University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Apprentissage des Réseaux de Neurones Profonds : Analyse Des Sentiments Dans Les Réseaux Sociaux. Type de document : texte imprimé Auteurs : Boulahlib, walid, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (72 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Fouille d'opinion
Apprentissage profond
word2vec
réseaux de neurone récurrent(RNN)Index. décimale : 004 Informatique Résumé : Depuis siècles , Certains chercheurs se sont intéressés à l'étude, à l'analyse , à la
description et à la classication des émotions humaines, ce qui a permis de trouver
plus d'outils de recherche et de soutenir des plateformes d'acquisition de données .
Avec l'expansion des moyens de réseaux de communication et sociaux sur Internet,
qui donnent de vastes zones d'expression et de mettre en avant et des idées
librement par des personnes de partout dans le monde, où il a été mis en place de
nombreux domaines en fonction de l'étude sur le domaine psychologique, son objectif
en premier lieu est de comprendre Comportement humain pour la capacité de
révéler ce qu'il pense à travers ce qu'il ressent , écrit ou dit.
Aujourd'hui, de nouveaux horizons ont été révélés, puisque nous pouvions savoir
qui va gagner les élections avant même d'avoir voté ?Et si on pouvait. savoir si le
lancement d'un nouveau téléphone ou d'une nouvelle voiture ou d'un produit serait
rentable ou non? Et beaucoup de nouvelles questions qui ont permis aux études dans
la fouille d'opinions, que ce soit au niveau académique ou industriel, pour prendre
de plus en plus d'importance.
Ainsi, la compréhension des sentiments étant un aspect convoité et étudié , de
nouvelles portant sur la détection et surtout la fouille d'opinions ou de sentiments
à travers les réseaux sociaux sont apparues . ces études touchent de plus en plus de
domaines et inuent de plus en plus sensibles à la prise de décision que ce soit au
niveau personnel et communautaire. , Ou au niveau gouvernemental ou mondial .
Dans ce rapport, nous avons utilisé la technique d'apprentissage en profondeur
comme une nouvelle tendance pour réaliser une fouille d'opinion , en créant un mod-
èle avec trois classeurs séparateur à vaste marge (SVM) , arbre de décision (AD) ,
Forêt aléatoire (RF) pour comparer ce modèle an d'évaluer sa performance,nous
avons pris Amazon comme source des données pour ce travail.Note de contenu : Sommaire
Contents iv
List of Figures vii
Introduction Générale 1
1 Apprentissage automatique : Etat de l'art 4
1 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Déférents étapes pour création modèle apprentissage . . . . . . . . . 5
3.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . 5
3.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . 6
4 Domaines de l'Apprentissage Automatique . . . . . . . . . . . . . . . 6
4.1 Fouille des données (data mining) . . . . . . . . . . . . . . . 6
4.2 Intelligence articielle . . . . . . . . . . . . . . . . . . . . . . . 8
5 Données d'Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Types d'apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . 8
6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . 9
6.3 Apprentissage semi-supervisée . . . . . . . . . . . . . . . . . . 9
6.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . 10
7 Les algorithmes d'apprentissage automatique . . . . . . . . . . . . . . 10
7.1 Support vecteur machine . . . . . . . . . . . . . . . . . . . . 10
7.2 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . 14
7.3 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Apprentissage profond 18
1 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Motivations pour l'apprentissage profond . . . . . . . . . . . . . . . . 19
2.1 Architecture profonde du cerveau . . . . . . . . . . . . . . . . 19
2.2 Profondeur des processus cognitifs . . . . . . . . . . . . . . . 19
3 Les réseaux de neurones articiels . . . . . . . . . . . . . . . . . . . . 20
3.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Rétro propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Apprentissage profond architecture . . . . . . . . . . . . . . . . . . . 22
5.1 Réseaux de croyances profondes . . . . . . . . . . . . . . . . . 22
5.2 Réseaux de neurones conventionnelle . . . . . . . . . . . . . . 23
5.3 Réseaux de neurones récurrent . . . . . . . . . . . . . . . . . . 24
6 application d'apprentissage profond . . . . . . . . . . . . . . . . . . . 25
6.1 Traitement Automatique des Langues Naturelles . . . . . . . . 25
6.2 Traduction automatique . . . . . . . . . . . . . . . . . . . . . 26
6.3 Reconnaissance d'image . . . . . . . . . . . . . . . . . . . . . 26
6.4 Domaine médical . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Fouille d'opinion ou Analyse des sentiments 27
1 Dénition de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.1 Information textuelle . . . . . . . . . . . . . . . . . . . . . . 27
