Thèse Année : 2025

Intelligent architectures and algorithms for autonomous IoT systems

Architectures et algorithmes intelligents pour les systèmes IoT autonomes

Résumé

Quality of Service (QoS) is a critical factor that significantly impacts the performance of IoT services and applications. However, with the rapid growth of IoT devices in various domains such as smart homes, smart cities, and Industry 4.0, ensuring QoS has become increasingly challenging. IoT services hosted on infrastructure demand diverse network resources, and the emergence of paradigms like autonomous IoT systems and Zero-Touch Networks has further intensified the need for self-sufficient infrastructures capable of meeting QoS requirements without human intervention. While 5G networks introduced Network Slicing to partition physical infrastructure into logical slices tailored to different IoT service needs, this approach shifted the challenge toward efficiently placing the maximum number of slices while maintaining autonomy. In this thesis, we propose using Deep Reinforcement Learning (DRL) to provide customized QoS for IoT devices in autonomous IoT systems. First, we develop DRL agents that autonomously place slices within IoT infrastructure, continuously learning and improving through interaction and reward-based feedback. This results in IoT systems that not only function independently but also enhance their efficiency over time. Next, we address scenarios where Network Slicing is not feasible and introduce a DRL-based agent that ensures QoS at the application level by assisting IoT devices in selecting the optimal edge or cloud servers for task execution. The agent dynamically considers network conditions such as latency, bandwidth, and computational power to make efficient offloading decisions. Collectively, these contributions offer interesting solutions for achieving fully autonomous IoT systems.

La qualité de service (QoS) est un élément essentiel au bon fonctionnement des services et applications IoT. Toutefois, avec l'augmentation massive du nombre d'objets connectés dans des domaines comme les maisons intelligentes, les villes intelligentes ou l'industrie 4.0, garantir cette QoS devient de plus en plus complexe. Ces services, lorsqu'ils sont hébergés sur une infrastructure, requièrent diverses ressources réseau. L'émergence de concepts tels que les systèmes IoT autonomes et le Zero-Touch Network accentue encore cette problématique, car l'objectif est désormais de disposer d'infrastructures capables de satisfaire automatiquement les besoins en QoS des services IoT, sans intervention humaine. Les réseaux 5G ont introduit le Network Slicing pour segmenter l'infrastructure physique en réseaux logiques appelés slices, chacun étant conçu pour répondre aux exigences spécifiques des services IoT qu'ils hébergent. Cependant, ce mécanisme a déplacé la problématique vers l'optimisation du placement de ces slices en maximisant leur nombre tout en garantissant une gestion autonome. Dans cette thèse, nous avons proposé l'utilisation de l'apprentissage profond par renforcement (DRL) pour offrir une QoS sur-mesure aux objets IoT dans un environnement autonome. Nous avons d'abord développé des agents DRL capables de placer de manière autonome des slices sur une infrastructure IoT, en s'améliorant continuellement grâce à l'apprentissage par interaction et un mécanisme de récompense. Ensuite, nous avons étudié le cas où le Network Slicing ne serait pas applicable et avons conçu un agent DRL capable d'assurer la QoS au niveau applicatif. Cet agent assiste les objets IoT dans le choix optimal des serveurs edge ou cloud pour l'exécution de leurs tâches, en tenant compte des conditions dynamiques du réseau telles que la latence, la bande passante et la puissance de calcul des serveurs. Ensemble, ces contributions apportent des solutions intéressantes vers la réalisation de véritables systèmes IoT autonomes.

Fichier principal
Vignette du fichier
2025TLSES070.pdf (14.42 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05266738 , version 1 (28-08-2025)
tel-05266738 , version 2 (18-09-2025)

Licence

Identifiants

  • HAL Id : tel-05266738 , version 2

Citer

Abdel Kader Chabi Sika Boni. Intelligent architectures and algorithms for autonomous IoT systems. Multiagent Systems [cs.MA]. Université de Toulouse, 2025. English. ⟨NNT : 2025TLSES070⟩. ⟨tel-05266738v2⟩
224 Consultations
156 Téléchargements

Partager

  • More