14:00
18:00

Soutenance de thèse de Sabri Khamari (département M2F, équipe DART)

L'évolution des Systèmes de Transport Intelligents (STI) représente un changement significatif vers l'amélioration de la gestion et de l'infrastructure des transports à travers des technologies de communication avancées. Les STI visent à améliorer la sécurité routière, le flux de trafic et le confort de conduite, mais sont confrontés à des défis en termes de latence, de traitement des données et de continuité de service en raison de la nature exigeante de leurs applications. Le calcul en périphérie (Edge Computing) émerge comme une solution clé, permettant un traitement des données localisé proche de la source, réduisant ainsi la latence et améliorant l'efficacité des applications véhiculaires dans les STI. Cette thèse explore l'intégration du Edge Computing dans les réseaux véhiculaires, en abordant les complexités impliquées, telles que le placement des serveurs périphériques, le déchargement efficace des données, les protocoles de migration de service et la garantie de la vie privée et de la sécurité. La recherche est tripartite : Premièrement, elle introduit le système d'assistance à la sécurité des intersections basé sur le Edge Computing (ESIAS) pour améliorer la sécurité des intersections en distribuant des avertissements opportuns aux conducteurs, réduisant les risques d'accidents. Deuxièmement, elle enquête sur le placement optimal des serveurs Edge au sein des réseaux véhiculaires grâce à la programmation linéaire en nombres entiers, en prenant en compte des facteurs tels que la latence, le coût et la capacité des serveurs pour minimiser les coûts de déploiement et équilibrer les charges de calcul tout en contrôlant la latence. Troisièmement, la thèse aborde la migration de service dans les réseaux véhiculaires activés par le Edge Computing. À mesure que les véhicules se déplacent, le maintien de la qualité de service (QoS) nécessite des migrations de service stratégiques, qui posent des défis en termes de synchronisation et de localisation. Pour surmonter ces défis, la thèse formule la migration de service comme un processus décisionnel de Markov (MDP) et utilise l'apprentissage par renforcement profond, spécifiquement les réseaux Q profonds (DQN), pour développer des stratégies de migration optimales. Ces stratégies sont conçues pour répondre aux besoins spécifiques de chaque service, assurant une continuité de service ininterrompue même dans des environnements à haute mobilité, en trouvant un équilibre essentiel entre la réduction de la latence et les coûts de migration. Dans l'ensemble, la thèse contribue à l'avancement des STI en intégrant le calcul en périphérie, améliorant ainsi la performance et la fiabilité des réseaux véhiculaires.

Amphi LaBRI