1.2 Opinion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3 Faits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Document, Sujet, Sentiment . . . . . . . . . . . . . . . . . . . 28
2 Opinion mining ou Analyse de sentiment . . . . . . . . . . . . . . . . 28
3 Composantes de sentiment . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Modèle d'un document opiniâtre . . . . . . . . . . . . . . . . . . . . . 29
4.1 Opinion directe . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Opinion comparaison . . . . . . . . . . . . . . . . . . . . . . 30
5 Processus de la fouille d'opinions . . . . . . . . . . . . . . . . . . . . 30
5.1 Acquisition et prétraitement des données . . . . . . . . . . . . 31
5.2 La pertinence par rapport au sujet . . . . . . . . . . . . . . . 31
5.3 La détection d'opinions . . . . . . . . . . . . . . . . . . . . . . 31
6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.1 la politique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.2 E-commerce . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7 Classication des Sentiments . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Niveaux de document . . . . . . . . . . . . . . . . . . . . . . . 32
7.2 Niveau de phrase . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.3 Niveau d'aspect . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8 Les approches de détection l'opinion . . . . . . . . . . . . . . . . . . 33
8.1 Approche symbolique . . . . . . . . . . . . . . . . . . . . . . . 33
8.2 Approche statistique . . . . . . . . . . . . . . . . . . . . . . . 34
8.3 Approche hybride . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Jeux des données et Prétraitement 36
1 Description des données . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Division du jeux de données . . . . . . . . . . . . . . . . . . . . . . . 41
2.1 Données pour l'apprentissage . . . . . . . . . . . . . . . . . . 41
2.2 Donnée pour le test . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Pré traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 Nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Représentation . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1 Environnement de développement Python . . . . . . . . . . . 45
4.2 Bibliothèques . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Expérimentation et Résultats 48
1 Algorithmes et techniques . . . . . . . . . . . . . . . . . . . . . . . . 48
1.1 Notre architecture keras . . . . . . . . . . . . . . . . . . . . . 49
1.2 Compilation du modèle : . . . . . . . . . . . . . . . . . . . . 50
1.3 Apprentissage de modèle : . . . . . . . . . . . . . . . . . . . . 50
2 Expérimentation et résultats . . . . . . . . . . . . . . . . . . . . . . 51
2.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . 57
3 Interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Discussion des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . 65
6 Conclusion Générale 67
Bibliography
Côte titre : MAI/0214 En ligne : https://drive.google.com/file/d/1H_utZUOJbC1E3CS0Ok9BsoulNTRMHf4b/view?usp=shari [...] Format de la ressource électronique : Apprentissage des Réseaux de Neurones Profonds : Analyse Des Sentiments Dans Les Réseaux Sociaux. [texte imprimé] / Boulahlib, walid, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (72 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Fouille d'opinion
Apprentissage profond
word2vec
réseaux de neurone récurrent(RNN)Index. décimale : 004 Informatique Résumé : Depuis siècles , Certains chercheurs se sont intéressés à l'étude, à l'analyse , à la
description et à la classication des émotions humaines, ce qui a permis de trouver
plus d'outils de recherche et de soutenir des plateformes d'acquisition de données .
Avec l'expansion des moyens de réseaux de communication et sociaux sur Internet,
qui donnent de vastes zones d'expression et de mettre en avant et des idées
librement par des personnes de partout dans le monde, où il a été mis en place de
nombreux domaines en fonction de l'étude sur le domaine psychologique, son objectif
en premier lieu est de comprendre Comportement humain pour la capacité de
révéler ce qu'il pense à travers ce qu'il ressent , écrit ou dit.
Aujourd'hui, de nouveaux horizons ont été révélés, puisque nous pouvions savoir
qui va gagner les élections avant même d'avoir voté ?Et si on pouvait. savoir si le
lancement d'un nouveau téléphone ou d'une nouvelle voiture ou d'un produit serait
rentable ou non? Et beaucoup de nouvelles questions qui ont permis aux études dans
la fouille d'opinions, que ce soit au niveau académique ou industriel, pour prendre
de plus en plus d'importance.
Ainsi, la compréhension des sentiments étant un aspect convoité et étudié , de
nouvelles portant sur la détection et surtout la fouille d'opinions ou de sentiments
à travers les réseaux sociaux sont apparues . ces études touchent de plus en plus de
domaines et inuent de plus en plus sensibles à la prise de décision que ce soit au
niveau personnel et communautaire. , Ou au niveau gouvernemental ou mondial .
