Titre :	Apprentissage Automatique dans l’Internet des Objets Industriels
Type de document :	texte imprimé
Auteurs :	Hadil Yousra Arare, Auteur ; Ouail Zougheleche, Auteur ; Chirihane Gherbi, Directeur de thèse
Editeur :	Sétif:UFA1
Année de publication :	2023
Importance :	1 vol (70 f .)
Format :	29cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	L’apprentissage automatique IoI
Index. décimale :	004 Informatique
Résumé :	L’Internet des objets industriels (IIoT) est apparu en raison de l’utilisation croissante de l’Internet des objets (IoT) dans notre vie quotidienne et dans l’industrie. Avec de nombreux axes de recherche tels que la complexité des calculs, la minimisation de la latence, le déchargement des tâches, la gestion du stockage et la consommation d’énergie. L’IIoT a de nombreux avantages et fonctionnalités. L’avantage principal est la collecte et l’analyse de données en temps réel. L’intégration de l’apprentissage automatique dans l’Internet industriel des objets (IIoT) pour réaliser un IIoT intelligent. Afin de créer de nouvelles applications intelligentes de l’IIoT-amélioré, des méthodes d’apprentissage automatique sont proposées dans cette thèse. Nous nous concentrons sur les techniques de clustering, d’ordonnancement, de routage et de déchargement qui sont largement déployées dans l’IIoT. Tout d’abord, une architecture proposée dans l’IIoT et améliorée par l’apprentissage automatique. Un nouvel algorithme de clustering kM-DBSCAN est proposé sur la base d’un apprentissage non supervisé qui combine des éléments de clustering k-means et DBSCAN afin d’améliorer l’efficacité énergétique et de réduire les coûts opérationnels pour les applications de edge computing. Deuxièmement, nous avons construit un modèle d’apprentissage par renforcement QH-Learning basé sur la méthode d’apprentissage Q-Learning qui permet de trouver la politique optimale d’ordonnancement des tâches. Nous avons également proposé un nouvel algorithme de routage basé sur l’apprentissage par renforcement Q-Routing qui élimine l’ambiguïté due aux différents protocoles de transmission et trouve le chemin optimal pour acheminer les paquets de données vers l’Edge. Enfin, nous concevrons un schéma basé sur l’apprentissage par renforcement pour l’environnement IIoT avec edge computing afin d’assurer le déchargement des tâches vers les serveurs edge en fonction de la capacité de calcul et de la disponibilité des ressources. Un simulateur de réseau NS3 est utilisé pour mener une étude analytique et une évaluation des algorithmes proposés. Les résultats des simulations sont persuasifs et efficaces par rapport aux algorithmes de base mentionnés
Côte titre :	MAI/0734
En ligne :	https://drive.google.com/file/d/152Kv6h9e2g5OXbWxAQRa-8VUWPMED-w7/view?usp=drive [...]
Format de la ressource électronique :	pdf

Apprentissage Automatique dans l’Internet des Objets Industriels [texte imprimé] / Hadil Yousra Arare, Auteur ; Ouail Zougheleche, Auteur ; Chirihane Gherbi, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (70 f .) ; 29cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	L’apprentissage automatique IoI
Index. décimale :	004 Informatique
Résumé :	L’Internet des objets industriels (IIoT) est apparu en raison de l’utilisation croissante de l’Internet des objets (IoT) dans notre vie quotidienne et dans l’industrie. Avec de nombreux axes de recherche tels que la complexité des calculs, la minimisation de la latence, le déchargement des tâches, la gestion du stockage et la consommation d’énergie. L’IIoT a de nombreux avantages et fonctionnalités. L’avantage principal est la collecte et l’analyse de données en temps réel. L’intégration de l’apprentissage automatique dans l’Internet industriel des objets (IIoT) pour réaliser un IIoT intelligent. Afin de créer de nouvelles applications intelligentes de l’IIoT-amélioré, des méthodes d’apprentissage automatique sont proposées dans cette thèse. Nous nous concentrons sur les techniques de clustering, d’ordonnancement, de routage et de déchargement qui sont largement déployées dans l’IIoT. Tout d’abord, une architecture proposée dans l’IIoT et améliorée par l’apprentissage automatique. Un nouvel algorithme de clustering kM-DBSCAN est proposé sur la base d’un apprentissage non supervisé qui combine des éléments de clustering k-means et DBSCAN afin d’améliorer l’efficacité énergétique et de réduire les coûts opérationnels pour les applications de edge computing. Deuxièmement, nous avons construit un modèle d’apprentissage par renforcement QH-Learning basé sur la méthode d’apprentissage Q-Learning qui permet de trouver la politique optimale d’ordonnancement des tâches. Nous avons également proposé un nouvel algorithme de routage basé sur l’apprentissage par renforcement Q-Routing qui élimine l’ambiguïté due aux différents protocoles de transmission et trouve le chemin optimal pour acheminer les paquets de données vers l’Edge. Enfin, nous concevrons un schéma basé sur l’apprentissage par renforcement pour l’environnement IIoT avec edge computing afin d’assurer le déchargement des tâches vers les serveurs edge en fonction de la capacité de calcul et de la disponibilité des ressources. Un simulateur de réseau NS3 est utilisé pour mener une étude analytique et une évaluation des algorithmes proposés. Les résultats des simulations sont persuasifs et efficaces par rapport aux algorithmes de base mentionnés
Côte titre :	MAI/0734
En ligne :	https://drive.google.com/file/d/152Kv6h9e2g5OXbWxAQRa-8VUWPMED-w7/view?usp=drive [...]
Format de la ressource électronique :	pdf