Titre :	Clustering dans l’IoT basé Machine Learning
Type de document :	document électronique
Auteurs :	Malha Merah, Auteur ; Aliouat ,Zibouda, Directeur de thèse
Editeur :	Sétif:UFA1
Année de publication :	2025
Importance :	1 vol (150 f.)
Format :	29 cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet des Objets Réseaux de Capteurs Sans Fil Edge Computing Apprentissage Automatique Clustering
Index. décimale :	004 - Informatique
Résumé :	L’Internet des objets (IoT) connecte des milliards de dispositifs électroniques hétérogènes, permettant une communication fluide et une collecte massive de données. Toutefois, les ressources limitées en mémoire et en énergie de ces dispositifs posent des défis majeurs, notamment en matière de gestion des données et d’efficacité énergétique. Le clustering, en tant que méthode essentielle pour organiser et structurer les réseaux IoT, joue un rôle central dans l’amélioration de l’efficacité énergétique et de la gestion des ressources. Cette technique consiste à regrouper les dispositifs en clusters et à élire un chef de groupe (CH) pour chaque cluster, afin de réduire les coûts de communication, de prolonger la durée de vie des dispositifs et d’optimiser l’équilibrage de la charge dans les réseaux. À ce jour, de nombreuses approches de clustering ont été proposées pour améliorer les performances de la collecte de données dans l’IoT. Cependant, la plupart d’entre elles se concentrent sur le partitionnement des réseaux avec des topologies statiques, ce qui limite leur efficacité pour gérer les aspects incertains et dynamiques des réseaux IoT. Ce constat motive l’exploration de nouvelles solutions intelligentes pour répondre à ces limitations. Cette thèse vise à développer des solutions novatrices de clustering exploitant l’apprentissage automatique (ML) pour les réseaux IoT, avec un accent particulier sur les réseaux de capteurs sans fil (WSNs), qui sont au coeur de l’IoT, ainsi que sur l’edge computing, dont les performances de calcul sont le plus souvent mises à profit des applications IoT. La première contribution de ce travail propose l’intégration de l’algorithme U-kmeans, une méthode de clustering capable de déterminer automatiquement le nombre optimal de clusters dans les WSNs, où ce paramètre est souvent inconnu dans la plupart des applications. Cette méthode est combinée avec un algorithme génétique (GA) pour une sélection efficace des CHs. La deuxième contribution présente un mécanisme de routage optimisé par le Q-learning, qui sélectionne dynamiquement les CHs dans les WSNs pour équilibrer la charge tout en maximisant la performance du réseau. Enfin, la troisième contribution introduit une méthode d’optimisation avancée pour l’équilibrage de la charge dans des réseaux IoT supervisés par des serveurs edge. Cette méthode s’appuie sur l’apprentissage profond (DL) pour anticiper les variations du trafic, associé à un GA pour une distribution intelligente de la charge entre les serveurs. Dans l’ensemble, ce travail illustre comment l’intégration du ML peut transformer la gestion des réseaux IoT en proposant des solutions intelligentes, efficaces et adaptées aux contraintes de ces réseaux.