Dans ce rapport, nous avons utilisé la technique d'apprentissage en profondeur
comme une nouvelle tendance pour réaliser une fouille d'opinion , en créant un mod-
èle avec trois classeurs séparateur à vaste marge (SVM) , arbre de décision (AD) ,
Forêt aléatoire (RF) pour comparer ce modèle an d'évaluer sa performance,nous
avons pris Amazon comme source des données pour ce travail.Note de contenu : Sommaire
Contents iv
List of Figures vii
Introduction Générale 1
1 Apprentissage automatique : Etat de l'art 4
1 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Déférents étapes pour création modèle apprentissage . . . . . . . . . 5
3.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . 5
3.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . 6
4 Domaines de l'Apprentissage Automatique . . . . . . . . . . . . . . . 6
4.1 Fouille des données (data mining) . . . . . . . . . . . . . . . 6
4.2 Intelligence articielle . . . . . . . . . . . . . . . . . . . . . . . 8
5 Données d'Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Types d'apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . 8
6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . 9
6.3 Apprentissage semi-supervisée . . . . . . . . . . . . . . . . . . 9
6.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . 10
7 Les algorithmes d'apprentissage automatique . . . . . . . . . . . . . . 10
7.1 Support vecteur machine . . . . . . . . . . . . . . . . . . . . 10
7.2 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . 14
7.3 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Apprentissage profond 18
1 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Motivations pour l'apprentissage profond . . . . . . . . . . . . . . . . 19
2.1 Architecture profonde du cerveau . . . . . . . . . . . . . . . . 19
2.2 Profondeur des processus cognitifs . . . . . . . . . . . . . . . 19
3 Les réseaux de neurones articiels . . . . . . . . . . . . . . . . . . . . 20
3.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Rétro propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Apprentissage profond architecture . . . . . . . . . . . . . . . . . . . 22
5.1 Réseaux de croyances profondes . . . . . . . . . . . . . . . . . 22
5.2 Réseaux de neurones conventionnelle . . . . . . . . . . . . . . 23
5.3 Réseaux de neurones récurrent . . . . . . . . . . . . . . . . . . 24
6 application d'apprentissage profond . . . . . . . . . . . . . . . . . . . 25
6.1 Traitement Automatique des Langues Naturelles . . . . . . . . 25
6.2 Traduction automatique . . . . . . . . . . . . . . . . . . . . . 26
6.3 Reconnaissance d'image . . . . . . . . . . . . . . . . . . . . . 26
6.4 Domaine médical . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Fouille d'opinion ou Analyse des sentiments 27
1 Dénition de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.1 Information textuelle . . . . . . . . . . . . . . . . . . . . . . 27
1.2 Opinion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3 Faits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Document, Sujet, Sentiment . . . . . . . . . . . . . . . . . . . 28
2 Opinion mining ou Analyse de sentiment . . . . . . . . . . . . . . . . 28
3 Composantes de sentiment . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Modèle d'un document opiniâtre . . . . . . . . . . . . . . . . . . . . . 29
4.1 Opinion directe . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Opinion comparaison . . . . . . . . . . . . . . . . . . . . . . 30
5 Processus de la fouille d'opinions . . . . . . . . . . . . . . . . . . . . 30
5.1 Acquisition et prétraitement des données . . . . . . . . . . . . 31
5.2 La pertinence par rapport au sujet . . . . . . . . . . . . . . . 31
5.3 La détection d'opinions . . . . . . . . . . . . . . . . . . . . . . 31
6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.1 la politique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.2 E-commerce . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7 Classication des Sentiments . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Niveaux de document . . . . . . . . . . . . . . . . . . . . . . . 32
7.2 Niveau de phrase . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.3 Niveau d'aspect . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8 Les approches de détection l'opinion . . . . . . . . . . . . . . . . . . 33
8.1 Approche symbolique . . . . . . . . . . . . . . . . . . . . . . . 33
8.2 Approche statistique . . . . . . . . . . . . . . . . . . . . . . . 34
8.3 Approche hybride . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Jeux des données et Prétraitement 36
1 Description des données . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Division du jeux de données . . . . . . . . . . . . . . . . . . . . . . . 41
2.1 Données pour l'apprentissage . . . . . . . . . . . . . . . . . . 41
2.2 Donnée pour le test . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Pré traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 Nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Représentation . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1 Environnement de développement Python . . . . . . . . . . . 45
4.2 Bibliothèques . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Expérimentation et Résultats 48
1 Algorithmes et techniques . . . . . . . . . . . . . . . . . . . . . . . . 48
1.1 Notre architecture keras . . . . . . . . . . . . . . . . . . . . . 49
1.2 Compilation du modèle : . . . . . . . . . . . . . . . . . . . . 50
1.3 Apprentissage de modèle : . . . . . . . . . . . . . . . . . . . . 50
2 Expérimentation et résultats . . . . . . . . . . . . . . . . . . . . . . 51
2.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . 57
3 Interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Discussion des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . 65
6 Conclusion Générale 67
Bibliography
Côte titre : MAI/0214 En ligne : https://drive.google.com/file/d/1H_utZUOJbC1E3CS0Ok9BsoulNTRMHf4b/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0214 MAI/0214 Mémoire Bibliothéque des sciences Français Disponible
DisponibleUne approche à base de Machine Learning pour la prédiction des liens dans les réseaux sociaux / Chaima Belfourar
Titre : Une approche à base de Machine Learning pour la prédiction des liens dans les réseaux sociaux Type de document : texte imprimé Auteurs : Chaima Belfourar, Auteur ; Belkis Hemsas, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (63 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : prédiction de lien
Rréseaux sociauxIndex. décimale : 004 Informatique Résumé : La prédiction de liens, également connue sous le nom de prédiction de liens manquants ou de lien de recommandation, est un problème courant dans le domaine de l'apprentissage automatique et de l'analyse des réseaux. Il s'agit de prédire les connexions manquantes ou les relations potentielles entre les entités dans un réseau.
