Autonomie dans les systèmes internet des objets : Une approche d'IA hybride à base d'intergiciel pour l'auto-adaptation

Enabling autonomous IoT systems : A middleware-based hybrid AI approach to self-adaptation

• Auteur / Autrice : Houssam Hajj hassan
• Direction : Denis Conan
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 16/12/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Télécom SudParis (Evry ; 2012-....) - Institut Polytechnique de Paris / IP Paris - Département Informatique / INF - Architecture, Cloud continuum, formal Models, artificial intElligence and Services in distributed computing / ACMES-SAMOVAR
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom SudParis (Evry ; 2012-....)
• Jury : Président / Présidente : Philippe Roose
• Jury : Examinateurs / Examinatrices : Thomas Ledoux, Khalil Drira, Georgios Bouloukakis, Raffaela Mirandola
• Jury : Rapporteurs / Rapporteuses : Thomas Ledoux, Khalil Drira

Mots clés

Mots clés contrôlés

Co-adaptation (informatique)

Apprentissage par renforcement (intelligence artificielle)

Internet des objets

Mots clés libres

Internet des Objets

Systèmes Auto-Adaptatifs

Intelligence Artificielle Hybride

Qualité de Service

Apprentissage par Renforcement

Découverte des Causes

Internet of Things

Self-Adaptive Systems

Hybrid AI

Quality of Service

Reinforcement Learning

Causal Discovery

Résumé

La prolifération de l'Internet des objets (IoT) a transformé les espaces traditionnels en environnements plus intelligents et interconnectés. Cela a donné lieu à des systèmes IoT sophistiqués, généralement composés de dispositifs qui détectent des phénomènes physiques et génèrent des données pouvant être traitées par des nœuds de calcul avant d'être consommées par des applications. Ces applications définissent généralement des exigences spécifiques de qualité de service (QoS) qui doivent être respectées (par exemple, disponibilité, précision, latence). À cette fin, les systèmes IoT sont souvent configurés pour garantir que les exigences de QoS des applications déployées soient respectées. Cela implique l'ajustement de plusieurs paramètres tels que les configurations réseau, les ressources de traitement, et l'optimisation des systèmes d'échange de données. Cependant, les espaces intelligents modernes sont intrinsèquement dynamiques et imprévisibles. Les variations dans le nombre de dispositifs IoT, les conditions du réseau, et les ressources de calcul disponibles créent un environnement en constante évolution. Ainsi, pour garantir que les systèmes IoT fonctionnent de manière autonome, il est essentiel de concevoir des mécanismes d'auto-adaptation pour maintenir les exigences de QoS des applications dans des situations dynamiques. Cette thèse propose une approche d'auto-adaptation à base d'intergiciel et d'intelligence artificielle (IA) hybride pour permettre des opérations autonomes des systèmes IoT dans des environnements dynamiques. En combinant des approches basées sur la logique avec des techniques d'IA basées sur les données, nous concevons des solutions d'auto-adaptation efficaces et explicables pour les systèmes IoT. Cela est réalisé à travers trois contributions principales. Tout d'abord, des réseaux de files d'attente sont utilisés pour composer des modèles de QoS qui représentent les systèmes IoT sous différentes situations et/ou configurations. En simulant ces modèles de QoS, nous sommes en mesure de générer des ensembles de données de performances qui peuvent être utilisés dans des approches auto-adaptatives pour s'adapter dynamiquement aux situations changeantes en sélectionnant la configuration qui satisfait le mieux les exigences de QoS définies par les applications. La deuxième contribution permet une gestion adaptative des flux de données pilotée par l'IA dans les espaces IoT. En combinant des techniques d'IA basées sur la logique et sur les données, telles que l'IA planning et l'apprentissage par renforcement, nous concevons un cadre impliquant des agents intelligents capables de prendre des décisions d'adaptation en temps réel. Les actions d'adaptation possibles incluent les configurations de flux de données (par exemple, priorités, taux de rejet de données) et le contrôle des ressources (par exemple, ressources réseau, ressources de calcul). Enfin, la dernière contribution permet de rendre les systèmes autonomes plus proactifs et explicables grâce à l'apprentissage par renforcement et la théorie de la causalité. Pour ce faire, nous nous appuyons sur le cadre de la causalité afin de fournir une analyse formelle des performances des systèmes IoT. Par la suite, les modèles causaux permettent un processus de prise de décision plus efficace, permettant aux agents d'adaptation de prendre des actions d'adaptation efficaces dans des environnements dynamiques. Nous validons notre approche en développant une implémentation prototype d'un système IoT et en menant des expériences sur des études de cas considérant différents types d'environnements IoT. Nos modèles de QoS sont évalués et comparés à une implémentation prototype pour valider la précision des ensembles de données de performances générés. Nous évaluons ensuite l'efficacité de notre solution en exploitant des données issues de déploiements réels pour nous assurer que notre approche est valide dans des contextes réels.

The proliferation of Internet of Things (IoT) devices has transformed traditional spaces into smarter, more interconnected environments. These advanced IoT systems consist of devices that sense physical phenomena and generate data, which are then processed by computing nodes before being used by applications. Such applications typically define specific Quality-of-Service (QoS) requirements, such as availability, accuracy, and latency, that must be met. To achieve this, IoT systems are normally configured to ensure that the QoS requirements of the deployed applications are met. This involves adjusting multiple parameters such as network settings, processing resources, and tuning data exchange systems. However, modern smart spaces are inherently dynamic and unpredictable. Changes in the number of IoT devices, network conditions, and available computational resources create a continuously evolving environment. Thus, to ensure that IoT systems operate autonomously, it is essential to design advanced self-adaptive mechanisms for maintaining QoS requirements of applications across dynamic smart spaces.This thesis proposes a middleware-based, hybrid Artificial Intelligence (AI) self-adaptation approach for enabling autonomous IoT operations across dynamic smart spaces. By combining logic-based approaches with data-driven AI techniques, we design effective and explainable self-adaptation solutions for IoT systems operating over dynamic environments. This is achieved through three main research contributions. First, queueing network modeling techniques are leveraged to compose QoS models that represent IoT systems under different situations and/or configurations of smart spaces. By simulating QoS models, we generate performance metrics datasets that can be used as input in self-adaptive approaches. These approaches dynamically adjust to changing conditions by selecting the configuration that best meets the QoS requirements specified by the applications. The second contribution enables AI-driven adaptation of IoT systems in smart spaces. By combining AI techniques such as Automated Planning and Reinforcement Learning, we design a framework involving intelligent agents capable of taking adaptation decisions at runtime. Possible adaptation actions include data flow configurations (e.g., priorities, drop rates) and resource control (e.g., network resources, computing resources). Finally, the third contribution enables proactive and explainable autonomous systems by relying on Causal Reinforcement Learning. To achieve this, Causality methodologies are employed to provide a formal analysis of the performance of IoT systems. Subsequently, causal models enable agents to take efficient adaptation actions in dynamic environments. We validate our proposed approach by developing a prototype implementation of an IoT system and experimenting with case studies considering different types of IoT environments. Our QoS models are evaluated and compared with a prototype implementation for validating the accuracy of the generated performance metrics datasets. We then evaluate the effectiveness of our solution by leveraging data from real deployments to ensure that our approach is valid in real-life settings. The self-adaptation approach presented in this thesis can be exploited to design resilient and modern IoT systems where interactive and real-time services are required, enabling smart spaces to autonomously adapt to changes in their environment, and ensuring optimal performance even under dynamic conditions.