’apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) et l’apprentissage fédéré (Federated Learning, FL), afin de permettre une orchestration intelligente et robuste des ressources. Dans ce contexte, la présente thèse étudie l’optimisation conjointe du déchargement de tâches dépendantes, de l’allocation des ressources et de la gestion de la mobilité afin d’améliorer l’efficacité, la fiabilité et la confidentialité du système. Plus précisément, nous proposons trois cadres fondés sur l’IA pour répondre à la complexité des applications basées sur des DAG sous des contraintes réseau réalistes. Nous présentons d’abord un cadre Energy-Aware Multi-user Dependent Task Offloading and Resource Allocation (EMDTORA), qui intègre des réseaux d’attention sur graphes (Graph Attention Networks, GAT) à l’algorithme Twin Delayed Deep Deterministic Policy Gradient (TD3). De cette manière, le système apprend explicitement des représentations structurelles des DAG applicatifs. Cela permet à l’agent d’identifier des séquences d’exécution efficaces des tâches dépendantes, de borner strictement le temps d’achèvement des applications et d’en prioriser l’exécution. Les résultats de simulation démontrent que EMDTORA surpasse significativement les approches de référence en réduisant le coût énergie-temps pondéré (Energy-Time Cost, ETC). Ensuite, nous abordons les défis critiques liés à la confidentialité des données et à l’hétérogénéité statistique dans les réseaux distribués. À cette fin, nous introduisons un cadre Federated ensemble reinforcement learning (FEDORA) pour le déchargement de tâches basées sur des graphes orientés acycliques (DAG) et l’allocation des ressources en MEC. Étant donné que l’entraînement centralisé conventionnel présente des risques importants pour la confidentialité et engendre des surcoûts de communication élevés, FEDORA adopte une architecture d’apprentissage décentralisée dans laquelle les noeuds en périphérie entraînent des modèles locaux et ne partagent que des mises à jour de gradients. Afin d’atténuer la dérive des clients causée par la diversité des comportements des utilisateurs, nous utilisons l’algorithme d’agrégation FedProx, combiné à une nouvelle architecture DRL en ensemble qui dissocie les décisions discrètes de déchargement de l’allocation continue des ressources. Cette approche assure une convergence robuste et une bonne capacité de généralisation dans des environnements hétérogènes, sans nécessiter l’échange de données brutes. Enfin, nous traitons la nature stochastique de la mobilité à grande vitesse dans le calcul en périphérie véhiculaire (Vehicular Edge Computing, VEC) en proposant un cadre Dependent Task Offloading in Vehicular Edge Computing Using Trajectory-Aware Deep Reinforcement Learning. Nous y intégrons un mécanisme conscient de la mobilité, alors que les schémas classiques, insuffisamment sensibles à la mobilité, entraînent souvent des taux élevés d’échec des tâches pour les applications sensibles aux délais. En exploitant la modélisation séquentielle basée sur les Transformers afin de prédire avec précision les fenêtres de connectivité des unités routières (Roadside Units, RSU), ce cadre permet à l’agent DRL de gérer proactivement l’exécution des tâches dépendantes. Cette capacité prédictive garantit que les tâches ne sont déchargées que lorsque leur achèvement fiable est assuré, et surpasse ainsi les méthodes traditionnelles en termes de délai et de consommation énergétique.

Date	30 avr. 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Aris Leivadeas (Directeur(-trice)) & Julien Gascon-Samson (Codirecteur(-trice))