|
| Titre : |
Clustering et Équilibrage de Charge des Réseaux IoT basé sur le Q_Learning |
| Type de document : |
texte imprimé |
| Auteurs : |
Benbekhouche ,Sana, Auteur ; Aliouat ,Zibouda, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2021 |
| Importance : |
1 vol (58 f .) |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
IOT
Apprentissage par renforcement
Q_Learning Clustering |
| Index. décimale : |
004 - Informatique |
| Résumé : |
L’Internet des objets (IoT) est l’infrastructure mondiale de la société de l’information,
qui fournit des services avancés en utilisant les technologies de l’information et de la
communication existantes ou en évolution, pour interconnecter des objets quelque soit
leur type (physique ou virtuel). En plus d’un volume accru, l’IoT génère des mégadonnées
caractérisées par la vitesse en termes de dépendance temporelle et géographique, avec une
qualité de données variable. Le traitement et l’analyse intelligents de ces mégadonnées
sont la clé du développement d’applications IoT intelligentes.
L’apprentissage automatique, une forme d’intelligence artificielle, a obtenu un grand
succès dans plusieurs domaines de recherche. Récemment, il y a une tendance croissante
à utiliser l’apprentissage automatique pour améliorer les applications IoT et fournir des
services intelligents, tels que l’ingénierie du trafic,la sécurité, l’optimisation de la qualité
de service et la gestion du réseau.
Dans ce context, nous avons proposé une approche QL-clusters(Q_Learning), basée
sur l’apprentissage par renforcement (Reinfocement learning). C’est une des techniques
d’apprentissage automatique pour le clustering d’un réseau IoT composé d’objets hétérogènes
ayant une capacité d’énergie limitée et une propriété de rechargement des battéries
(Energy Harvesting). Le but de la proposition est d’assurer l’équilibrage de charge dans
l’ensemble des clusters. L’idée principale de cette approche était de subvenir les exigences
d’équilibrage de charge des Edge Computing dans la collecte des données, et fournir ainsi
une excellente opportunité pour les futures analyses de données IoT de hautes performances.
Afin de valider les améliorations apportées par notre approche, nous avons réalisé
une simulation à l’aide du langage de programmation PyThon, dans laquelle les performances
de notre approche sont évaluées et comparées avec les approches déjà existantes,
Voronoi et K-means. |
| Côte titre : |
MAI/0454 |
| En ligne : |
https://drive.google.com/file/d/1ryhZuMenSKMivdeIXicj7o8lJdQNdrnq/view?usp=shari [...] |
| Format de la ressource électronique : |
pdf |
Clustering et Équilibrage de Charge des Réseaux IoT basé sur le Q_Learning [texte imprimé] / Benbekhouche ,Sana, Auteur ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (58 f .) ; 29 cm. Langues : Français ( fre)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
IOT
Apprentissage par renforcement
Q_Learning Clustering |
| Index. décimale : |
004 - Informatique |
| Résumé : |
L’Internet des objets (IoT) est l’infrastructure mondiale de la société de l’information,
qui fournit des services avancés en utilisant les technologies de l’information et de la
communication existantes ou en évolution, pour interconnecter des objets quelque soit
leur type (physique ou virtuel). En plus d’un volume accru, l’IoT génère des mégadonnées
caractérisées par la vitesse en termes de dépendance temporelle et géographique, avec une
qualité de données variable. Le traitement et l’analyse intelligents de ces mégadonnées
sont la clé du développement d’applications IoT intelligentes.
L’apprentissage automatique, une forme d’intelligence artificielle, a obtenu un grand
succès dans plusieurs domaines de recherche. Récemment, il y a une tendance croissante
à utiliser l’apprentissage automatique pour améliorer les applications IoT et fournir des
services intelligents, tels que l’ingénierie du trafic,la sécurité, l’optimisation de la qualité
de service et la gestion du réseau.
Dans ce context, nous avons proposé une approche QL-clusters(Q_Learning), basée
sur l’apprentissage par renforcement (Reinfocement learning). C’est une des techniques
d’apprentissage automatique pour le clustering d’un réseau IoT composé d’objets hétérogènes
ayant une capacité d’énergie limitée et une propriété de rechargement des battéries
(Energy Harvesting). Le but de la proposition est d’assurer l’équilibrage de charge dans
l’ensemble des clusters. L’idée principale de cette approche était de subvenir les exigences
d’équilibrage de charge des Edge Computing dans la collecte des données, et fournir ainsi
une excellente opportunité pour les futures analyses de données IoT de hautes performances.
Afin de valider les améliorations apportées par notre approche, nous avons réalisé
une simulation à l’aide du langage de programmation PyThon, dans laquelle les performances
de notre approche sont évaluées et comparées avec les approches déjà existantes,
Voronoi et K-means. |
| Côte titre : |
MAI/0454 |
| En ligne : |
https://drive.google.com/file/d/1ryhZuMenSKMivdeIXicj7o8lJdQNdrnq/view?usp=shari [...] |
| Format de la ressource électronique : |
pdf |
|
Ajouter le résultat dans votre panier Affiner la recherche