Pour résoudre le problème de prédiction de liens, différentes approches peuvent être utilisées, telles que les modèles de régression logistique, les algorithmes de marche aléatoire ou les modèles de factorisation de matrices.
Dans notre projet de fin d’étude de master, nous avons étudié le problème de prédiction de liens dans les réseaux sociaux. On s'intéresse principalement aux méthodes de l’apprentissage automatique qui sont utilisés pour les tâches de prédiction (Naïve Bayes, Décision Tree, Multi Layer Perceptron), nous avons exposé les résultats des expérimentations réalisées. Enfin, nous avons effectué une comparaison entre ces résultats et les résultats des expérimentations réalisées précédemmentCôte titre : MAI/0718 En ligne : https://drive.google.com/file/d/1w66cpdaO5pA1SgBIHHMdLWJ4ZZEXQrkq/view?usp=drive [...] Format de la ressource électronique : Une approche à base de Machine Learning pour la prédiction des liens dans les réseaux sociaux [texte imprimé] / Chaima Belfourar, Auteur ; Belkis Hemsas, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (63 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : prédiction de lien
Rréseaux sociauxIndex. décimale : 004 Informatique Résumé : La prédiction de liens, également connue sous le nom de prédiction de liens manquants ou de lien de recommandation, est un problème courant dans le domaine de l'apprentissage automatique et de l'analyse des réseaux. Il s'agit de prédire les connexions manquantes ou les relations potentielles entre les entités dans un réseau.
Pour résoudre le problème de prédiction de liens, différentes approches peuvent être utilisées, telles que les modèles de régression logistique, les algorithmes de marche aléatoire ou les modèles de factorisation de matrices.
Dans notre projet de fin d’étude de master, nous avons étudié le problème de prédiction de liens dans les réseaux sociaux. On s'intéresse principalement aux méthodes de l’apprentissage automatique qui sont utilisés pour les tâches de prédiction (Naïve Bayes, Décision Tree, Multi Layer Perceptron), nous avons exposé les résultats des expérimentations réalisées. Enfin, nous avons effectué une comparaison entre ces résultats et les résultats des expérimentations réalisées précédemmentCôte titre : MAI/0718 En ligne : https://drive.google.com/file/d/1w66cpdaO5pA1SgBIHHMdLWJ4ZZEXQrkq/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0718 MAI/0718 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Approche bioinspere pour l’extraction des connaissances dans les big data Type de document : texte imprimé Auteurs : ZENBOUT,Imene ; A Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (72f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Big data, data analytics, bioinformatique, ADN, metaheuristiues, NP-Hard,
problem, Assemblage des fragment d’ADNIndex. décimale : 004 Informatique Résumé : résumé
Les Big data sont devenues le maitre et le contrôleur des deux mondes réel et digitale, l’explosion dans les données amènent des bénéfices ainsi que des défis, parmi ces
défis c’est comment peut’ on extraire des connaissances d’après ces données?. le bioinformatiques et la fragmentation d’ADN sont considérés maintenant parmi les sources
principales de la génération des données et pour le besoin de l’extraction des connaissance de ces données, il faut de les formuler comme des problèmes NP-hard pour les
résoudre avec des metaheuristiques. Pour ces raisons nous avons proposé un algorithm
bio inspirés basé sur l’algorithme des penguins pour traiter l’exemple de l’assemblage
des fragments d’ADN.