Note de contenu :	Sommaire PARTIE I : Vue d’ensemble et état de l’art 6 1 Internet of Things 6 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2 Définition de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Architecture de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Typologie de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.1 Internet of Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.2 Internet of Medical Things . . . . . . . . . . . . . . . . . . . . . . 10 1.4.3 Internet of Vehicles . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.4 Industrial Internet of Things . . . . . . . . . . . . . . . . . . . . . 10 1.4.5 Internet of Flying Things . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.6 Internet of Nano-Things . . . . . . . . . . . . . . . . . . . . . . . 11 1.5 Application de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6 Défis de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Clustering dans l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8 Les avantages du clustering pour relever les défis de l’IoT . . . . . . . . . 16 1.9 Introduction aux protocoles de clustering dans l’IoT . . . . . . . . . . . . 18 1.9.1 Protocoles Traditionnels . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.2 Protocoles Bio-inspirés . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.3 Protocoles basés sur Machine Learning . . . . . . . . . . . . . . . 20 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Machine Learning 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2 Définition du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3 Vocabulaire du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4 Paradigmes du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . . . 26 2.4.3 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . . 26 2.5 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6 Clustering en ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7 Quelques algorithmes ML . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.1 Algorithmes de clustering . . . . . . . . . . . . . . . . . . . . . . 30 2.7.2 Logique Floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.7.3 Méthode de Réduction de la Dimensionnalité . . . . . . . . . . . . 32 2.7.4 Ensemble Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.7.5 Neuro-Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.7.6 Algorithmes d’apprentissage par renforcement traditionnels . . . . 34 2.7.7 Systèmes Neuro-Flous Renforcés . . . . . . . . . . . . . . . . . . . 34 2.7.8 Algorithmes d’apprentissage par Renforcement Profond . . . . . . 35 2.8 Applications du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3 Protocoles de clustering basés ML dans l’IoT : Etat de l’art 38 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.2 Taxonomie des protocoles de clustering basés ML dans l’IoT . . . . . . . 39 3.3 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3.1 Approches non supervisées . . . . . . . . . . . . . . . . . . . . . . 39 3.3.2 Approches supervisées . . . . . . . . . . . . . . . . . . . . . . . . 48 3.3.3 Approches par renforcement . . . . . . . . . . . . . . . . . . . . . 50 3PARTIE II : Contributions 57 4 Clustering du réseau IoT : schéma croisé K-means et génétique pour le clustering de capteurs dans l’Internet des objets 57 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.2.1 Unsupervised K-means . . . . . . . . . . . . . . . . . . . . . . . . 59 4.2.2 Algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . . 63 4.3 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 4.3.1 Modèle du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.3.2 Modèle de distribution des noeuds . . . . . . . . . . . . . . . . . . 67 4.3.3 Modèle énergétique . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.4 Proposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 4.4.1 Clustering des capteurs en utilisant U-k-means . . . . . . . . . . . 69 4.4.2 Sélection des CHs basée GAs . . . . . . . . . . . . . . . . . . . . 71 4.5 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . 75 4.5.1 Distribution uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 77 4.5.2 Distribution basée sur clusters . . . . . . . . . . . . . . . . . . . . 81 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 5 Sélection efficace des CHs dans l’IoT : nouvel algorithme de sélection de chef de cluster basé sur le Q-learning pour les réseaux de l’Internet des objets 86 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 5.2.1 Algorithme Q-learning . . . . . . . . . . . . . . . . . . . . . . . . 87 5.3 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.3.1 Modèle du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.3.2 Modèle de distribution des noeuds . . . . . . . . . . . . . . . . . . 89 5.3.3 Modèle énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.3.4 Modèle de trafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.4 Algorithme proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.5 Simulation et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 .4 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.5.1 Nombre de CHs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.5.2 Dispersion des CHs . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.5.3 Pourcentage de messages perdus . . . . . . . . . . . . . . . . . . . 97 5.5.4 Taux de réussite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 5.5.5 Débit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 5.5.6 Délai de transmission moyen . . . . . . . . . . . . . . . . . . . . . 99 5.5.7 Consommation d’énergie des CHs . . . . . . . . . . . . . . . . . . 101 5.5.8 Écart-type de la consommation d’énergie entre les CHs . . . . . . 101 5.5.9 Consommation d’énergie du réseau . . . . . . . . . . . . . . . . . 102 5.5.10 Durée de vie du réseau . . . . . . . . . . . . . . . . . . . . . . . . 