Approches de routage basées sur les technologies émergentes SDN et IoT pour les environnements intelligents
Year: 2021
Type: dissertation
Abstract: Soumaya CHERKAOUI, membre Abderrezak RACHEDI, membre externe iii DÉDICACE À mes chers parents, Khedaoudj et Boubekeur, pour leur amour inconditionnel et leur soutien infini . . .À mon défunt frère et ami, Bachir Serhane, parti si tôt me laissant seule sur le chemin éprouvant de la vie . . .À mes trois trésors et complisses, Sanaa, Sérine et Saoussene, pour leur amour et patience . . .Je vous aime iv REMERCIEMENTS En premier lieu, je remercie mon directeur de recherche, M. Samuel Pierre, et mon codirecteur, M. Steven Chamberland, pour la qualité de leur encadrement, leur disponibilité et leur soutien académique et financier.Leurs conseils ingénieux et leur degré d'exigences m'ont souvent poussé à parfaire mon accomplissement et faire valoir davantage le meilleur de moi-même le long de cette thèse doctorale.De manière particulière, je suis très reconnaissante à M. Pierre, pour la confiance qu'il a placée en ma personne, et pour m'avoir offert la possibilité de travailler sous sa direction.Tout au long de mon parcours, mon estime et mon admiration à l'égard de ce grand savant n'ont cessé de grandir, il m'a marquée par le modèle de réussite qu'il évoque, sa profonde humanité, et l'attention paternelle qu'il prodigue à ses étudiants.Également, je tiens à souligner la chance que j'ai eu de travailler avec M. Chamberland qui m'a consacré du temps malgré sa charge de travail et son engagement envers la communauté de Polytechnique.Je le remercie pour son professionnalisme et ses conseils qui ont été si précieux pour la progression de ma thèse.Je remercie M. Alejandro Quintero, Mme Soumaya Charkaoui et M. Abderrezak Rachedi pour l'intérêt porté à mon travail en acceptant de participer à ce jury.J'adresse aussi mes remerciements à Mme Martine Bellaiche pour le soutien moral et amical qu'elle m'a apporté durant les périodes les plus sombres de mon parcours.J'exprime, pareillement, ma reconnaissance à tous les membres du Département de Génie Informatique et Génie Logiciel (GIGL), aussi bien administratif que technique.Je porte une attention singulière à Jonathan Brien pour son intervention rapide et efficace à résoudre mes problèmes techniques au laboratoire.Mes remerciements s'étendent à tous mes collègues du LAboratoire de recherche en Réseautique et Informatique Mobile (LARIM), Saida, Farnoush, Parvin, Claudy, Olson, Sepher, Nick, Loic, Jean, Hadjer, Franjieh....Individuellement, pour avoir été, d'une manière ou d'une autre, une source d'inspiration pour moi.Je manifeste ma gratitude en particulier à mes amis Marième Diallo, Éric Fafolahan, Ahmed Hazem, Marielba Urdaneta, Nasrin Bahra, Sanaz Shaker Sepasgozar, pour avoir transformé mes journées difficiles en moment de joie et de rire, et m'offrir un environnement convivial plein de solidarité, d'entraide et d'encouragement.Un immense merci va pour mes trois perles rares, Sanaa, Sérine et Saoussen, mes amies et v mes complices dans cette dure aventure durant laquelle elles ont partagé avec moi les larmes de l'échec et la joie du succès.Loin du domaine de recherche elles me tenaient la main et essayaient de comprendre ce que maman fait pour lui proposer des solutions.Durant toutes ces années, elles grandissaient avec ce projet qui est le leur, elles me soutenaient avec tendresse et patience.Á chaque matin, leurs mots d'encouragement et d'amour m'apportaient l'énergie de persévérer et de ne pas les décevoir.Sans leur présence et leur assistance, cette belle aventure n'aurait sans doute pas continué.Un grand merci à ma grande famille, à mes amies pour leur soutien moral.Une mention spéciale à Mama Saida Hbiba Ayari pour l'amour qu'elle a apporté à mon quotidien et ses prières, sans oublier mes sœurs Kamélia, Houria, mes meilleures amies Amina Faci et Karima Belkahla qui ont continué à m'assister sans cesse.ix consommation d'énergie.L'orientation mondiale actuelle donne de plus en plus d'importance à l'environnement et encourage la considération des solutions durables.Les résultats tirés des simulations ont également montré que la solution LGRP présente une économie en énergie qui atteint 5 %.Le troisième volet du travail a consisté à concevoir une autre solution de routage basée sur l'algorithme d'apprentissage machine Naive Bayes et la perception SDN.La solution tire parti de ces deux paradigmes pour offrir une communication efficace et un appui pour apporter plus de flexibilité et d'agilité au système.Par ailleurs, cette solution a tendance à réduire les délais de transmission et la charge de signalisation de routage dans un contexte d'environnement de transport intelligent et à surmonter l'hétérogénéité