Thèse soutenue

Orchestration et optimisation du cache dans les réseaux IoT

FR  |  
EN
Auteur / Autrice : Sahand Khodaparas talatapeh
Direction : Abderrahim BenslimaneSaleh Yousefi
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 15/07/2024
Etablissement(s) : Avignon en cotutelle avec Université d'Urmia (Iran)
Ecole(s) doctorale(s) : École doctorale Sciences et agrosciences (Avignon)
Partenaire(s) de recherche : Laboratoire : Laboratoire informatique d'Avignon
Jury : Président / Présidente : Yezekael Hayel
Examinateurs / Examinatrices : Leila Sharifi, Jamshid Bagherzadeh Mohasefi, Vahid Solouk
Rapporteurs / Rapporteuses : Antoine Gallais, Anna Maria Vegni

Résumé

FR  |  
EN

Cette thèse explore l'amélioration des mécanismes de mise en cache au sein des réseaux de l'Internet des Objets (IoT) et de l'Internet des Véhicules (IoV) afin d'atténuer la congestion du réseau de backhaul, de prolonger la durée de vie des nœuds IoT et d'améliorer la qualité générale du service réseau. Elle commence par introduire une méthode de clustering au sein des infrastructures IoT, utilisant des techniques de prise de décision multicritères telles que TOPSIS et AHP pour optimiser le placement du cache parmi les nœuds et en s'appuyant sur le Réseau Défini par Logiciel (SDN) pour un routage efficace. Les travaux se penchent ensuite sur les réseaux IoV, différenciant les stratégies de mise en cache de contenu de sécurité et de divertissement. La mise en cache du contenu de sécurité est localisée et dynamique, basée sur la gravité de l'incident et la fraîcheur des données, tandis que la mise en cache du contenu de divertissement emploie l'apprentissage fédéré pour prévoir la popularité du contenu sans compromettre la confidentialité des utilisateurs. Le dernier aspect de la recherche aborde les défis de couverture réseau et de distribution de charge à travers le déploiement de Véhicules Aériens Sans Pilote (UAV). Un modèle d'optimisation pour le placement des UAV est développé, tenant compte des contraintes d'énergie, de la satisfaction des utilisateurs, des débits de données requis et de l'efficacité des ressources, avec l'application de l'apprentissage par renforcement pour résoudre ce problème complexe. Ensemble, ces stratégies forment une approche cohérente visant à réduire la latence et à améliorer la Qualité de Service dans les réseaux véhiculaires.