Bonjour à tous,

Vous êtes cordialement invités à assister à la soutenance de thèse de doctorat de Maad
Ebrahim mercredi prochain. (détails ci-dessous).

Jury

Abstract

Cette thèse apporte quatre contributions pour une solution efficace de répartition de charge en périphérie, évaluée sur un simulateur d’événements discrets avec des environnements réalistes et des architectures de périphérie hétérogènes. La première contribution est une solution d’optimisation centralisée nécessitant un accès complet aux informations de la périphérie pour chaque décision d’affectation, surpassant les méthodes traditionnelles comme le Round-Robin. La deuxième contribution est un agent d’apprentissage par renforcement profond respectueux de la vie privée qui estime la charge dans chaque noeud sans la collecter, surpassant la première solution même dans des environnements partiellement observés. La troisième contribution est un cadre d’apprentissage continu pour cet agent, minimisant le délai de décision grâce à une inférence légère et ajusté par l’apprentissage par transfert, réduisant le temps d’entraînement par 5 et améliorant les performances. Enfin, la quatrième contribution déploie plusieurs instances indépendantes de l’agent aux passerelles IoT, minimisant significativement le délai de décision et surpassant les solutions à agent unique, utilisant des protocoles de multidiffusion pour collecter les observations de l’environnement de manière réaliste.