University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Hadil Yousra Arare |
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
