University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Chirihane Gherbi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
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
IoIIndex. 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 mentionnésCôte titre : MAI/0734 En ligne : https://drive.google.com/file/d/152Kv6h9e2g5OXbWxAQRa-8VUWPMED-w7/view?usp=drive [...] Format de la ressource électronique : 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
IoIIndex. 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 mentionnésCôte titre : MAI/0734 En ligne : https://drive.google.com/file/d/152Kv6h9e2g5OXbWxAQRa-8VUWPMED-w7/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0734 MAI/0734 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Machine Learning For Securing Software Defined Networking Type de document : texte imprimé Auteurs : Yacine Serhani ; Oussama Djoudi ; Chirihane Gherbi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol. (64 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Software-DefinedNetworking(SDN) DistributedDenialofServiceAttack(DDoS) Machinelearning(ML) Index. décimale : 004 Informatique Résumé : Software-DefinedNetworking(SDN)isanemergingconceptdesignedtosubstitute
traditional networkingbybreakingupverticalintegration.Centralcontrolisthebiggest
benefitofSDN.However,asinglecontrolpointisalsovulnerable,ifaDDoSattackmakes
it inaccessible.
This workprovidesanefficientsolutionbasedonmachinelearning(ML)algorithms
to detectandmitigateDDoSattackswiththehelpofMininetandtheRyucontrollerto
simulatethenetwork.Incontrast,DDoSattacksweresimulatedusingofHping3tool.Four
supervisedMLalgorithms:LogisticRegression(LR),NaiveBayes(NB),DecisionTree
(DT), andRandomForest(RF)weretestedandevaluatedusingasyntheticdataset.The
results showthatDTandRFarethebestcomparedtotheotheralgorithmswith100%
of accuracy.
The proposedapproachshowsitsefficiencyindetectingandmitigatingDDoSattacks
with theRandomForest(RF)classifier.Atthesametime,themitigationwasprovided
byaddingaflowruletotheswitchtodropthemalicioustraffic.Côte titre : MAI/0751 En ligne : https://drive.google.com/file/d/1jfTpUiJ51CnWeZcVFW7ZIcR4QJlSvqvK/view?usp=drive [...] Format de la ressource électronique : Machine Learning For Securing Software Defined Networking [texte imprimé] / Yacine Serhani ; Oussama Djoudi ; Chirihane Gherbi, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol. (64 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Software-DefinedNetworking(SDN) DistributedDenialofServiceAttack(DDoS) Machinelearning(ML) Index. décimale : 004 Informatique Résumé : Software-DefinedNetworking(SDN)isanemergingconceptdesignedtosubstitute
traditional networkingbybreakingupverticalintegration.Centralcontrolisthebiggest
benefitofSDN.However,asinglecontrolpointisalsovulnerable,ifaDDoSattackmakes
it inaccessible.
This workprovidesanefficientsolutionbasedonmachinelearning(ML)algorithms
to detectandmitigateDDoSattackswiththehelpofMininetandtheRyucontrollerto
simulatethenetwork.Incontrast,DDoSattacksweresimulatedusingofHping3tool.Four
supervisedMLalgorithms:LogisticRegression(LR),NaiveBayes(NB),DecisionTree
(DT), andRandomForest(RF)weretestedandevaluatedusingasyntheticdataset.The
results showthatDTandRFarethebestcomparedtotheotheralgorithmswith100%
of accuracy.
