Topic description
La croissance rapide de l'Internet des objets (IoT) a mis en évidence les limites des architectures cloud traditionnelles en termes de latence, de bande passante et d'efficacité énergétique. Le Fog Computing apporte une réponse à ces problèmes en permettant un traitement distribué des données plus proche des dispositifs IoT. Cependant, l'optimisation du placement des services dans les environnements Fog demeure un défi en raison de la variabilité des ressources des nœuds Fog, des contraintes de latence et d'énergie, ainsi que de la mobilité des dispositifs IoT.
Cette thèse propose d'exploiter la softwarisation intelligente du réseau en s'appuyant sur le Machine Learning (ML), le Software-Defined Networking (SDN) et la Network Function Virtualization (NFV) afin d'améliorer la prise de décision dans des environnements dynamiques. Le ML permet de prédire les variations de charge et les défaillances, le SDN facilite une gestion centralisée des ressources, et le NFV offre un déploiement flexible des services.
Ce projet de thèse se concentre sur la modélisation des environnements IoT–Fog, la conception d'algorithmes d'optimisation multi-objectifs (latence, énergie, fiabilité), ainsi que sur le développement de stratégies adaptées à des applications IoT critiques telles que les villes intelligentes et la santé connectée. Les solutions proposées seront validées expérimentalement afin de garantir une amélioration de la qualité de service (QoS) et de l'efficacité énergétique dans des scénarios réels.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The rapid growth of the Internet of Things (IoT) has exposed the limitations of traditional cloud architectures in latency, bandwidth, and energy efficiency. Fog Computing addresses these issues by enabling distributed data processing closer to IoT devices. However, optimizing service placement in Fog environments remains a challenge due to the variability of Fog node resources, latency and energy constraints, and the mobility of IoT devices.
This thesis proposes leveraging intelligent softwarization—using Machine Learning (ML), Software-Defined Networking (SDN), and Network Function Virtualization (NFV)—to enhance decision-making in dynamic environments. ML predicts load variations and failures, SDN enables centralized resource management, and NFV supports flexible service deployment.This thesis project focuses on modeling IoT-Fog environments, designing multi-objective optimization algorithms (latency, energy, reliability), and developing strategies for critical IoT applications like smart cities and healthcare. The solutions will be experimentally validated to ensure improved QoS and energy efficiency in real-world scenarios.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Public funding alone (i.e. government, region, European, international organization research grant)
Funding further details
Concours pour un contrat doctoral
