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 Madame Khouloud HWERBI

Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :

Mathématiques et Informatique

« blockchain et uav pour la surveillance du bétail dans l’agriculture 5.0: conception et analyse des retards »

le LUNDI 24 NOVEMBRE 2025 à 14h30

à

Amphithéâtre 2
19 place Marguerite Perey 91120 Palaiseau France

Membres du jury :

M. Anis LAOUITI, Professeur, Télécom SudParis, FRANCE – Directeur de thèse
M. Riadh DHAOU, Professeur, INP/ENSEEIHT Toulouse, FRANCE – Rapporteur
M. Sofiane OUNI, Professeur, INSAT, TUNISIE – Rapporteur
Mme Leila AZOUZ SAIDANE, Professeure émérite, ENSI, TUNISIE – CoDirecteur de these
Mme Tara YAHIA, Associate Professor, Universite Paris Saclay, FRANCE – Examinateur
M. Cherif GHAZEL, Professeur, ENSI, TUNISIE – Examinateur

« blockchain et uav pour la surveillance du bétail dans l’agriculture 5.0: conception et analyse des retards »

présenté par Madame Khouloud HWERBI

Résumé :

Assurer la santé du bétail est fondamental pour la sécurité alimentaire, la santé publique et la durabilité de l’agriculture. Cependant, les systèmes de suivi actuels font face à des défis critiques liés à l’intégrité des données, à la transparence et au partage en temps opportun, en particulier dans les conditions réelles d’exploitation agricole. Cette thèse explore comment la blockchain, les véhicules aériens sans pilote (UAV) et l’apprentissage automatique peuvent être intégrés dans un système de surveillance de la santé du bétail à la fois sécurisé et évolutif, tout en abordant les goulots d’étranglement liés aux performances du consensus blockchain dans des environnements réseau défavorables. Nous proposons DroneVet, une application basée sur la blockchain qui combine la collecte de données par UAV, l’analyse prédictive via l’apprentissage automatique et un marché décentralisé pour la coordination des missions. Cette architecture garantit transparence, traçabilité et prise de décision prédictive entre les différents acteurs de la chaîne de valeur. Afin d’évaluer la fiabilité de tels systèmes, la thèse se concentre sur l’analyse des délais des protocoles de tolérance aux fautes byzantines (BFT) basés sur les graphes acycliques dirigés (DAG), avec un accent particulier sur Narwhal et Bullshark. Nous développons des modèles mathématiques et probabilistes des délais de consensus et validons ces modèles par simulation. En outre, nous étudions l’impact des contraintes agricoles réalistes — telles que la variabilité de la latence réseau, la perte de paquets et les limitations énergétiques des UAV — sur les performances des protocoles au sein de DroneVet. Les résultats mettent en évidence le rôle central de l’analyse des délais de consensus pour garantir une surveillance de la santé du bétail à la fois rapide, sécurisée et robuste. En reliant la conception système, la modélisation théorique et la simulation dans des conditions pratiques, cette thèse contribue à la fois à une nouvelle architecture applicative pour l’Agriculture 5.0 et à un cadre rigoureux d’analyse des délais pour les systèmes de surveillance de nouvelle génération basés sur la blockchain.

Abstract :

Ensuring livestock health is fundamental to food safety, public health, and agricultural sustainability. Yet, current surveillance systems face major challenges related to data integrity, transparency, and timely sharing, particularly in the demanding context of real-world agricultural environments. This thesis explores how blockchain, unmanned aerial vehicles (UAVs), and machine learning can be integrated into a secure and scalable livestock health monitoring system, while addressing bottlenecks related to blockchain consensus performance under challenging network conditions. We propose DroneVet, a blockchain-based application that combines dronre-based data collection with machine learning analysis and a decentralized marketplace for mission coordination. This architecture ensures transparency, traceability, and improved decision-making among multiple stakeholders. In order to assess the performance of these systems, the thesis focuses on analyzing the delays of Byzantine fault tolerance (BFT) protocols based on directed acyclic graphs (DAGs), with a particular emphasis on Narwhal and Bullshark. We develop mathematical and probabilistic models of their consensus delays and validate these models through simulation. In addition, we study the impact of realistic agricultural constraints, such as network latency variability, packet loss, and UAV energy limitations, on the performance of these protocols within DroneVet. The results highlight the important role of delay-aware consensus analysis in ensuring fast, secure, and robust livestock health monitoring. By linking system design, theoretical modeling, and simulation under realistic conditions, this thesis provides both an innovative application architecture for Agriculture 5.0 and a rigorous delay analysis for next-generation blockchain-based monitoring systems.