L’Internet des Objets (IdO) désigne des milliards d’appareils physiques connectés à l’internet dans le monde, qui collectent et partagent tous des données. L’IdO englobe une grande variété d’appareils tels que les appareils domestiques intelligents (thermostats, réfrigérateurs et systèmes de sécurité), les machines industrielles, les moniteurs de santé portables et même les technologies des villes intelligentes. L’expansion des dispositifs IdO apporte de nombreux avantages, mais pose également des défis liés aux caractéristiques de ressources limitées de beaucoup de ces dispositifs. Ces limitations, notamment la puissance de calcul, la mémoire et l’efficacité énergétique, peuvent avoir un impact sur les performances et la réactivité, en particulier dans le contexte d’applications cruciales et sensibles au facteur temps. L’avènement d’informatique en périphérie du réseau (PdR) offre une solution prometteuse à ces défis. En plaçant les ressources informatiques à proximité des dispositifs IdO, le PdR peut minimiser la latence et permettre un traitement efficace des données. Pourtant, la nature imprévisible de la génération de données IdO, compte tenu de la diversité des types d’appareils et de leurs cycles d’activité, introduit son propre ensemble de complexités. En outre, l’utilisation de communications sans fil et de bandes de fréquences sans licence aggrave les problèmes liés à l’efficacité de la transmission des données, aux interférences et à la capacité limitée, ce qui peut entraîner une augmentation du temps de latence au sein des réseaux IdO. À ce cadre de communication complexe s’ajoute la connectivité réseau variable des appareils mobiles IdO tels que les drones ou les robots, qui contribue aux complications existantes. Il devient donc impératif de prévoir les caractéristiques variables dans le temps des appareils IdO pour mieux gérer les ressources et assurer la qualité de service (QdS). Le regroupement d’appareils IdO similaires peut améliorer les estimations de la charge de travail et faciliter l’allocation des ressources. En outre, les modèles de prédiction de la QoS qui intègrent des données de séries temporelles sur la génération de paquets et les caractéristiques du réseau peuvent contribuer à une meilleure compréhension des exigences et des limites de la plateforme IdO.
Dans cette thèse, nous considérons d’abord la catégorisation du trafic provenant des dispositifs IdO en classes distinctes. Cette approche est destinée à faciliter la gestion et la compréhension de la gamme variée de données provenant de divers dispositifs IdO dans un environnement de ville intelligente. Nous modélisons le problème d’identification du trafic des dispositifs IdO comme un problème d’apprentissage classification multiple et proposons un modèle d’apprentissage en deux étapes comme solution. Afin de capturer les nuances du comportement des appareils IdO, nous suggérons un ensemble de caractéristiques étendu, qui comprend des caractéristiques au niveau du flux, du paquet et de l’appareil. Ces caractéristiques décrivent les caractéristiques et le comportement des péripheriques IdO dans le contexte d’une ville intelligente. De plus, nous proposons un algorithme de prétraitement de pondération personnalisé pour déterminer la contribution des caractéristiques des données de trafic au processus de classification. Ensuite, un mécanisme de sélection des caractéristiques basé sur l’ANOVA et la méthode de corrélation basée sur le coefficient de Pearson sont utilisés pour une compréhension plus approfondie des caractéristiques du trafic (caractéristiques). Enfin, nous proposons un algorithme d’apprentissage innovant en deux étapes, qui utilise la régression logistique à l’étape 0 pour catégoriser initialement les données, et un réseau de perceptron multicouche (MLP) à l’étape 1 pour affiner la classification. Ce processus en deux étapes permet une classification plus précise des dispositifs IdO, comme cela a été démontré avec deux ensembles de données réels différents sur le trafic IdO.
Le deuxième aspect du travail présenté dans cette thèse concerne la prédiction efficace de diverses mesures de QdS, telles que le débit, le taux de livraison des paquets, le taux de perte de paquets et la latence pour un ensemble diversifié d’applications IdO. Nous proposons un modèle de transformateur temporel au sein d’un système unifié, conçu pour prédire les mesures de qualité de service typiques. Cette prédiction est modélisée comme un problème de prévision de séries temporelles, utilisant à la fois des configurations univariées et multivariées. Nous générons un ensemble de données composé d’informations sur le trafic en temps réel provenant de cinq applications IdO distinctes : Chauffage, ventilation et climatisation (HVAC), éclairage intelligent, voix sur protocole Internet (VoIP) pour un assistant virtuel, surveillance et intervention d’urgence. Le modèle de transformateur temporel proposé tire parti d’un module d’attention pour prédire les séquences de QdS à court et à long terme, ce qui permet d’extraire plus efficacement les dépendances temporelles. Ce deuxième aspect de la thèse se concentre uniquement sur la prédiction des métriques de QdS par application IdO avec des nœuds de capteurs statiques.
La troisième partie de cette thèse étend la direction susmentionnée et concerne la prédiction des métriques de qualité de service dans un cadre où les passerelles IdO sont des robots mobiles. À cette fin, nous mettons en œuvre trois applications IdO dans un environnement réel sous huit configurations de réseau distinctes qui tiennent compte de la mobilité des robots, de la puissance de transmission des dispositifs IdO et des fréquences de canal spécifiques à l’application utilisée. Pour prédire le comportement de la qualité de service de diverses mesures dans un environnement aussi dynamique, nous proposons un transformateur temporel espacé fédéré (FeD-TST). Ce cadre permet aux clients locaux de former des modèles individuels avec leur ensemble de données de qualité de service unique pour chaque configuration de réseau, puis de mettre à jour un modèle global associé par le biais de l’amalgame des modèles locaux. Pour chaque client, un modèle transformateur temporel espacé est formé, qui comprend plusieurs composants, notamment les modules d’encodage et de décodage, le module d’attention clairsemée multi-têtes et le module d’attention clairsemée masquée. Enfin, le cadre génère des prévisions univariées ou multivariées, dont l’efficacité est ensuite évaluée sur la base d’un ensemble de données de test. Par conséquent, la principale contribution de cette thèse peut être résumée en fournissant aux dispositifs IdO des mécanismes de classification du trafic et de prédiction de la qualité de service pour un ensemble d’applications IdO. Les méthodologies que nous proposons tiennent compte des différents modèles de génération de données IdO, de la mobilité des appareils et des réseaux d’accès au sein d’un écosystème IdO, tandis que des évaluations expérimentales approfondies indiquent que nos approches proposées sont plus performantes que les techniques de pointe actuelles en termes de performance et d’efficacité. En outre, nos approches proposées peuvent fournir des informations tangibles sur les besoins en ressources et les limitations rencontrées au niveau de l’accès au réseau IdO et au sein de l’infrastructure périphérique.
| Date | 8 août 2023 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Aris Leivadeas (Directeur(-trice)) |
|---|