The proposedapproachshowsitsefficiencyindetectingandmitigatingDDoSattacks
with theRandomForest(RF)classifier.Atthesametime,themitigationwasprovided
byaddingaflowruletotheswitchtodropthemalicioustraffic.Côte titre : MAI/0751 En ligne : https://drive.google.com/file/d/1jfTpUiJ51CnWeZcVFW7ZIcR4QJlSvqvK/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0751 MAI/0751 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleOptimisation des performances de Clustering basée sur SDN et Edge - computing dans l'IoV. / Achouak Berbache
Titre : Optimisation des performances de Clustering basée sur SDN et Edge - computing dans l'IoV. Type de document : texte imprimé Auteurs : Achouak Berbache, Auteur ; Khaoula Yalaoui, Auteur ; Chirihane Gherbi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (75 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : IoE
IoTIndex. décimale : 004 Informatique Résumé :
L’´emergence de l’Internet des objets (IoT) a amen´e l’´evolution des VANET classiques vers
un nouveau paradigme appel´e Internet des v´ehicules (IoV). Ce dernier peut ˆetre consid´er´e
comme un nouveau syst`eme de transport intelligent ( ITS ).L’IoV pr´esente de nombreux
avantages et caract´eristiques sp´ecifiques. comme le d´eveloppement et l’extension de l’exploitation
des ITS dans diff´erents domaines de la recherche et de l’industrie. Comme principal
avantage, la capacit´e d’int´egrer des utilisateurs multiples, de multiples v´ehicules et de multiples
r´eseaux utilisant diff´erentes technologies de communication. Le choix d’une technique
de structuration intelligente pour le paradigme IoV est un sujet qui reste d’actualit´e. Pour
cette raison, nous avons concentr´e notre travail sur la technique du clustering, qui est largement
d´eploy´ee dans les r´eseaux de v´ehicules pour am´eliorer les performances du syst`eme IoV
et r´epondre `a leurs exigences. Nous proposons un protocole hi´erarchique SD-VEC bas´e sur
SDN (Software-Defined Networking) et l’Edge computing dans l’Internet des v´ehicules (IoV).
Le protocole propos´e SD-VEC a pour objectif de fournir la meilleure capacit´e de communication
possible aux v´ehicules connectes.L’´etude analytique et la simulation d’´evaluation des
algorithmes propos´es, r´ealis´ees `a l’aide d’un simulateur de r´eseau N3 ont montr´e des r´esultats
convaincants, sup´erieurs `a ceux des algorithmes de base cit´es.Côte titre : MAI/0643 En ligne : https://drive.google.com/file/d/1FTkdzzQPBKQNs1BkKIvVnIUO3ttQOxoj/view?usp=share [...] Format de la ressource électronique : Optimisation des performances de Clustering basée sur SDN et Edge - computing dans l'IoV. [texte imprimé] / Achouak Berbache, Auteur ; Khaoula Yalaoui, Auteur ; Chirihane Gherbi, Directeur de thèse . - 2022 . - 1 vol (75 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : IoE
IoTIndex. décimale : 004 Informatique Résumé :
L’´emergence de l’Internet des objets (IoT) a amen´e l’´evolution des VANET classiques vers
un nouveau paradigme appel´e Internet des v´ehicules (IoV). Ce dernier peut ˆetre consid´er´e
comme un nouveau syst`eme de transport intelligent ( ITS ).L’IoV pr´esente de nombreux
avantages et caract´eristiques sp´ecifiques. comme le d´eveloppement et l’extension de l’exploitation
des ITS dans diff´erents domaines de la recherche et de l’industrie. Comme principal
avantage, la capacit´e d’int´egrer des utilisateurs multiples, de multiples v´ehicules et de multiples
r´eseaux utilisant diff´erentes technologies de communication. Le choix d’une technique
de structuration intelligente pour le paradigme IoV est un sujet qui reste d’actualit´e. Pour
cette raison, nous avons concentr´e notre travail sur la technique du clustering, qui est largement
d´eploy´ee dans les r´eseaux de v´ehicules pour am´eliorer les performances du syst`eme IoV
et r´epondre `a leurs exigences. Nous proposons un protocole hi´erarchique SD-VEC bas´e sur
SDN (Software-Defined Networking) et l’Edge computing dans l’Internet des v´ehicules (IoV).
Le protocole propos´e SD-VEC a pour objectif de fournir la meilleure capacit´e de communication
possible aux v´ehicules connectes.L’´etude analytique et la simulation d’´evaluation des
algorithmes propos´es, r´ealis´ees `a l’aide d’un simulateur de r´eseau N3 ont montr´e des r´esultats
convaincants, sup´erieurs `a ceux des algorithmes de base cit´es.Côte titre : MAI/0643 En ligne : https://drive.google.com/file/d/1FTkdzzQPBKQNs1BkKIvVnIUO3ttQOxoj/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0643 MAI/0643 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Ordonnancement des Taches dans les environnements : Edge et Fog Computing Type de document : texte imprimé Auteurs : Seif El Islam Belatrous, Auteur ; Karim Guerniche, Auteur ; Chirihane Gherbi, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (60 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Cloud computingIndex. décimale : 004 - Informatique Résumé : L’adoption g´en´eralis´ee de l’internet des objets (IdO) a entraˆın´e une augmentation du
nombre d’appareils et de capteurs. Pour r´epondre `a la demande d’informatique en nuage
des appareils IoT distribu´es g´eographiquement et en temps r´eel, deux nouveaux mod`eles
informatiques (Fog et Edge) ont ´et´e introduits, tous deux situ´es `a proximit´e des appareils.
