L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Houssam HAJJ HASSAN
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
Informatique
« Autonomie dans les systèmes Internet des Objets : une approche d’IA hybride à base d’intergiciel pour l’auto-adaptation »
le LUNDI 16 DéCEMBRE 2024 à 14h00
à
Amphi 11
9 rue Charles Fourier – 91000 Évry-Courcouronnes
Membres du jury :
M. Denis CONAN, Associate Professor, Télécom SudParis, FRANCE – Directeur de these
M. Georgios BOULOUKAKIS, Associate Professor, Télécom SudParis, FRANCE – Co-encadrant de these
Mme Raffaela MIRANDOLA, Full professor, Karlsruhe Institute of Technology, ALLEMAGNE – Examinateur
M. Philippe ROOSE, Professeur, LIUPPA, Université de Pau et des Pays de l’Adour, FRANCE – Examinateur
M. Thomas LEDOUX, Full professor, IMT Atlantique, FRANCE – Rapporteur
M. Khalil DRIRA, Directeur de recherche, LAAS-CNRS, Toulouse, FRANCE – Rapporteur
Invités :
M. Djamel BELAID, Professeur, Télécom SudParis
M. Ajay KATTEPUR, Senior researcher, Ericsson AI Research
« Autonomie dans les systèmes Internet des Objets : une approche d’IA hybride à base d’intergiciel pour l’auto-adaptation »
présenté par Monsieur Houssam HAJJ HASSAN
Résumé :
The proliferation of Internet of Things (IoT) devices has led traditional spaces to become smarter and more interconnected. This has resulted in sophisticated IoT systems that are typically composed of devices that sense physical phenomena and generate data that may be processed by computing nodes before being consumed by applications. Such applications typically define specific Quality-of-Service (QoS) requirements that have to be met (e.g., availability, accuracy, latency). For this purpose, IoT systems are usually configured to ensure that the QoS requirements of deployed applications are respected. This involves adjusting multiple parameters such as network settings, processing resources, and tuning data exchange systems. However, modern smart spaces are inherently dynamic and unpredictable. Changes in the number of IoT devices, network conditions, and available computational resources create a continuously evolving environment. Thus, to ensure that IoT systems operate autonomously, it is essential to design self-adaptive mechanisms to maintain QoS requirements of applications in dynamic situations. This thesis proposes a middleware-based, hybrid Artificial Intelligence (AI) self-adaptation approach for enabling autonomous IoT operations in dynamic environments. By combining logic-based approaches with data-driven AI techniques, we design effective and explainable self-adaptation solutions for IoT systems. This is achieved through three main contributions. First, queueing networks are leveraged to compose QoS models that represent IoT systems under different situations and/or configurations. By simulating QoS models, we are able to generate performance metrics datasets that can be used in self-adaptive approaches to dynamically adapt to changing situations by selecting the configuration that best satisfies the QoS requirements defined by applications. The second contribution enables AI-driven adaptive data flow management in IoT enhanced spaces. By combining logic-based and data-driven AI techniques such as AI planning and Reinforcement Learning, we design a framework involving intelligent agents capable of taking adaptation decisions at runtime. Possible adaptation actions include data flow configurations (e.g., priorities, drop rates) and resource control (e.g., network resources, computing resources). Finally, the last contribution enables more proactive and explainable autonomous systems through Causal Reinforcement Learning. To achieve this, we rely on the Causality framework to provide a formal analysis of the performance of IoT systems. Subsequently, causal models enable a more effective decision-making process that enables adaptation agents to take efficient adaptation actions in dynamic environments. We validate our approach by developing a prototype implementation of an IoT system and experimenting with case studies considering different types of IoT environments. Our QoS models are evaluated and compared with a prototype implementation for validating the accuracy of the generated performance metrics datasets. We then evaluate the effectiveness of our solution by leveraging data from real deployments to ensure that our approach is valid in real-life settings.
La prolifération de l’Internet des objets (IoT) a transformé les espaces traditionnels en environnements plus intelligents et interconnectés. Cela a donné lieu à des systèmes IoT sophistiqués, généralement composés de dispositifs qui détectent des phénomènes physiques et génèrent des données pouvant être traitées par des nœuds de calcul avant d’être consommées par des applications. Ces applications définissent généralement des exigences spécifiques de qualité de service (QoS) qui doivent être respectées (par exemple, disponibilité, précision, latence). À cette fin, les systèmes IoT sont souvent configurés pour garantir que les exigences de QoS des applications déployées soient respectées. Cela implique l’ajustement de plusieurs paramètres tels que les configurations réseau, les ressources de traitement, et l’optimisation des systèmes d’échange de données. Cependant, les espaces intelligents modernes sont intrinsèquement dynamiques et imprévisibles. Les variations dans le nombre de dispositifs IoT, les conditions du réseau, et les ressources de calcul disponibles créent un environnement en constante évolution. Ainsi, pour garantir que les systèmes IoT fonctionnent de manière autonome, il est essentiel de concevoir des mécanismes d’auto-adaptation pour maintenir les exigences de QoS des applications dans des situations dynamiques. Cette thèse propose une approche d’auto-adaptation à base d’intergiciel et d’intelligence artificielle (IA) hybrid pour permettre des opérations autonomes des systèmes IoT dans des environnements dynamiques. En combinant des approches basées sur la logique avec des techniques d’IA basées sur les données, nous concevons des solutions d’auto-adaptation efficaces et explicables pour les systèmes IoT. Cela est réalisé à travers trois contributions principales. Tout d’abord, des réseaux de files d’attente sont utilisés pour composer des modèles de QoS qui représentent les systèmes IoT sous différentes situations et/ou configurations. En simulant ces modèles de QoS, nous sommes en mesure de générer des ensembles de données de performances qui peuvent être utilisés dans des approches auto-adaptatives pour s’adapter dynamiquement aux situations changeantes en sélectionnant la configuration qui satisfait le mieux les exigences de QoS définies par les applications. La deuxième contribution permet une gestion adaptative des flux de données pilotée par l’IA dans les espaces IoT. En combinant des techniques d’IA basées sur la logique et sur les données, telles que l’AI planning et l’apprentissage par renforcement, nous concevons un cadre impliquant des agents intelligents capables de prendre des décisions d’adaptation en temps réel. Les actions d’adaptation possibles incluent les configurations de flux de données (par exemple, priorités, taux de rejetde données) et le contrôle des ressources (par exemple, ressources réseau, ressources de calcul). Enfin, la dernière contribution permet de rendre les systèmes autonomes plus proactifs et explicables grâce à l’apprentissage par renforcement et la théorie de causalité. Pour ce faire, nous nous appuyons sur le cadre de la causalité afin de fournir une analyse formelle des performances des systèmes IoT. Par la suite, les modèles causaux permettent un processus de prise de décision plus efficace, permettant aux agents d’adaptation de prendre des actions d’adaptation efficaces dans des environnements dynamiques. Nous validons notre approche en développant une implémentation prototype d’un système IoT et en menant des expériences sur des études de cas considérant différents types d’environnements IoT. Nos modèles de QoS sont évalués et comparés à une implémentation prototype pour valider la précision des ensembles de données de performances générés. Nous évaluons ensuite l’efficacité de notre solution en exploitant des données issues de déploiements réels pour nous assurer que notre approche est valide dans des contextes réels.