Efficient mobile edge computing development with drone integration

Résumé

L’informatique en périphérie mobile (MEC) a transformé les réseaux mobiles en rapprochant le calcul et le stockage des utilisateurs. Les drones augmentent cette innovation en ajoutant mobilité et adaptabilité, renforçant ainsi les capacités de l’informatique en périphérie. L’intégration des drones avec la technologie des réseaux définis par logiciel (SDN) forme une nouvelle approche pour développer des systèmes MEC. Les drones dans le MEC introduisent des défis et des opportunités uniques, servant de serveurs de périphérie mobiles dans des zones dépourvues d’infrastructures conventionnelles ou connaissant des pics de demande soudains. Ce déploiement dynamique optimise l’allocation des ressources et améliore la qualité de service (QoS). Le SDN joue un rôle crucial dans l’intégration des drones, des serveurs MEC et des infrastructures de réseau traditionnelles en séparant les plans de contrôle et de données, permettant ainsi une gestion centralisée et une allocation dynamique des ressources. Cela améliore l’évolutivité, la flexibilité et l’efficacité, garantissant une intégration transparente des réseaux et un routage efficace dans des environnements MEC dynamiques. Ce mémoire de maîtrise présente un cadre complet pour le développement de systèmes MEC efficaces avec l’intégration des drones et du SDN. L’architecture MEC habilitée par drones utilise des véhicules aériens sans pilote (UAV) comme serveurs de périphérie mobiles pour étendre la capacité et la portée de l’infrastructure MEC. Un contrôleur SDN centralisé orchestre dynamiquement le déploiement et l’exploitation des serveurs MEC et des drones en fonction des conditions du réseau en temps réel et des exigences des applications. Des algorithmes avancés d’apprentissage profond sont employés pour prédire et optimiser la QoS, améliorant la précision des modèles pour prévoir des mesures de QoS telles que la latence, le débit et la perte de paquets. Ces modèles identifient des motifs d’entrée complexes pour des prédictions précises et une optimisation de la QoS. Les méthodes d’apprentissage profond optimisent également dynamiquement l’allocation des ressources et le routage à l’aide des métriques de QoS prédites, garantissant ainsi le respect constant des accords de niveau de service (SLA) et améliorant l’expérience utilisateur dans les environnements MEC dynamiques. En intégrant l’apprentissage profond, l’intégration des drones, le SDN et l’apprentissage automatique, l’efficacité, l’évolutivité et la robustesse des systèmes MEC sont considérablement améliorées. L’apprentissage profond améliore la précision des prévisions, permet une prise de décision adaptative et soutient les mesures de sécurité proactive, optimisant ainsi les performances et faisant progresser le développement des infrastructures d’informatique en périphérie.

Date	18 sept. 2024
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Michel Kadoch (Directeur(-trice))