Ces mod`eles g`erent un grand nombre de tˆaches qui doivent ˆetre ex´ecut´ees rapidement, ce
qui rend la planification des tˆaches cruciale `a tout moment. Nous avons am´elior´e l’algorithme
g´en´etique et l’algorithme de l’essaim de particules et nous les avons hybrid´es. En
outre, nous avons propos´e un autre algorithme qui permet de r´eduire le temps n´ecessaire
`a l’ex´ecution de ces tˆaches apr`es avoir simul´e le fonctionnement de ces algorithmes sur le
nuage `a l’aide du programme cloudsim. Nous avons ´egalement propos´e un mod`ele pour
expliquer comment les algorithmes propos´es fonctionnent dans la planification des tˆaches
en p´eriph´erie, dans le nuage, dans le brouillard et dans leur interconnexion. Nous avons
abord´e le probl`eme des objectifs multiples (temps, ´energie, coˆut, consommation) et nous
avons propos´e un algorithme pour r´esoudre ce probl`eme.Côte titre : MAI/0732 En ligne : https://drive.google.com/file/d/1PL276tzIZWdqWild8cVCEOYBFKYDdO4x/view?usp=drive [...] Format de la ressource électronique : Ordonnancement des Taches dans les environnements : Edge et Fog Computing [texte imprimé] / Seif El Islam Belatrous, Auteur ; Karim Guerniche, Auteur ; Chirihane Gherbi, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (60 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Cloud computingIndex. décimale : 004 - Informatique Résumé : L’adoption g´en´eralis´ee de l’internet des objets (IdO) a entraˆın´e une augmentation du
nombre d’appareils et de capteurs. Pour r´epondre `a la demande d’informatique en nuage
des appareils IoT distribu´es g´eographiquement et en temps r´eel, deux nouveaux mod`eles
informatiques (Fog et Edge) ont ´et´e introduits, tous deux situ´es `a proximit´e des appareils.
Ces mod`eles g`erent un grand nombre de tˆaches qui doivent ˆetre ex´ecut´ees rapidement, ce
qui rend la planification des tˆaches cruciale `a tout moment. Nous avons am´elior´e l’algorithme
g´en´etique et l’algorithme de l’essaim de particules et nous les avons hybrid´es. En
outre, nous avons propos´e un autre algorithme qui permet de r´eduire le temps n´ecessaire
`a l’ex´ecution de ces tˆaches apr`es avoir simul´e le fonctionnement de ces algorithmes sur le
nuage `a l’aide du programme cloudsim. Nous avons ´egalement propos´e un mod`ele pour
expliquer comment les algorithmes propos´es fonctionnent dans la planification des tˆaches
en p´eriph´erie, dans le nuage, dans le brouillard et dans leur interconnexion. Nous avons
abord´e le probl`eme des objectifs multiples (temps, ´energie, coˆut, consommation) et nous
avons propos´e un algorithme pour r´esoudre ce probl`eme.Côte titre : MAI/0732 En ligne : https://drive.google.com/file/d/1PL276tzIZWdqWild8cVCEOYBFKYDdO4x/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0732 MAI/0732 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Scheduling IoT Applications in Edge and Fog Computing Environments Type de document : texte imprimé Auteurs : Oussama Bencheikh, Auteur ; Dhikra Lamis Angag ; Chirihane Gherbi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (66 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : IoT
Edge
Fog
Task Scheduling
RTFIFOIndex. décimale : 004 - Informatique Résumé :
The notable evolution of computing paradigms, driven by the growth of IoT devices,
has led to the emergence of Fog computing, a decentralized approach that addresses
bandwidth, latency, and connectivity challenges, enhancing cloud-IoT communication.
