Ordonnancement de données multiprotocoles des objets connectés dans la maison intelligente

Amiriyan, Milad (2021). Ordonnancement de données multiprotocoles des objets connectés dans la maison intelligente. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Au cours des dernières années, le nombre d’appareils et d’applications de l’Internet des objets (IdO) et leur volume de données génerées ont augmenté rapidement. Afin de répondre aux diverses exigences des utilisateurs en termes de transmission de données et de réduire des embouteillages dans le réseau domestique intelligent, des objets connectés intelligents multi-interfaces ont été déployés pour offrir la flexibilité d’accès à plusieurs réseaux d’accès hétérogènes. Dans ce mémoire, nous proposons un mécanisme pour affecter dynamiquement les flux de trafic de ces objets aux interfaces des passerelles d’IdO tout en satisfaisant leur qualité de service (QdS), et simultanément augmenter la quantité de données valides acceptées par les passerelles.

De ce fait, nous formulons le problème d’assignation optimale des flux de données provenant des appareils IdO ayant plusieurs interfaces vers les passerelles IdO (OFAP-MIG) en tant qu’un modèle de programmation mixte non entière (PMNE). Ensuite, nous proposons une solution basée sur une approche d’apprentissage par renforcement profond (ARP) pour résoudre ce problème NP-difficile. Les agents déployés dans les passerelles IdO et le nuage informatique utilisent les réseaux de neurones profond (RNP) pour calculer une solution optimale basée sur un espace d’état, un espace d’action et une fonction de récompense. Les résultats de simulation montrent que notre solution proposée surpasse la solution centralisée, qui a été présentée dans des travaux antérieurs, en termes de la quantité totale de données transférées par les passerelles et du taux d’acceptation.

Titre traduit

Multiprotocol flow assignment in smart home IoT network

Résumé traduit

The number of Internet of Things (IoT) devices and applications is growing rapidly, as well as the amount of data generated by these devices. To afford various user requirements in data transmission, and reduce bottlenecks, multi-interface intelligent radio devices have increasingly been deployed to provide the flexibility of simultaneous access to several heterogeneous access networks. In this article, we propose a mechanism to dynamically assign the flows of these devices to the appropriate gateway interfaces while satisfying their QoS, and simultaneously increase the valid data accepted by the gateways of our IoT network.

In this thesis, we formulate the problem of optimal assignment of data flows coming from IoT devices having multiple interfaces to several multi-interface IoT gateways (OFAP-MIG) as a Mixed Non-Integer Programming model (MNIP), and propose a solution based on deep reinforcement learning (DRL) approach to solve this NP-hard problem. The agents deployed in the IoT gateways and the central cloud employ Deep Neural Network (DNN) to find the optimal solution based on a state space, an action space and a reward function. The simulation results shows the proposed solution outperforms the centralized one, which has been presented in prior work, in terms of the total amount of data transferred by the gateways, and the acceptance rate.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en concentration génie réseaux et télécommunication". Comprend des références bibliographiques (pages 63-65).
Mots-clés libres:	IdO, optimisation, ordonnancement de trafic, multi-interface hétérogène, apprentissage par renforcement profond, maison intelligente
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Nguyen, Kim Khoa
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	10 févr. 2022 18:12
Dernière modification:	10 févr. 2022 18:12
URI:	https://espace.etsmtl.ca/id/eprint/2890

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt