Thèse Approches Intelligentes pour la Sélection de Fog et le Placement de Servicesdans les Environnements de Fog Computing pour l'Iot H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Hicham LAKHLEF
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

La croissance rapide de l'Internet des objets (IoT) a mis en évidence les limites des architectures cloud traditionnelles en termes de latence, de bande passante et d'efficacité énergétique. Le Fog Computing apporte une réponse à ces problèmes en permettant un traitement distribué des données plus proche des dispositifs IoT. Cependant, l'optimisation du placement des services dans les environnements Fog demeure un défi en raison de la variabilité des ressources des noeuds Fog, des contraintes de latence et d'énergie, ainsi que de la mobilité des dispositifs IoT.

Cette thèse propose d'exploiter la softwarisation intelligente du réseau en s'appuyant sur le Machine Learning (ML), le Software-Defined Networking (SDN) et la Network Function Virtualization (NFV) afin d'améliorer la prise de décision dans des environnements dynamiques. Le ML permet de prédire les variations de charge et les défaillances, le SDN facilite une gestion centralisée des ressources, et le NFV offre un déploiement flexible des services.
Ce projet de thèse se concentre sur la modélisation des environnements IoT-Fog, la conception d'algorithmes d'optimisation multi-objectifs (latence, énergie, fiabilité), ainsi que sur le développement de stratégies adaptées à des applications IoT critiques telles que les villes intelligentes et la santé connectée. Les solutions proposées seront validées expérimentalement afin de garantir une amélioration de la qualité de service (QoS) et de l'efficacité énergétique dans des scénarios réels.

Collaboration envisagé avec Fabio D'Andreagiovanni, professeur en ingénierie informatique à l'Université de Modène et Reggio d'Émilie, en Italie : Le professeur D'Andreagiovanni apportera son expertise en optimisation combinatoire et en intelligence artificielle pour renforcer les aspectsthéoriques et méthodologiques de la recherche.

Modélisation des environnements IoT-Fog :
Identifier et formaliser les principaux paramètres influençant le placement des services, tels que la variabilité des données, la topologie du réseau et la charge des noeuds, afin de mieux comprendre la dynamique des environnements distribués.

Développement d'algorithmes d'optimisation :
Concevoir des algorithmes multi-objectifs capables d'optimiser simultanément la latence, la consommation énergétique et la fiabilité des noeuds Fog, tout en prenant en compte les contraintes du système et les exigences des applications IoT.

Adaptation aux applications IoT critiques :
Élaborer des stratégies adaptées aux applications IoT nécessitant de fortes performances, telles que la santé connectée, les villes intelligentes ou la gestion d'infrastructures critiques

La méthode adoptée dans ce projet repose sur plusieurs étapes clés :
Analyse et modélisation :
Identification des paramètres critiques dans les environnements IoT-Fog (topologie réseau, charge des noeuds, latence, consommationénergétique).
Modélisation mathématique du problème de placement des services en tenant compte des contraintes de latence, d'énergie et defiabilité.
Conception d'algorithmes :
Développement d'algorithmes d'optimisation multi-objectifs, en s'appuyant sur des techniques d'optimisation combinatoire, desheuristiques et des métaheuristiques.
Intégration de l'apprentissage automatique pour prédire les variations de charge et améliorer la prise de décision en temps réel.
Implémentation et simulation :
Déploiement des algorithmes dans un environnement simulé pour tester les performances dans des scénarios variés.
Utilisation de plateformes de simulation adaptées aux environnements IoT-Fog.
Validation expérimentale :
Test des solutions sur des plateformes réelles ou des bancs d'essai, en mesurant des indicateurs comme la qualité de service (QoS), laconsommation énergétique et la résilience du système.
Analyse et amélioration continue :
Analyse des résultats, ajustement des modèles et optimisation des algorithmes en fonction des observations expérimentales.