The objective of this master’s thesis is to study the task scheduling mechanism in
the computing paradigms, specifically Fog computing. By ameliorating the RTFIFO
(Resources Then First In First Out) scheduling approach, aiming to minimize the
number of rejected tasks. The amelioration is represented by proposing several approaches
in order to realize our goal. The first approach is RD-FIFO (Resources-then-
Deadlines-First-In-First-Out) based on the deadline characteristics. The second one
is the Multiple-Queue-RTFIFO (Multiple-Queue Resources-Then-FIFO) based on the
arrival time and requested resources, and the third one is the Hybrid-Multiple-Queue-
RDFIFO (Hybrid Multiple-Queue-Resources-then-Deadlines-FIFO) based on the arrival
time, the requested resources, and the deadline at a time. The last one is Hybrid
M-Q (RTFIFO-SJF) (Hybrid Multiple-Queue-Resources-then-First-In-First-Out-
Shortest-Job-First), which is based on the arrival time, the requested resources, and
the service time. We based our contributions on the Divide-and-Conquer approach,
classifying tasks according to their deadlines and requesting resources to avoid missed
deadlines, the variety of deadlines and requested resources of a task. After programming
our proposal methods and simulating the execution results, the Hybrid M-Q
(RTFIFO-SJF) was found to be the best method for minimizing the rejected tasksNote de contenu : Sommaire
Abstract i
R´esum´e ii
Table of contents ix
List of figures xi
List of tables xii
List of algorithms xiii
Abbreviations xv
Introduction 1
1 State of the art 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Internet of Things (IoT) . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 IoT Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Applications domains . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 IoT Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.5 IoT Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.6 IoT Advantages and Disadvantages . . . . . . . . . . . . . . . . 11
1.3 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Definition of Cloud Computing . . . . . . . . . . . . . . . . . . 12
1.3.2 Cloud Characteristics . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.3 Types of Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Edge Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Definition of Edge Computing . . . . . . . . . . . . . . . . . . . 14
1.4.2 Edge Computing Architecture . . . . . . . . . . . . . . . . . . . 15
1.4.3 Basic Components of Edge Computing . . . . . . . . . . . . . . 15
1.4.4 Edge Computing Benefits . . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Motivation, challenges and opportunities in edge computing . . 16
1.5 Fog Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.1 Definition of Fog Computing . . . . . . . . . . . . . . . . . . . . 17
1.5.2 Basic Components of Fog Computing . . . . . . . . . . . . . . . 17
1.5.3 Fog Computing Benefits . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Difference Between Cloud, Fog and Edge Computing . . . . . . . . . . 19
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Related Review 22
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Task Scheduling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Task Scheduling Definition . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Task Scheduling Characteristics . . . . . . . . . . . . . . . . . . 23
2.3 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Task scheduling approaches for Fog Computing . . . . . . . . . 24
2.3.2 Computation Offloading and Scheduling in Edge-Fog Cloud Computing
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3 Efficient Task Scheduling for Applications on Clouds . . . . . . 30
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Contribution 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Proposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 RD-FIFO(Resources then Deadlines First In First Out) . . . . . 35
3.4.2 MultiQueueRTFIFO (Multiple-Queue Resources-Then-First-In-
First-Out) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.3 Hybrid Multiple-Queue-RDFIFO (Hybrid Multiple-Queue-Resourcesthen-
Deadlines-First-In-First-Out) . . . . . . . . . . . . . . . . . 42
3.4.4 Hybrid M-Q (RTFIFO-SJF) (Hybrid Multiple-Queue-Resourcesthen-
First-In-First-Out-Shortest-Job-First) . . . . . . . . . . . . 46
3.5 Comparison table of contributions . . . . . . . . . . . . . . . . . . . . . 50
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Implementation and Results 52
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Programming Tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4 The programming results . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.1 The RTFIFO programming results . . . . . . . . . . . . . . . . 53
4.4.2 The RD-FIFO programming results . . . . . . . . . . . . . . . . 54
4.4.3 The Multiple-Queue-RTFIFO programming results . . . . . . . 54
4.4.4 The Hybrid-Multiple-Queue-RDFIFO programming results . . . 55
4.4.5 The Hybrid M-Q (RTFIFO-SJF) programming results . . . . . 55
4.5 Simulation and results analysis . . . . . . . . . . . . . . . . . . . . . . 56
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0847 Scheduling IoT Applications in Edge and Fog Computing Environments [texte imprimé] / Oussama Bencheikh, Auteur ; Dhikra Lamis Angag ; Chirihane Gherbi, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (66 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : IoT
Edge
Fog
Task Scheduling
RTFIFOIndex. décimale : 004 - Informatique Résumé :
The notable evolution of computing paradigms, driven by the growth of IoT devices,
has led to the emergence of Fog computing, a decentralized approach that addresses
bandwidth, latency, and connectivity challenges, enhancing cloud-IoT communication.
