Equilibrage de charge efficace et adaptatif avec contraintes temporelles pour les véhicules connectés

Efficient and adaptive load balancing with temporal constraints for connected vehicles

• Auteur / Autrice : Jean Ibarz
• Direction : Jean-Charles Fabre, Michaël Lauer
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
• Jury : Président / Présidente : Alix Munier-Kordon
• Jury : Examinateurs / Examinatrices : Jean-Charles Fabre, Michaël Lauer, Alix Munier-Kordon, François Taïani
• Jury : Rapporteurs / Rapporteuses : Laurent Pautet, Jean-Charles Billaut

Mots clés

Mots clés contrôlés

Algorithmes gloutons

iCloud (informatique)

Mots clés libres

Véhicules connectés

Véhicules-vers-Cloud

Allocation de ressources

Biens d’informations

Apprentissage par renforcement

Economie computationnelle basé-agents

Temps-réel souple

Connected vehicles

Vehicle-to-Cloud

Resources allocation

Information goods

Reinforcement learning

Agents-based computational economics

Soft real-time

Résumé

Pour améliorer l'expérience de la mobilité, il est envisagé que des millions de véhicules connectés agissent en tant que mineurs d'informations dans un système distribué massif. Dans ce système, chaque véhicule embarque de multiples capteurs pour acquérir des informations locales de l'environnement. Ces informations sont ensuite transférées vers le Cloud, où elles sont exploitées par des services pour générer une connaissance globale et fréquemment mise à jour de l'environnement. Cette connaissance rend possible une meilleure anticipation des situations futures dans un horizon électronique qui s'étend au-delà de la perception des capteurs embarqués. L’écrasante quantité de données générées par la flotte de véhicules ainsi que le caractère fortement dynamique de l'environnement imposent une optimisation efficace et adaptative du flux de données transférées des véhicules vers le Cloud. Dans cette thèse, nous proposons des éléments de solution à ce problème. D’abord nous posons le cadre du problème initial et des hypothèses que nous nous sommes imposées pour rendre l'étude du problème abordable. Nous proposons de décomposer notre problème dans un modèle multi-échelletemporelle, un modèle classiquement rencontré en recherche opérationnelle. Dans un premier temps, nous modélisons le problème au niveau des véhicules comme un problème d’ordonnancement basé-valeur en nous appuyant sur des concepts de temps-réel souple. Nous évaluons expérimentalement un ensemble d'algorithmes gloutons en-ligne choisis pour leur forte capacité adaptative et leur faible complexité, une caractéristique appropriée pour un contexte embarqué. Nous étendons une méthode de génération aléatoire de scénarios afin d’améliorer la transparence de nos résultats. Nous proposons aussi de réduire un effet de bord dû à la terminaison de la simulation, qui n’affecte pas de manière égale tous les algorithmes, afin d’améliorer la justesse de l’évaluation. Nos résultats pointent vers un biais d’analyse présent dans la littérature, et indiquent qu'un algorithme plus simple que celui précédemment considéré permet de résoudre plus efficacement le problème. Dans un second temps, nous étudions le problème au niveau du Cloud. Il faut trouver un compromis entre maximisation de la richesse globale générée et satisfaction des besoins individuels de chaque service. Nous cherchons un moyen d'abstraire l'expression concrète des besoins des différents services, et contrôler l'influence de chaque service sur le flux de données pour nous prémunir de situations de famines. Nous envisageons une solution de contrôle basémarché, où le pouvoir d'influence est matérialisé par du numéraire, qu'il est pratique d'imaginer comme de la monnaie. Le numéraire est distribué périodiquement aux services et peut être cumulé par un service pour lui permettre d’adapter dynamiquement son pouvoir d’influence avec l’évolution de ses besoins. Les services ont la liberté et la responsabilité de faire bon usage du numéraire pour acquérir les données qu’ils convoitent. L'influence des services sur le flux de données se réalise au travers d'intéractions avec un mécanisme de provision. Pour obtenir un mécanisme qui génère des effets désirables, nous proposons de construire une famille de mécanismes basés sur des concepts similaires à des mécanismes déjà existants dans la littérature. Nous simulons des services intelligents, dont le comportement est obtenu en tirant profit de techniques d’apprentissage par renforcement, pour évaluer les effets obtenus avec le mécanisme de provision. Nos résultats indiquent que le mécanisme NE-WR (No-Exclusion Weighted-Rebate), qui est simple et où la contribution de chaque service est libre, est un bon candidat. Ce mécanisme permet d’obtenir un bon compromis entre la richesse globale générée par l’ensemble des services et la satisfaction des besoins individuels, tout en permettant à chaque service d’influencer le flux de données dans une juste mesure.

To enhance the mobility experience, millions of connected vehicles are envisioned to act as information miners in a massive distributed system. In this system, each vehicle embeds multiple sensors to acquire local information from the environment. This information is then transferred to the Cloud, where it is used by services to generate global and frequently updated knowledge of the environment. This knowledge makes possible a better anticipation of future situations in an electronic horizon that extends beyond the perception of on-board sensors. The overwhelming amount of data generated by the vehicle fleet as well as the highly dynamic nature of the environment require efficient and adaptive optimization of the data flow transferred from vehicles to the Cloud. In this thesis, we propose elements of solution to this problem. First, we set out the framework of the initial problem and the assumptions we have made to make the problem tractable. We propose to decompose our problem in a multi-time-scale model, a model classically encountered in operational research. First, we model the problem at the vehicle’s level as a value-based scheduling problem using flexible real-time concepts. We experimentally evaluate a set of greedy on-line algorithms chosen for their high adaptive capacity and low complexity, a characteristic suitable for an embedded context. We extend a method of random generation of scenarios to improve the transparency of our results. We also propose to reduce a side effect due to the termination of the simulation, which does not affect all algorithms equally, in order to improve the accuracy of the evaluation. Our results point to an analysis bias present in the literature, and indicate that a simpler algorithm than the one previously considered makes it possible to solve the problem more effectively. Second, we study the problem at the Cloud level. A compromise must be found between maximizing the overall wealth generated and meeting the individual needs of each service. We are looking for a way to abstract the concrete expression of the needs of the different services, and to control the influence of each service on the data flow to protect ourselves from famine situations. We envision a market-based control solution, where the power of influence is materialized in numeraire, which is convenient to imagine as cash. Numeraire is distributed periodically to services and can be accumulated by a service to allow it to dynamically adapt its power of influence as its needs evolve. Services have the freedom and responsibility to make good use of the numeraire to acquire the data they want. The influence of services on the flow of data is achieved through interactions with a provision mechanism. To obtain a mechanism that generates desirable effects, we propose to build a family of mechanisms based on concepts similar to mechanisms already existing in the literature. We simulate intelligent services, whose behavior is obtained by taking advantage of reinforcement learning techniques, to evaluate the effects obtained with the provision mechanism. Our results indicate that the NE-WR (No-Exclusion Weighted-Rebate) mechanism, which is simple and where the contribution of each service is free, is a good candidate. This mechanism makes it possible to obtain a good compromise between the overall wealth generated by all the services and the satisfaction of individual needs, while allowing each service to influence the flow of data to a fair extent.