| Titre : | Clustering dans l’IoT basé Machine Learning |
| Auteurs : | Merah Malha, Auteur ; Zibouda Aliouat, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | Sétif : Universite ferhat abbas faculté des sciences département d’informatique, 2025 |
| ISBN/ISSN/EAN : | E-TH/2434 |
| Format : | 1 vol.(150 f.) / ill. |
| Note générale : | Bibliogr. |
| Langues: | Français |
| Catégories : | |
| Mots-clés: | Internet des Objets ; Réseaux de Capteurs Sans Fil |
| Résumé : |
L’Internet des objets (IoT) connecte des milliards de dispositifs électroniques hé-térogènes, 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 cœur 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 Résumé 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. |
| Côte titre : | E-TH/2434 |
| En ligne : | http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/5311/1/Th%c3%a8se.pdf |
Exemplaires (1)
| Cote | Support | Localisation | Disponibilité |
|---|---|---|---|
| E-TH/2434 | Thèse | Bibliothèque centrale | Disponible |
Accueil