103 5.5.11 Récapitulatif des résultats . . . . . . . . . . . . . . . . . . . . . . 104 5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 6 Équilibrage dynamique de la charge du trafic dans un réseau IoT géré par serveurs edge : approche de clustering dynamique basée sur l’apprentissage profond et les algorithmes génétiques en edge computing 107 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 6.2.1 Réseaux d’apprentissage profond à mémoire à long terme . . . . . 109 6.3 Jeux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 6.3.1 Dataset of legitimate IoT data . . . . . . . . . . . . . . . . . . . . 112 6.3.2 Attributs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4 Système proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4.1 Modèle de système . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.4.2 Approche proposée . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.5 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 6.5.1 Évaluation des prédictions . . . . . . . . . . . . . . . . . . . . . . 121 6.5.2 Évaluation de la précision . . . . . . . . . . . . . . . . . . . . . . 123 6.5.3 Efficacité opérationnelle et temps . . . . . . . . . . . . . . . . . . 123 6.5.4 Évaluation de la charge des serveurs edge . . . . . . . . . . . . . . 125 6.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Conclusion générale et perspectives 129
Côte titre :	DI/0086

Clustering dans l’IoT basé Machine Learning [document électronique] / Malha Merah, Auteur ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2025 . - 1 vol (150 f.) ; 29 cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet des Objets Réseaux de Capteurs Sans Fil Edge Computing Apprentissage Automatique Clustering
Index. décimale :	004 - Informatique
Résumé :	L’Internet des objets (IoT) connecte des milliards de dispositifs électroniques hétérogènes, permettant une communication fluide et une collecte massive de données. Toutefois, les ressources limitées en mémoire et en énergie de ces dispositifs posent des défis majeurs, notamment en matière de gestion des données et d’efficacité énergétique. Le clustering, en tant que méthode essentielle pour organiser et structurer les réseaux IoT, joue un rôle central dans l’amélioration de l’efficacité énergétique et de la gestion des ressources. Cette technique consiste à regrouper les dispositifs en clusters et à élire un chef de groupe (CH) pour chaque cluster, afin de réduire les coûts de communication, de prolonger la durée de vie des dispositifs et d’optimiser l’équilibrage de la charge dans les réseaux. À ce jour, de nombreuses approches de clustering ont été proposées pour améliorer les performances de la collecte de données dans l’IoT. Cependant, la plupart d’entre elles se concentrent sur le partitionnement des réseaux avec des topologies statiques, ce qui limite leur efficacité pour gérer les aspects incertains et dynamiques des réseaux IoT. Ce constat motive l’exploration de nouvelles solutions intelligentes pour répondre à ces limitations. Cette thèse vise à développer des solutions novatrices de clustering exploitant l’apprentissage automatique (ML) pour les réseaux IoT, avec un accent particulier sur les réseaux de capteurs sans fil (WSNs), qui sont au coeur de l’IoT, ainsi que sur l’edge computing, dont les performances de calcul sont le plus souvent mises à profit des applications IoT. La première contribution de ce travail propose l’intégration de l’algorithme U-kmeans, une méthode de clustering capable de déterminer automatiquement le nombre optimal de clusters dans les WSNs, où ce paramètre est souvent inconnu dans la plupart des applications. Cette méthode est combinée avec un algorithme génétique (GA) pour une sélection efficace des CHs. La deuxième contribution présente un mécanisme de routage optimisé par le Q-learning, qui sélectionne dynamiquement les CHs dans les WSNs pour équilibrer la charge tout en maximisant la performance du réseau. Enfin, la troisième contribution introduit une méthode d’optimisation avancée pour l’équilibrage de la charge dans des réseaux IoT supervisés par des serveurs edge. Cette méthode s’appuie sur l’apprentissage profond (DL) pour anticiper les variations du trafic, associé à un GA pour une distribution intelligente de la charge entre les serveurs. Dans l’ensemble, ce travail illustre comment l’intégration du ML peut transformer la gestion des réseaux IoT en proposant des solutions intelligentes, efficaces et adaptées aux contraintes de ces réseaux.
Note de contenu :	Sommaire PARTIE I : Vue d’ensemble et état de l’art 6 1 Internet of Things 6 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2 Définition de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Architecture de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Typologie de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.1 Internet of Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.2 Internet of Medical Things . . . . . . . . . . . . . . . . . . . . . . 10 1.4.3 Internet of Vehicles . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.4 Industrial Internet of Things . . . . . . . . . . . . . . . . . . . . . 10 1.4.5 Internet of Flying Things . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.6 Internet of Nano-Things . . . . . . . . . . . . . . . . . . . . . . . 11 1.5 Application de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6 Défis de l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Clustering dans l’IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.8 Les avantages du clustering pour relever les défis de l’IoT . . . . . . . . . 16 1.9 Introduction aux protocoles de clustering dans l’IoT . . . . . . . . . . . . 18 1.9.1 Protocoles Traditionnels . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.2 Protocoles Bio-inspirés . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.3 Protocoles basés sur Machine Learning . . . . . . . . . . . . . . . 