Sélectrion de service cloud en utilisant la théorie des ensembles approximatifs

Cloud services selection based on rough set theory

• Auteur / Autrice : Yongwen Liu
• Direction : Moez Esseghir, Leïla Merghem
• Type : Thèse de doctorat
• Discipline(s) : Ingénierie Sociotechnique des Connaissances, des Réseaux et du Développement Durable
• Date : Soutenance le 17/06/2016
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Organisme gouvernemental étranger : China Scholarship Council
• Partenaire(s) de recherche : Laboratoire : Institut Charles Delaunay / ICD
• Jury : Président / Présidente : Hichem Snoussi
• Jury : Examinateurs / Examinatrices : Moez Esseghir, Leïla Merghem, Hichem Snoussi, Yacine Ghamri-Doudane, Sidi-Mohamed Senouci, Atiq Ahmed
• Jury : Rapporteurs / Rapporteuses : Yacine Ghamri-Doudane, Sidi-Mohamed Senouci

Mots clés

Mots clés contrôlés

Services Web

Classification

Systèmes d'aide à la décision

Informatique dans les nuages

Prise de décision

Théorie des ensembles approximatifs

Mots clés libres

Théorie des ensembles approximatifs

Prise de décision

Informatique dans les nuages

Systèmes d'aide à la décision

Classification

Services web

Rough sets

Decision making

Cloud computing

Decision support systems

Classification

Web services

Résumé

Avec le développement du cloud computing, de nouveaux services voient le jour et il devient primordial que les utilisateurs aient les outils nécessaires pour choisir parmi ses services. La théorie des ensembles approximatifs représente un bon outil de traitement de données incertaines. Elle peut exploiter les connaissances cachées ou appliquer des règles sur des ensembles de données. Le but principal de cette thèse est d'utiliser la théorie des ensembles approximatifs pour aider les utilisateurs de cloud computing à prendre des décisions. Dans ce travail, nous avons, d'une part, proposé un cadre utilisant la théorie des ensembles approximatifs pour la sélection de services cloud et nous avons donné un exemple en utilisant les ensembles approximatifs dans la sélection de services cloud pour illustrer la pratique et analyser la faisabilité de cette approche. Deuxièmement, l'approche proposée de sélection des services cloud permet d’évaluer l’importance des paramètres en fonction des préférences de l'utilisateur à l'aide de la théorie des ensembles approximatifs. Enfin, nous avons effectué des validations par simulation de l’algorithme proposé sur des données à large échelle pour vérifier la faisabilité de notre approche en pratique. Les résultats de notre travail peuvent aider les utilisateurs de services cloud à prendre la bonne décision et aider également les fournisseurs de services cloud pour cibler les améliorations à apporter aux services qu’ils proposent dans le cadre du cloud computing

With the development of the cloud computing technique, users enjoy various benefits that high technology services bring. However, there are more and more cloud service programs emerging. So it is important for users to choose the right cloud service. For cloud service providers, it is also important to improve the cloud services they provide, in order to get more customers and expand the scale of their cloud services.Rough set theory is a good data processing tool to deal with uncertain information. It can mine the hidden knowledge or rules on data sets. The main purpose of this thesis is to apply rough set theory to help cloud users make decision about cloud services. In this work, firstly, a framework using the rough set theory in cloud service selection is proposed, and we give an example using rough set in cloud services selection to illustrate and analyze the feasibility of our approach. Secondly, the proposed cloud services selection approach has been used to evaluate parameters importance based on the users’ preferences. Finally, we perform experiments on large scale dataset to verity the feasibility of our proposal.The performance results can help cloud service users to make the right decision and help cloud service providers to target the improvement about their cloud services