Investigating AI-based approaches for data processing on IOT edge devices

Résumé

La diffusion sans précédent des technologies des capteurs et leurs applications dans différents aspects de la vie quotidienne ont largement contribué à l’émergence de l’internet des objets (IdO). L’IdO permet l’intégration transparente des mondes numérique et physique, créant ainsi le formidable réseau de dispositifs connectés dont on ne cesse d’être témoin. Ces dispositifs ont été exploités pour servir une diversité d’applications, notamment la domotique, les transports, la santé et l’agriculture. Fondamentalement, la collecte de données est l’objectif principal de ces réseaux déployés. Ces données sont constamment générées, ce qui conduit à des volumes énormes de données sensorielles brutes qui nécessitent une manipulation supplémentaire pour les convertir en informations utiles. En général, les données sont transmises au nuage pour être traitées et pour en déduire un résultat utile. En outre, plusieurs cas d’utilisation de l’IdO exigent que le nuage renvoie des instructions pour répondre à des besoins de contrôle. Compte tenu du très grand nombre d’appareils connectés à l’IdO et de la capacité limitée des réseaux, plusieurs défis se posent. Tout d’abord, la transmission sans contrôle des données vers le nuage a amplifié le stress du réseau, ce qui a conduit à un goulet d’étranglement. En outre, la dépendance à l’égard de la topologie du nuage central a augmenté le coût de la manipulation des données de l’IdO. Ce coût peut être considéré comme le coût de la bande passante, en plus du coût opérationnel nuage. En outre, plusieurs applications de l’IdO dépendantes du temps peuvent ne pas tolérer le délai d’attente imposé par l’aller-retour entre les noeuds de capteurs et le nuage. Tous les éléments mentionnés ci-dessus ont mené à la recherche de solutions alternatives permettant de pousser ces capacités de calcul à la périphérie du réseau et à proximité des sources de données. De manière exceptionnelle, cela est devenu possible grâce à la diversité et aux progrès récents des dispositifs de périphérie de l’IdO, qui leur confèrent la capacité de gérer une variété de cas d’utilisation. Cette évolution s’est accompagnée d’une vaste enquête sur la capacité de plusieurs techniques basées sur l’IA à effectuer des tâches de manipulation de données de l’IdO. Plus précisément, plusieurs techniques basées sur l’IA, dont le web sémantique, l’apprentissage automatique et la logique floue, ont été largement étudiées et considérées comme des outils essentiels pour révéler l’ambiguïté des données brutes des capteurs et pour faciliter la prise de décision. Bien que les avantages introduits par ces techniques aient été largement reconnus dans le domaine de l’IdO, la tendance croissante à étendre cette intelligence à la périphérie du réseau a révélé plusieurs défis. Il s’agit notamment de leur applicabilité dans des plates-formes à ressources limitées, ainsi que de leur consistance avec l’instabilité et les fluctuations auxquelles les solutions basées sur la périphérie de l’IdO sont fortement exposées. L’objectif principal de cette thèse est d’examiner à travers plusieurs études de cas la capacité des techniques basées sur l’IA à maintenir une performance balancée dans les tâches de traitement et d’analyse des données. Cette efficacité est assurée en tenant compte de la limitation des ressources qui caractérise une grande partie des dispositifs périphériques de l’IdO. En outre, chaque étude de cas représente un problème de recherche qui a été traité séparément dans cette thèse. Ainsi, les contributions introduites dans ce travail correspondent aux études de cas présentées et elles sont structurées en objectifs séquentiellement liés entre eux. La première contribution est proposée pour évaluer la faisabilité des solutions de périphérie dans l’exécution de tâches de détection d’événements efficaces et à temps, basées sur le web sémantique et les techniques de traitement d’événements complexes. Dans cette contribution, nous avons examiné la faisabilité du processus d’annotation sémantique dans l’exécution de tâches de détection et de modélisation efficaces des événements, en plus des tâches de filtrage des données sur les dispositifs périphériques de l’IdO. Deuxièmement, afin d’aider les solutions de périphérie de l’IdO non seulement à détecter les événements à temps, mais aussi à les prévoir et à les anticiper, nous avons examiné la combinaison de techniques d’apprentissage automatique et de logique floue. Plus précisément, nous avons étudié et appliqué les meilleurs principes pour le déploiement efficace de solutions basées sur l’apprentissage automatique et la logique floue dans des environnements restreints en ressources. Troisièmement, compte tenu des défis posés par l’utilisation de modèles d’apprentissage automatique en temps réel, nous avons examiné une approche basée sur la logique floue pour assurer le suivi des performances du modèle. Le mécanisme proposé vise à maintenir une performance acceptable du modèle en temps réel conformément à une utilisation balancée des ressources sur les dispositifs périphériques de l’IdO. Dans tous les cas analysés, nous avons mené une enquête approfondie sur les sujets de recherche connexes et appuyé nos hypothèses par une analyse approfondie de cas d’utilisation réels. En outre, nous avons validé nos hypothèses par plusieurs mises en oeuvre de preuves de concept. Cette méthodologie a permis de mettre en évidence une variété de perspectives et de reconnaître les questions ouvertes et les problèmes de recherche potentiels dans le cadre de la recherche présentée.

Date	3 juin 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Abdelouahed Gherbi (Directeur(-trice))