20 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Machine Learning 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2 Définition du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3 Vocabulaire du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4 Paradigmes du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . . . 26 2.4.3 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . . 26 2.5 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6 Clustering en ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7 Quelques algorithmes ML . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.1 Algorithmes de clustering . . . . . . . . . . . . . . . . . . . . . . 30 2.7.2 Logique Floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.7.3 Méthode de Réduction de la Dimensionnalité . . . . . . . . . . . . 32 2.7.4 Ensemble Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.7.5 Neuro-Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.7.6 Algorithmes d’apprentissage par renforcement traditionnels . . . . 34 2.7.7 Systèmes Neuro-Flous Renforcés . . . . . . . . . . . . . . . . . . . 34 2.7.8 Algorithmes d’apprentissage par Renforcement Profond . . . . . . 35 2.8 Applications du ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3 Protocoles de clustering basés ML dans l’IoT : Etat de l’art 38 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.2 Taxonomie des protocoles de clustering basés ML dans l’IoT . . . . . . . 39 3.3 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3.1 Approches non supervisées . . . . . . . . . . . . . . . . . . . . . . 39 3.3.2 Approches supervisées . . . . . . . . . . . . . . . . . . . . . . . . 48 3.3.3 Approches par renforcement . . . . . . . . . . . . . . . . . . . . . 50 3PARTIE II : Contributions 57 4 Clustering du réseau IoT : schéma croisé K-means et génétique pour le clustering de capteurs dans l’Internet des objets 57 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.2.1 Unsupervised K-means . . . . . . . . . . . . . . . . . . . . . . . . 59 4.2.2 Algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . . 63 4.3 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 4.3.1 Modèle du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.3.2 Modèle de distribution des noeuds . . . . . . . . . . . . . . . . . . 67 4.3.3 Modèle énergétique . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.4 Proposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 4.4.1 Clustering des capteurs en utilisant U-k-means . . . . . . . . . . . 69 4.4.2 Sélection des CHs basée GAs . . . . . . . . . . . . . . . . . . . . 71 4.5 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . 75 4.5.1 Distribution uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 77 4.5.2 Distribution basée sur clusters . . . . . . . . . . . . . . . . . . . . 81 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 5 Sélection efficace des CHs dans l’IoT : nouvel algorithme de sélection de chef de cluster basé sur le Q-learning pour les réseaux de l’Internet des objets 86 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 5.2.1 Algorithme Q-learning . . . . . . . . . . . . . . . . . . . . . . . . 87 5.3 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.3.1 Modèle du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.3.2 Modèle de distribution des noeuds . . . . . . . . . . . . . . . . . . 89 5.3.3 Modèle énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.3.4 Modèle de trafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.4 Algorithme proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.5 Simulation et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 .4 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.5.1 Nombre de CHs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.5.2 Dispersion des CHs . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.5.3 Pourcentage de messages perdus . . . . . . . . . . . . . . . . . . . 97 5.5.4 Taux de réussite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 5.5.5 Débit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 5.5.6 Délai de transmission moyen . . . . . . . . . . . . . . . . . . . . . 99 5.5.7 Consommation d’énergie des CHs . . . . . . . . . . . . . . . . . . 101 5.5.8 Écart-type de la consommation d’énergie entre les CHs . . . . . . 101 5.5.9 Consommation d’énergie du réseau . . . . . . . . . . . . . . . . . 102 5.5.10 Durée de vie du réseau . . . . . . . . . . . . . . . . . . . . . . . . 103 5.5.11 Récapitulatif des résultats . . . . . . . . . . . . . . . . . . . . . . 104 5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 6 Équilibrage dynamique de la charge du trafic dans un réseau IoT géré par serveurs edge : approche de clustering dynamique basée sur l’apprentissage profond et les algorithmes génétiques en edge computing 107 6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.2 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 6.2.1 Réseaux d’apprentissage profond à mémoire à long terme . . . . . 109 6.3 Jeux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 6.3.1 Dataset of legitimate IoT data . . . . . . . . . . . . . . . . . . . . 112 6.3.2 Attributs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4 Système proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4.1 Modèle de système . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.4.2 Approche proposée . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.5 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 6.5.1 Évaluation des prédictions . . . . . . . . . . . . . . . . . . . . . . 121 6.5.2 Évaluation de la précision . . . . . . . . . . . . . . . . . . . . . . 123 6.5.3 Efficacité opérationnelle et temps . . . . . . . . . . . . . . . . . . 123 6.5.4 Évaluation de la charge des serveurs edge . . . . . . . . . . . . . . 125 6.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Conclusion générale et perspectives 129
Côte titre :	DI/0086