| Titre : | Machine Learning Based Routing for the Internet of Things |
| Auteurs : | Larouci Nour Elhouda, Auteur ; Abdelhamid Djeffal, 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, 2025 |
| Format : | 1 vol. (94 p.) / ill., couv. ill. en coul / 30 cm |
| Langues: | Français |
| Langues originales: | Anglais |
| Résumé : |
As the Internet of Things (IoT) continues to evolve and expand globally,it presents growing challenges for achieving efficient, scalable, and reliabledata communication, particularly in mobile and resource-constrained environments.Mobile Ad hoc Network (MANET) routing protocols, commonlyused in such settings, often rely on localinformation exchange and are notoptimised for the dynamic and context-aware nature of smart city networks.In this thesis, we are interested in enhancing routing efficiency in mobileIoT networks by incorporating learning-based decision models tailored tosmart city environments, where mobility patterns can be leveraged to improverouting outcomes.To this end, two model-based routing contributions have been proposed.The first introduces a Machine Learning-Based Routing Protocol (MLBRP)that uses historical routing information to train predictive models. DecisionTrees (DT), Support Vector Machines (SVM), and Artificial Neural Networks(ANN) are employed to guide packet forwarding decisions. Simulation resultsshow that MLBRP can reduce control message overhead by up to 73%, whileenhancing energy efficiency, load balancing, and packet delivery performance.The second contribution refines this approach by improving routing accuracythrough deep learning. A Convolutional Neural Network (CNN)-basedframework is proposed, enabling forwarding decisions based solely on localcontextual and geographic information. By exploiting the regular mobilitypatterns observed in smart city scenarios, this model enhances path optimality,reduces end-to-end delay, and extends network lifetime.Overall, the results demonstrate that machine learning, and particularlydeep learning, offers strong potential for improving theintelligence,adaptability,and efficiency of routing in next-generation mobile IoT networks. |
| Sommaire : |
List of Figures v List of Tables vii List of Abbreviations viii List of Publications x General introduction 1 1 Context . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4 Dissertation plan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1 Internet of Things 7 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Building blocks and enabler technologies . . . . . . . . . . . . . . . . . . . . 8 1.3.1 IoT device (The Thing concept) . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.3 Sensing and monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.4 Communication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.5 Computation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.6 Services . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.7 Semantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.4 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Perception layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2 Network layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.3 Application layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.5 Applications and use cases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.5.1 Smart homes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 Healthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 Transportation and logistics . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.4 Smart cities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6 Routing in the Internet of Things . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.1 Overview of the routing problem . . . . . . . . . . . . . . . . . . . . 20 1.6.2 Routing in IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.6.3 Routing protocols classification . . . . . . . . . . . . . . . . . . . . . 23 1.6.4 Routing metrics that influence the choice of the routing protocol . . . 27 1.6.5 Performance measures . . . . . . . . . . . . . . . . . . . . . . . . . . 27 1.6.6 Routing challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2 Machine Learning and Deep Learning 32 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.2.1 The idea behind machine learning: History . . . . . . . . . . . . . . . 32 2.2.2 Definition and scope . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.2.3 Learning paradigms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.2.4 Supervised ML workflow . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.2.5 Supervised learning algorithms . . . . . . . . . . . . . . . . . . . . . 44 2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 2.3.1 Introduction to deep learning . . . . . . . . . . . . . . . . . . . . . . 52 2.3.2 Advantages and breakthroughs of DL . . . . . . . . . . . . . . . . . . 54 2.3.3 Convolutional neural network . . . . . . . . . . . . . . . . . . . . . . 55 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3 Related Works 58 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.2 ML-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.2.1 RL-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.2.2 Supervised learning-based routing . . . . . . . . . . . . . . . . . . . . 60 3.3 DL-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3.3.1 RNN-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3.3.2 CNN-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.3.3 GNN-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.3.4 DNN-based routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.3.5 Hybrid approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.3.6 Research Gap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 4 Machine learning based routing protocol (MLBRP) for Mobile IoT networks 67 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.2 Problem definition and design objectives . . . . . . . . . . . . . . . . . . . . 67 4.3 Proposed ML-Based Routing Protocol (MLBRP) . . . . . . . . . . . . . . . 69 4.3.1 System overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4.3.2 Execution modes of the proposed framework . . . . . . . . . . . . . . 74 4.4 Simulation framework and experimental methodology . . . . . . . . . . . . . 82 4.4.1 Simulation environment . . . . . . . . . . . . . . . . . . . . . . . . . 83 4.4.2 Reference routing protocol for decision logging . . . . . . . . . . . . . 84 4.4.3 Simulation context and mobility model . . . . . . . . . . . . . . . . . 86 4.4.4 Collected dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 4.5 Model construction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.5.1 Tested machine learning methods . . . . . . . . . . . . . . . . . . . . 89 4.5.2 Validation and evaluation metrics . . . . . . . . . . . . . . . . . . . . 90 4.6 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4.6.1 Analysis of models’ performance . . . . . . . . . . . . . . . . . . . . . 93 4.6.2 Protocols performance comparison . . . . . . . . . . . . . . . . . . . 95 4.6.3 Key performance insights . . . . . . . . . . . . . . . . . . . . . . . . . 97 4.6.4 Validity and real-world applicability of MLBRP . . . . . . . . . . . . 100 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 5 Intelligent Packet Routing in IoT Networks Using a CNN-Based Deep Learning Approach 102 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.2 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 5.3 Proposed System for Intelligent Routing . . . . . . . . . . . . . . . . . . . . 104 5.3.1 Data collection and preprocessing . . . . . . . . . . . . . . . . . . . . 105 5.3.2 DL model training . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.3.3 Intelligent routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 5.4 Performance evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 5.4.1 Training the CNN model . . . . . . . . . . . . . . . . . . . . . . . . . 109 5.4.2 Model evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.4.3 Method evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 5.4.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 5.4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 General conclusion 119 1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 2 Perspectives and future work . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 Bibliography |
| Type de document : | Thése doctorat |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/206 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
