| Titre : | Un middleware pour la gestion de la sensibilité au contexte dans les systèmes de l’Internet des Objets |
| Auteurs : | Ismail M. Kertiou, Auteur ; Saber Benharzalah, Directeur de thèse |
| Type de document : | Thése doctorat |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (107 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Internet des objets, Middleware, Recherche de capteur, Sensibilité au contexte, Skyline dynamique, Prise de décision multi-critères. |
| Résumé : |
L’intégration du paradigme de l’Internet des objets (IdO) dans les services Web et le cloud computing nous permet de gérer des milliers de capteurs conjointement avec leurs données. À cet égard, le modèle "détection en tant que service" (Sensing as a Service) a récemment émergé. Les données générées par ces capteurs peuvent être réutilisées par différents utilisateurs et applications à l’aide des solutions middleware IdO. En fait, l’énorme nombre de capteurs disponibles dans l’environnement IdO, les ressources limitées et le facteur coût rendent impossible de collecter les données de tous les capteurs disponibles. Dans cette situation, le défi crucial est de savoir comment rechercher et sélectionner efficacement les meilleurs capteurs en fonction des besoins des utilisateurs dans un délai raisonnable. Notre objectif est de proposer une méthode efficace et sensible au contexte, pour rechercher et sélectionner les meilleurs capteurs afin d’aider les utilisateurs à acquérir les informations souhaitées. Dans ce travail, nous proposons une méthode sensible au contexte adaptable aux différents middlewares IdO. La méthode proposée permet de réduire considérablement le temps de recherche et de sélection de capteurs. Nous exploitons la puissance de l’opérateur Skyline dynamique dans le domaine de la prise de décision multicritères, pour réduire l’espace de recherche. Le but est d’améliorer l’efficacité de la sensibilité au contexte et de sélectionner les meilleurs capteurs selon les besoins des utilisateurs. L’architecture adoptée dans cette proposition est composée de plusieurs passerelles réparties dans le réseau et connectées à un serveur. Les capteurs sont connectés aux passerelles gérantchacune son propre réseau local. Les passerelles doivent également répondre localement aux requêtes des utilisateurs. Par la suite, le serveur regroupera les résultats de toutes les passerelles et donnera la réponse finale. De plus, notre système permet de classer les capteurs sélectionnés par l’opérateur Skyline dynamique en fonction des exigences et des poids imposés par l’utilisateur. Pour classer les différents capteurs Skyline sélectionnés, nous utilisons la distance euclidienne. L’expérimentation montre l’efficacité de notre méthode par rapport à celles existantes. |
| Sommaire : |
Dédicaces i Remerciements ii Résumé iii Table des matières vi Liste des figures x Liste des tableaux xii Liste des algorithmes xiii Introduction générale 1 1 Internet des objets (IdO) 7 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.1 De l’internet classique vers l’IdO . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Définitions et caractéristiques de l’IdO . . . . . . . . . . . . . . . . . . . 9 1.2.1 Définitions de l’IdO . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2.2 Caractéristiques de l’IdO . . . . . . . . . . . . . . . . . . . . . . . 10 1.3 Architecture de l’IdO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.1 Couche perception . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.2 Couche réseaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.3.3 Couche middleware . . . . . . . . . . . . . . . . . . . . . . . . . . 15 viTable des matières Table des matières 1.3.4 Couche application . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4 Domaines d’application de l’IdO . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Challenges imposés par l’IdO . . . . . . . . . . . . . . . . . . . . . . . . 19 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2 Sensibilité au contexte et Aide à la décision multicritère 25 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.1 Notion de contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.1.1 Définition du contexte . . . . . . . . . . . . . . . . . . . . . . . . 26 2.1.2 Définition de la qualité du contexte . . . . . . . . . . . . . . . . . 27 2.1.3 Caractéristiques de l’information de contexte . . . . . . . . . . . . 27 2.1.4 Catégorisation du contexte . . . . . . . . . . . . . . . . . . . . . . 28 2.2 Sensibilité au contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.3 Architecture générale d’une application sensible au contexte . . . . . . . 30 2.3.1 Capture de contexte . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.3.2 Interprétation de contexte . . . . . . . . . . . . . . . . . . . . . . 32 2.3.3 Gestion de contexte . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.3.4 Adaptation au contexte . . . . . . . . . . . . . . . . . . . . . . . . 33 2.4 Middlewares sensibles aux contextes pour l’IdO . . . . . . . . . . . . . . 34 2.4.1 Exigences de middleware pour l’IdO . . . . . . . . . . . . . . . . . 35 2.4.2 Middlewares sensibles aux contextes . . . . . . . . . . . . . . . . . 37 2.5 Aide à la décision multicritère . . . . . . . . . . . . . . . . . . . . . . . . 42 2.5.1 Définition de l’aide à la décision . . . . . . . . . . . . . . . . . . . 42 2.5.2 Problématique de la décision . . . . . . . . . . . . . . . . . . . . . 42 2.5.3 Définition de l’aide à la décision multicritère . . . . . . . . . . . . 43 2.5.4 Méthodes d’optimisation multicritère . . . . . . . . . . . . . . . . 44 2.6 Problématique de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3 Travaux connexes 49 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.1 Métriques d’évaluation des méthodes de recherche . . . . . . . . . . . . . 50 3.2 Recherche basée sur le contenu . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.1 Méthode de Elahi . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 viiTable des matières Table des matières 3.2.2 Méthode Dyser . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.3 Méthode de Truong . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.3 Premières méthodes basées sur le contexte . . . . . . . . . . . . . . . . . 53 3.3.1 Méthode GSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3.2 Méthode Snoogle . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.3 Méthode Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.3.4 Méthode de Ramachandran . . . . . . . . . . . . . . . . . . . . . 57 3.4 Méthodes récentes de recherche basées sur le contexte . . . . . . . . . . . 59 3.4.1 Méthode CASSARAM . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4.2 Méthode Antclust . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 3.4.3 Méthode de Nunes . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3.4.4 E-S algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.4.5 Méthode de Hsu . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.5 Synthèse des travaux existants . . . . . . . . . . . . . . . . . . . . . . . . 68 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4 Méthode proposée pour sélectionner les meilleurs capteurs 72 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4.1 Motivation et modélisation de l’architecture . . . . . . . . . . . . . . . . 73 4.1.1 Architecture de découverte des capteurs . . . . . . . . . . . . . . 73 4.1.2 Description et modélisation du système . . . . . . . . . . . . . . . 75 4.1.3 Ontologie de réseau de capteurs sémantique . . . . . . . . . . . . 77 4.2 Méthode proposée pour sélectionner les meilleurs capteurs . . . . . . . . 78 4.2.1 Skyline et Skyline dynamique . . . . . . . . . . . . . . . . . . . . 79 4.2.2 Recherche et sélection des meilleurs capteurs . . . . . . . . . . . . 81 4.2.3 Exemple d’illustration . . . . . . . . . . . . . . . . . . . . . . . . 85 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5 Expérimentations et analyses 89 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.2 Collecte de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.3 Analyse de performance . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.4 Comparaison et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 viiiTable des matières Table des matières 5.4.1 Comparaison avec CASSARAM et AntClust . . . . . . . . . . . . 95 5.4.2 Comparaison avec E-S algorithme . . . . . . . . . . . . . . . . . . 96 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 Conclusion et perspectives 99 Bibliographie 10 |
| En ligne : | http://thesis.univ-biskra.dz/5502/1/These%20Doctorat%20Ismail%20Kertiou.pdf |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/161 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
