Schémas de contrôle de congestion intelligents pour les réseaux IoT en se basant sur les méthodes d'apprentissage profonds

Intelligent congestion control schemes in IoT networks using deep learning methods

• Auteur / Autrice : Hanane Benadji
• Direction : Véronique Veque
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 30/09/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Signaux et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : Télécoms et Réseaux
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Contrôle de congestion

Apprentissage profond

Réseaux IoT

Congestion control

Deep Learning

IoT Networks

Résumé

Le déploiement massif de dispositifs IoT apporte des avantages potentiels pour le futur. Cependant, de nombreux défis doivent être relevés pour rendre l'IoT pratique. Les ressources limitées des dispositifs en termes d'énergie et de stockage, ainsi que les modèles de communication des applications IoT hétérogènes, affectent considérablement le débit de données, la portée de transmission et parfois les exigences de faible latence dues aux mesures périodiques. Par conséquent, la conception d'approches efficaces de contrôle de congestion est très difficile. Dans cette thèse, nous proposons d'utiliser des techniques d'apprentissage profond (deep learning) pour concevoir des approches de contrôle de la congestion, comme cela a déjà été fait pour contrôler le trafic Internet. L'apprentissage profond fournit des techniques qui correspondent bien au problème, soit en inférant des connaissances à partir de données massives et multi-échelles générées par les dispositifs IoT pour adapter les paramètres des méthodes de contrôle de la congestion existantes. Soit en prédisant l'état du réseau lorsque les connaissances préalables des couches inférieures ne sont pas disponibles au niveau de la couche applicative, afin de prendre la décision de contrôle du débit appropriée.

The massive deployment of IoT devices brings potential benefits for the future smart world. However, many challenges need to be addressed to make IoT practical. The constrained resource of devices in terms of energy and storage, together with the communication patterns of heterogeneous IoT applications affect considerably the data rate, the transmission range and sometimes the low-latency requirement due periodic measurement. Therefore, the design of efficient congestion control approaches is very challenging. In this thesis proposal, we propose to use machine/deep learning techniques to design congestion control approaches, as already done to control Internet traffic. Machine/deep learning provides techniques that match well with the problem, either by inferring knowledge from massive and multi-scale data generated by the IoT devices to adapt the parameters of existing congestion control methods. Or, by predicting the network state when the prior knowledge of the lower layers is not available at the application layer, in order to make the appropriate date rate control decision.