Note de contenu : Contents
1 Big Data:Background 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Getting Started . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Toward big data . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 What is Big Data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Big data characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Volume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Variety . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Velocity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.5 Veracity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.6 Variability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Related Technologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2 Internet of Thing . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.3 Hadoop/MapReduce . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Big data analytic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.2 Data Storage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.3 Data Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.4 Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.5 Data Visualization . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Big data impact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7.1 Big data and Retail industry . . . . . . . . . . . . . . . . . . . . 18
1.7.2 Big data and Healthcare . . . . . . . . . . . . . . . . . . . . . . 18
1.7.3 Big data and Biology . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 Big data Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.1 Big Data Challenges . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Combinatorial Optimization Problem 24
2.1 Combinatorial Optimization . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.1 Combinatorial Optimization Problem . . . . . . . . . . . . . . . 24
2.1.2 Problems Classification . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.3 Combinatorial optimization methods . . . . . . . . . . . . . . . 26
2.2 Metaheuristics and bioinspiration to resolve COP . . . . . . . . . . . . 28
2.2.1 Bioinspired Optimality Search algorithms . . . . . . . . . . . . . 29
3 Biological Knowledge Discovery:DNA fragment Assembly 35
3.1 DNA structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Overview on Genome Sequencing . . . . . . . . . . . . . . . . . . . . . 36
3.3 DNA Fragment Assembly . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Bioinspired approachs for DFA problem . . . . . . . . . . . . . . . . . 38
3.4.1 Genetic Algorithm in DFA problem . . . . . . . . . . . . . . . . 38
3.4.2 Swarm intelligence for DFA problem . . . . . . . . . . . . . . . 39
3.4.3 Cuckoo Search for DFA problem . . . . . . . . . . . . . . . . . . 39
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Contribution 40
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 DFA problem formulation . . . . . . . . . . . . . . . . . . . . . 40
4.2.2 Penguin search optimization algorithm for DFA . . . . . . . . . 41
4.2.3 Overlap Graph based on PeSOA for DNA fragment assembly
problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.1 Use-Cases Diagram . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.2 StateChart diagram . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.3 Classes Diagram . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Realisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4.1 tools and methods . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.3 Experimental Result . . . . . . . . . . . . . . . . . . . . . . . . 58
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Bibliography 65Côte titre : MAI/0097 En ligne : https://drive.google.com/file/d/1gmA18QtMFFN762RWASIi4A0XB5WgW99R/view?usp=shari [...] Format de la ressource électronique : Approche bioinspere pour l’extraction des connaissances dans les big data [texte imprimé] / ZENBOUT,Imene ; A Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (72f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Big data, data analytics, bioinformatique, ADN, metaheuristiues, NP-Hard,
problem, Assemblage des fragment d’ADNIndex. décimale : 004 Informatique Résumé : résumé
Les Big data sont devenues le maitre et le contrôleur des deux mondes réel et digitale, l’explosion dans les données amènent des bénéfices ainsi que des défis, parmi ces
défis c’est comment peut’ on extraire des connaissances d’après ces données?. le bioinformatiques et la fragmentation d’ADN sont considérés maintenant parmi les sources
principales de la génération des données et pour le besoin de l’extraction des connaissance de ces données, il faut de les formuler comme des problèmes NP-hard pour les
résoudre avec des metaheuristiques. Pour ces raisons nous avons proposé un algorithm
bio inspirés basé sur l’algorithme des penguins pour traiter l’exemple de l’assemblage
des fragments d’ADN.
Note de contenu : Contents
1 Big Data:Background 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Getting Started . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Toward big data . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 What is Big Data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Big data characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Volume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Variety . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Velocity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.5 Veracity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.6 Variability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Related Technologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2 Internet of Thing . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.3 Hadoop/MapReduce . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Big data analytic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.2 Data Storage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.3 Data Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.4 Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.5 Data Visualization . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Big data impact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7.1 Big data and Retail industry . . . . . . . . . . . . . . . . . . . . 18