des systèmes dans les villes futures.La technique basée sur l'apprentissage machine «Machine Learning "ML" » supervisée, déployée par la classification Naive Bayes, est intégrée dans la solution proposée pour accomplir la tâche de prédictions d'informations utiles au fonctionnement du routage.Cette technique ML est caractérisée par sa simplicité, sa faible complexité de calcul et son processus de prédiction en temps réel.L'algorithme Naive Bayes prédit la localisation des nœuds, puis la fournit au contrôleur SDN qui a l'ultime fonction de calculer et construire les chemins de routage entre les différents nœuds du réseau avec le délai le plus bas.Par conséquent, le contrôleur SDN ne diffusera pas de paquets de découvertes de nœud.Ainsi, nous réduisons les paquets de signalisations échangés entre le contrôleur et les différents composants du réseau.D'autre part, l'algorithme supervisé fonctionne sur la base d'un ensemble de données pour prévoir un futur résultat ou pour anticiper la prise de futures décisions.La disponibilité de ce type de bases de données, où les données décrivent adéquatement le problème à résoudre et répondent aux besoins du contexte auquel la solution a été conçue, est non disponible à tous les coups dans la littérature.De ce fait, nous devions créer un nouvel ensemble pour pouvoir l'intégrer dans la partie prédiction de la solution proposée.Dans ce troisième volet, nous avons également créé un ensemble de données par le biais des outils de gestion de la mobilité pourvus par le simulateur SUMO, les calibreurs « Calibrator » et l'application Traci.Au premier abord, les informations de base, issues de données statistiques collectées du trafic et de l'état du réseau routier du centre-ville de Montréal, sont employées pour la création de ce nouvel ensemble de données.Par la suite, le protocole est conçu pour un système hétérogène dans lequel l'infrastructure de transmission utilise des technologies sans fil et filaires.La technologie sans fil est composée du WiFi 802.11P pour connecter les véhicules entre eux et à l'infrastructure.Par contre, la technologie optique représente les communications filaires pour connecter l'infrastructure au contrôleur SDN.Celui-ci effectue des statistiques périodiquement et collecte les informations x incluants le délai de chaque nœud et la perte de données, ainsi que d'acquérir une vue d'ensemble du réseau et de ces composantes.L'implémentation de l'algorithme proposé a été réalisée dans l'émulateur Mininet-WiFi qui a permis d'exécuter des simulations basées sur des scénarios réalistes.Les résultats de l'évaluation de performance ont démontré que la solution suggérée présente un taux de moins que 1 % de perte de données.Par conséquent, le taux de livraison a atteint des valeurs de 20 % jusqu'à 90 % dans les scénarios denses et raréfiés, ainsi qu'un délai de bout en bout de moins de 20 ms en comparaison avec les protocoles de la littérature.À la lumière des travaux réalisés, nous avons proposé une nouvelle architecture pour les environnements intelligents, dans le quatrième volet.L'architecture proposée est conçue en utilisant les approches SDN et l'algorithme d'apprentissage machine Naive Bayes.Nous avons considéré la technologie de communication LoRaWAN pour la transmission des paquets de signalisation entre le plan de contrôle et le plan de données.La solution suggérée est constituée de deux nouveaux composants au niveau du plan de contrôle pour alléger les tâches exécutées par le contrôleur SDN.Le premier composant est nommé « Usine de règles de commandement », il est chargé d'établir et de soumettre les règles de fonctionnement aux différents appareils du plan de données.Aussi, il contrôle la transmission et le traitement des données.Le second composant est le « Générateur d'actions et de prédictions ».Il se base sur l'algorithme d'apprentissage automatique pour prédire les fonctions de découverte de la topologie, et l'état des flux dans l'environnement intelligent en fonction des informations recueillies par l'échange des messages de contrôle aux différents appareils déployés.L'échange de messages de contrôle fournit une vue d'ensemble du réseau, et facilite la prise d'actions et de décisions utilisée par le composant « Usine de règles de commandement » qui les traduira en règles de fonctionnement.Au regard des résultats obtenus, le travail réalisé présente un coup de pouce pour faire avancer la concrétisation des métropoles intelligentes, et pour réponde mieux aux enjeux soulevés quant à la durabilité et fiabilité des systèmes existants et la garantie du bien-être de l'humanité.xi
Author: El Garoui, Lamia
Language: French
Subfield: Computer Networks and Communications
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7026978418