The objective of this master’s thesis is to study the task scheduling mechanism in
the computing paradigms, specifically Fog computing. By ameliorating the RTFIFO
(Resources Then First In First Out) scheduling approach, aiming to minimize the
number of rejected tasks. The amelioration is represented by proposing several approaches
in order to realize our goal. The first approach is RD-FIFO (Resources-then-
Deadlines-First-In-First-Out) based on the deadline characteristics. The second one
is the Multiple-Queue-RTFIFO (Multiple-Queue Resources-Then-FIFO) based on the
arrival time and requested resources, and the third one is the Hybrid-Multiple-Queue-
RDFIFO (Hybrid Multiple-Queue-Resources-then-Deadlines-FIFO) based on the arrival
time, the requested resources, and the deadline at a time. The last one is Hybrid
M-Q (RTFIFO-SJF) (Hybrid Multiple-Queue-Resources-then-First-In-First-Out-
Shortest-Job-First), which is based on the arrival time, the requested resources, and
the service time. We based our contributions on the Divide-and-Conquer approach,
classifying tasks according to their deadlines and requesting resources to avoid missed
deadlines, the variety of deadlines and requested resources of a task. After programming
our proposal methods and simulating the execution results, the Hybrid M-Q
(RTFIFO-SJF) was found to be the best method for minimizing the rejected tasksNote de contenu : Sommaire
Abstract i
R´esum´e ii
Table of contents ix
List of figures xi
List of tables xii
List of algorithms xiii
Abbreviations xv
Introduction 1
1 State of the art 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Internet of Things (IoT) . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 IoT Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Applications domains . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 IoT Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.5 IoT Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.6 IoT Advantages and Disadvantages . . . . . . . . . . . . . . . . 11
1.3 Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Definition of Cloud Computing . . . . . . . . . . . . . . . . . . 12
1.3.2 Cloud Characteristics . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.3 Types of Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Edge Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Definition of Edge Computing . . . . . . . . . . . . . . . . . . . 14
1.4.2 Edge Computing Architecture . . . . . . . . . . . . . . . . . . . 15
1.4.3 Basic Components of Edge Computing . . . . . . . . . . . . . . 15
1.4.4 Edge Computing Benefits . . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Motivation, challenges and opportunities in edge computing . . 16
1.5 Fog Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.1 Definition of Fog Computing . . . . . . . . . . . . . . . . . . . . 17
1.5.2 Basic Components of Fog Computing . . . . . . . . . . . . . . . 17
1.5.3 Fog Computing Benefits . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Difference Between Cloud, Fog and Edge Computing . . . . . . . . . . 19
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Related Review 22
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Task Scheduling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Task Scheduling Definition . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Task Scheduling Characteristics . . . . . . . . . . . . . . . . . . 23
2.3 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Task scheduling approaches for Fog Computing . . . . . . . . . 24
2.3.2 Computation Offloading and Scheduling in Edge-Fog Cloud Computing
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3 Efficient Task Scheduling for Applications on Clouds . . . . . . 30
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Contribution 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Proposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 RD-FIFO(Resources then Deadlines First In First Out) . . . . . 35
3.4.2 MultiQueueRTFIFO (Multiple-Queue Resources-Then-First-In-
First-Out) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.3 Hybrid Multiple-Queue-RDFIFO (Hybrid Multiple-Queue-Resourcesthen-
Deadlines-First-In-First-Out) . . . . . . . . . . . . . . . . . 42
3.4.4 Hybrid M-Q (RTFIFO-SJF) (Hybrid Multiple-Queue-Resourcesthen-
First-In-First-Out-Shortest-Job-First) . . . . . . . . . . . . 46
3.5 Comparison table of contributions . . . . . . . . . . . . . . . . . . . . . 50
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Implementation and Results 52
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Programming Tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4 The programming results . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.1 The RTFIFO programming results . . . . . . . . . . . . . . . . 53
4.4.2 The RD-FIFO programming results . . . . . . . . . . . . . . . . 54
4.4.3 The Multiple-Queue-RTFIFO programming results . . . . . . . 54
4.4.4 The Hybrid-Multiple-Queue-RDFIFO programming results . . . 55
4.4.5 The Hybrid M-Q (RTFIFO-SJF) programming results . . . . . 55
4.5 Simulation and results analysis . . . . . . . . . . . . . . . . . . . . . . 56
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0847 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0847 MAI/0847 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