1.7.2 Big data and Healthcare . . . . . . . . . . . . . . . . . . . . . . 18
1.7.3 Big data and Biology . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 Big data Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.1 Big Data Challenges . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Combinatorial Optimization Problem 24
2.1 Combinatorial Optimization . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.1 Combinatorial Optimization Problem . . . . . . . . . . . . . . . 24
2.1.2 Problems Classification . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.3 Combinatorial optimization methods . . . . . . . . . . . . . . . 26
2.2 Metaheuristics and bioinspiration to resolve COP . . . . . . . . . . . . 28
2.2.1 Bioinspired Optimality Search algorithms . . . . . . . . . . . . . 29
3 Biological Knowledge Discovery:DNA fragment Assembly 35
3.1 DNA structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Overview on Genome Sequencing . . . . . . . . . . . . . . . . . . . . . 36
3.3 DNA Fragment Assembly . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Bioinspired approachs for DFA problem . . . . . . . . . . . . . . . . . 38
3.4.1 Genetic Algorithm in DFA problem . . . . . . . . . . . . . . . . 38
3.4.2 Swarm intelligence for DFA problem . . . . . . . . . . . . . . . 39
3.4.3 Cuckoo Search for DFA problem . . . . . . . . . . . . . . . . . . 39
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Contribution 40
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 DFA problem formulation . . . . . . . . . . . . . . . . . . . . . 40
4.2.2 Penguin search optimization algorithm for DFA . . . . . . . . . 41
4.2.3 Overlap Graph based on PeSOA for DNA fragment assembly
problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.1 Use-Cases Diagram . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.2 StateChart diagram . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.3 Classes Diagram . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Realisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4.1 tools and methods . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.4.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.3 Experimental Result . . . . . . . . . . . . . . . . . . . . . . . . 58
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Bibliography 65Côte titre : MAI/0097 En ligne : https://drive.google.com/file/d/1gmA18QtMFFN762RWASIi4A0XB5WgW99R/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0097 MAI/0097 Mémoire Bibliothéque des sciences Français Disponible
DisponibleApproche cross-layer de type MAC s'appuyant sur routage pour les réseaux de capteurs sans l / Boulaoudja,Ilhem
Titre : Approche cross-layer de type MAC s'appuyant sur routage pour les réseaux de capteurs sans l Type de document : texte imprimé Auteurs : Boulaoudja,Ilhem, Auteur ; Louail,Lemia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (49 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : RCSF,
Cross-layer
Protocole MAC
Routage
Latence des communicationsIndex. décimale : 004 Informatique Résumé : Résumé
Les réseaux de capteurs sans l (RCSF) représentent une technologie émergente qui
vise à orir des capacités innovantes. Cette nouvelle technologie promet de révolutionner
notre façon de vivre, de travailler et d'interagir avec l'environnement physique qui
nous entoure. Leur utilisation ne devrait cesser d'augmenter et ceci dans de nombreux
domaines. Cependant, la limitation de ressources des n÷uds capteurs constitue une
contrainte importante. Par conséquent, de nombreux travaux portent sur la conception
et le développement des protocoles de communications pour améliorer les performances
en considérant principalement la sous-couche MAC et les protocoles de routage conjointement.
La plupart de ces travaux se basent sur des approches mono couche, qui traitent le
problème à partir d'une seule couche du modèle OSI . Ainsi, dans ce travail nous explorons
les bénéces de l'approche inter-couches "Cross-layer" an de remédier aux
limites des protocoles mono couche. C'est dans ce but que nous portons notre étude
sur les protocoles MAC les plus connus an de réaliser un cross-layering entre la souscouche
MAC et la couche réseau pour optimiser la latence des communications dans les
réseaux de capteurs sans l en améliorant les performances du protocole ColaNet qui
est aussi un protocole MAC à base d'architecture Cross-layer basé sur les informations
du routage.Note de contenu : Sommaire
Introduction Générale 1
1 LES RÉSEAUX DE CAPTEURS SANS FILS 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 les capteurs sans ls . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Un capteur intelligent . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Architecture d'un capteur sans l . . . . . . . . . . . . . . . . . 4
1.3 Les réseaux de capteurs sans ls . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 dénition d'un réseau de capteur sans l . . . . . . . . . . . . . 5
1.3.2 Domaines d'application d'un RCSF . . . . . . . . . . . . . . . . 6
1.3.3 Besoins et Facteurs de Conceptions des RCSFs . . . . . . . . . . 7
1.4 L'architecture protocolaire . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Classication des protocoles MAC et routage . . . . . . . . . . . . . . . 10
1.5.1 protocoles de routage . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2 protocoles MAC . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Limites du modèle en couches . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 LES PROTOCOLES CROSS-LAYER 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 dénition d'un protocole CROSS-LAYER . . . . . . . . . . . . . . . . . 15
2.3 Les Architectures Cross-Layer . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Classication des approches CROSS-LAYER . . . . . . . . . . . . . . 17
2.4.1 Approche de fusion de couches Réseau et liaison de données . . 17
2.4.2 Approche inter-couches Réseau et liaison de données . . . . . . 17
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 MODÉLISATION ET PARAMÈTRES DE SIMULATION 22
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Topologie des réseaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Modélisation des TDMA et du routage . . . . . . . . . . . . . . . . . . 24
TABLE DES MATIÈRES 2
3.3.1 Modélisation du routage . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2 Modélisation des TDMA . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Métriques évaluées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.1 La latence des communications . . . . . . . . . . . . . . . . . . 26
3.4.2 La consommation énergétique . . . . . . . . . . . . . . . . . . . 27
3.5 Conguration des simulations . . . . . . . . . . . . . . . . . . . . . . . 27
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 PROPOSITION,SIMULATION ET RÉSULTATS 33
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Le Protocole ColaNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 les hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4 le Protocole DFL (Depth First Leaf) . . . . . . . . . . . . . . . . . . . 38
4.5 Évaluation des performances de DFL . . . . . . . . . . . . . . . . . . . 41
4.6 Performances de DFL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 DFL Vs ColaNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Conclusion Générale 45
BibliographieCôte titre : MAI/0234 En ligne : https://drive.google.com/file/d/1sLsmZqb8Xarez_pBA1HOxLvrwpLpoQug/view?usp=shari [...] Format de la ressource électronique : Approche cross-layer de type MAC s'appuyant sur routage pour les réseaux de capteurs sans l [texte imprimé] / Boulaoudja,Ilhem, Auteur ; Louail,Lemia, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (49 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : RCSF,
Cross-layer
Protocole MAC
Routage
Latence des communicationsIndex. décimale : 004 Informatique Résumé : Résumé
Les réseaux de capteurs sans l (RCSF) représentent une technologie émergente qui
vise à orir des capacités innovantes. Cette nouvelle technologie promet de révolutionner
notre façon de vivre, de travailler et d'interagir avec l'environnement physique qui
nous entoure. Leur utilisation ne devrait cesser d'augmenter et ceci dans de nombreux
domaines. Cependant, la limitation de ressources des n÷uds capteurs constitue une
contrainte importante. Par conséquent, de nombreux travaux portent sur la conception
et le développement des protocoles de communications pour améliorer les performances
en considérant principalement la sous-couche MAC et les protocoles de routage conjointement.
La plupart de ces travaux se basent sur des approches mono couche, qui traitent le
problème à partir d'une seule couche du modèle OSI . Ainsi, dans ce travail nous explorons
les bénéces de l'approche inter-couches "Cross-layer" an de remédier aux
limites des protocoles mono couche. C'est dans ce but que nous portons notre étude
sur les protocoles MAC les plus connus an de réaliser un cross-layering entre la souscouche
MAC et la couche réseau pour optimiser la latence des communications dans les
réseaux de capteurs sans l en améliorant les performances du protocole ColaNet qui
est aussi un protocole MAC à base d'architecture Cross-layer basé sur les informations
du routage.Note de contenu : Sommaire
Introduction Générale 1
1 LES RÉSEAUX DE CAPTEURS SANS FILS 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 les capteurs sans ls . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Un capteur intelligent . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Architecture d'un capteur sans l . . . . . . . . . . . . . . . . . 4
1.3 Les réseaux de capteurs sans ls . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 dénition d'un réseau de capteur sans l . . . . . . . . . . . . . 5
1.3.2 Domaines d'application d'un RCSF . . . . . . . . . . . . . . . . 6
1.3.3 Besoins et Facteurs de Conceptions des RCSFs . . . . . . . . . . 7
1.4 L'architecture protocolaire . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Classication des protocoles MAC et routage . . . . . . . . . . . . . . . 10
1.5.1 protocoles de routage . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2 protocoles MAC . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Limites du modèle en couches . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 LES PROTOCOLES CROSS-LAYER 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 dénition d'un protocole CROSS-LAYER . . . . . . . . . . . . . . . . . 15
2.3 Les Architectures Cross-Layer . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Classication des approches CROSS-LAYER . . . . . . . . . . . . . . 17
2.4.1 Approche de fusion de couches Réseau et liaison de données . . 17
2.4.2 Approche inter-couches Réseau et liaison de données . . . . . . 17
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 MODÉLISATION ET PARAMÈTRES DE SIMULATION 22
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Topologie des réseaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Modélisation des TDMA et du routage . . . . . . . . . . . . . . . . . . 24
TABLE DES MATIÈRES 2
3.3.1 Modélisation du routage . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2 Modélisation des TDMA . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Métriques évaluées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.1 La latence des communications . . . . . . . . . . . . . . . . . . 26
3.4.2 La consommation énergétique . . . . . . . . . . . . . . . . . . . 27
3.5 Conguration des simulations . . . . . . . . . . . . . . . . . . . . . . . 27
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 PROPOSITION,SIMULATION ET RÉSULTATS 33
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Le Protocole ColaNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 les hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4 le Protocole DFL (Depth First Leaf) . . . . . . . . . . . . . . . . . . . 38
4.5 Évaluation des performances de DFL . . . . . . . . . . . . . . . . . . . 41
4.6 Performances de DFL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 DFL Vs ColaNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Conclusion Générale 45
BibliographieCôte titre : MAI/0234 En ligne : https://drive.google.com/file/d/1sLsmZqb8Xarez_pBA1HOxLvrwpLpoQug/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0234 MAI/0234 Mémoire Bibliothéque des sciences Français Disponible
DisponibleUne approche d’équilibrage de ressources pour IaaS-Cloud-Computing / Ayité Ambroise, Thomas Didier Amah
Titre : Une approche d’équilibrage de ressources pour IaaS-Cloud-Computing Type de document : texte imprimé Auteurs : Ayité Ambroise, Thomas Didier Amah, Auteur ; Louail,Lemia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (86 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : cloud computing
Equilibrage de chargeIndex. décimale : 004 Informatique Résumé : Le Cloud Computing est un modèle qui permet aux utilisateurs et aux
organisations de demander les services requis par leurs besoins. Le modèle
est constitué de plusieurs ordinateurs virtuels ou serveurs virtuels installés
sous forme d’un centre de données. Avec l’émergence quotidienne du nombre
de services demandés, le déséquilibre de charge dans le cloud computing entre
les machines virtuelles des centres de données impacte les performances car il
diminue les ressources matérielles et la rentabilité du système. L’équilibrage
de charge est un problème courant dans le cloud qui réduit la qualité du
service car les fournisseurs ont du mal à répartir convenablement la charge
de travail entre les serveurs. L’objectif principal de ce travail est d’atténuer le
degré de déséquilibre entre les machines du cloud computing afin d’améliorer
ses performances et assurer une meilleure qualité de service. Nos algorithmes
proposés permettent de diminuer considérablement le nombre de serveurs
déséquilibrés. La répartition de la charge est basée sur les niveaux fournis
par nos algorithmes pour résoudre le problème et évaluer les résultats obtenus.Côte titre : MAI/0539 En ligne : https://drive.google.com/file/d/13uHH1ptgYQYcXj4Xs8ZGP4xZWM1_gP4U/view?usp=share [...] Format de la ressource électronique : Une approche d’équilibrage de ressources pour IaaS-Cloud-Computing [texte imprimé] / Ayité Ambroise, Thomas Didier Amah, Auteur ; Louail,Lemia, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (86 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : cloud computing
Equilibrage de chargeIndex. décimale : 004 Informatique Résumé : Le Cloud Computing est un modèle qui permet aux utilisateurs et aux
organisations de demander les services requis par leurs besoins. Le modèle
est constitué de plusieurs ordinateurs virtuels ou serveurs virtuels installés
sous forme d’un centre de données. Avec l’émergence quotidienne du nombre
de services demandés, le déséquilibre de charge dans le cloud computing entre
les machines virtuelles des centres de données impacte les performances car il
diminue les ressources matérielles et la rentabilité du système. L’équilibrage
de charge est un problème courant dans le cloud qui réduit la qualité du
service car les fournisseurs ont du mal à répartir convenablement la charge
de travail entre les serveurs. L’objectif principal de ce travail est d’atténuer le
degré de déséquilibre entre les machines du cloud computing afin d’améliorer
ses performances et assurer une meilleure qualité de service. Nos algorithmes
proposés permettent de diminuer considérablement le nombre de serveurs
déséquilibrés. La répartition de la charge est basée sur les niveaux fournis
par nos algorithmes pour résoudre le problème et évaluer les résultats obtenus.Côte titre : MAI/0539 En ligne : https://drive.google.com/file/d/13uHH1ptgYQYcXj4Xs8ZGP4xZWM1_gP4U/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0539 MAI/0539 Mémoire Bibliothéque des sciences Français Disponible
DisponibleApproche Green Computing agile guidée par les ontologies d’accès automatique à des environnements intelligents / Mansouri,Kamel
PermalinkPermalinkApproche hybride sémantique et green ant pour l’optimisation de l’énergie cloud / BOUNECHADA,Oussama
PermalinkUne approche incrémentale pour la fragmentation horizontale des BIGS DATA WAREHOUSE / Djemouai, selma
PermalinkApproche intelligente pour la reconnaissance des monnaies / Tahraoui, zineb
PermalinkApproche Ontologique pour l’indexation des ressources pédagogiques numériques / Meriem Aya Yaiche
PermalinkUne approche parallèle a base de GPU pour la fragmentation horizontale des entrepôts de données / Haddad, wafa
PermalinkUne approche parallèle a base de GPU pour la sélection d'indexes binaires de jointures dans les entrepôts de données / Azziz, yamina
PermalinkApproche sémantique basée Cloud pour l'adaptation des documents multimédia / Merghem, abdallah
PermalinkUne approche vanet – pso pour le E – commerce / Sellami meriem
Permalink