dans le contexte de la tendance actuelle vers l'ubiquité des réseaux et la mobilité des services, nous observons que l'accès de réseau est fourni par une grande diversité de technologies d'accès, avec des recouvrements, ce qui compose un environnement de réseaux sans fil hétérogènes. dans cet environnement, les terminaux mobiles ont besoin de toujours sélectionner le meilleur réseau. dans cette thèse, nous faisons tout d'abord une étude de schémas existants de la sélection de réseau qui utilisent différents modèles mathématiques. ensuite, nous établissons un simulateur en matlab. dans notre première proposition, le problème en utilisant les facteurs de mobilité est étudie. nous expliquons que la sélection du meilleur réseau devient la sélection de la meilleure permutation des réseaux lorsque les propriétés de handover verticale sont prises en compte. a la fin, nous proposons un schéma pour trouver la meilleure permutation. deuxièmement, l'exigence d'une nouvelle méthode de pondération subjective est analysée. nous proposons un nouveau mécanisme automatique, fonde sur les déclencheurs, qui est capable de calculer efficacement les poids subjectifs des attributs divers, considérant les propriétés de réseau et terminal mobile. finalement, plusieurs autres problèmes de sélection de réseau sont analyses et les solutions possibles sont proposées. base sur tous les études dessus, nous proposons une stratégie intégrée.

Les travaux développés dans cette thèse ont pour cadre général la mise en œuvre d’approches adaptatives permettant de faire évoluer la gestion du réseau en migrant d’une vue "centrée réseau" où l’on se contentait uniquement des paramètres issus du réseau lui-même, vers une vue "centrée utilisateur". Plus particulièrement, ces travaux se sont focalisés sur un des composants principaux de l’ensemble de la chaîne de traitement et de transport, celui de la sélection de la meilleure interface réseau embarquée dans le terminal mobile, l’objectif étant de répondre au mieux aux contraintes imposées par l’environnement. Ces travaux reposent sur une approche décisionnelle dynamique tenant compte de changements dans les paramètres réseaux et des besoins et préférences des utilisateurs au regard des services qui leur sont proposés. En effet, dans l’environnement actuel, se caractérisant par une multiplicité de technologies, d’applications et d’utilisateurs, les terminaux mobiles sont équipés de plusieurs interfaces réseaux. Ces derniers donnent ainsi la possibilité aux utilisateurs de pouvoir basculer dynamiquement d’une interface à une autre dans l’objectif d’assurer une connexion satisfaisant le mieux possible leurs besoins en termes de services en tout lieu, à tout moment et de la meilleure manière possible (ABC, Always Best Connected). Les approches mises en œuvre dans le cadre de la thèse ont permis d’associer simultanément chaque flux d’application à l’interface la plus appropriée de manière à optimiser les performances globales du système. Ainsi, ces travaux ont mené à la proposition d’approches hybrides ayant pour cadre de départ la technique TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) et en y intégrant des modèles issus de la théorie des fonctions de croyance. Pour l’association flux/interface, une proposition basée sur des algorithmes bio-inspirés a été faite dans le cadre de ces travaux. Les résultats obtenus, à la fois par simulation et sur un cas d’usage réel en lien avec le domaine de la santé connectée, ont montré l’efficacité des approches proposées / The work developed in this dissertation has as a general framework the implementation of adaptive user-centric approaches for network interface selection (NIS) and flow/interface association (FIA) in Heterogeneous Wireless Networks (HWNs). The NIS mechanism relies on a dynamic decision approach that considers the change in networks’ parameters and users’ needs and preferences for their current applications. In a heterogeneous environment, the mobile terminals that are equipped with multiple network interfaces provide the possibility for mobile end-users to switch among available network interfaces and select the one that best fulfills their needs anywhere at any time which is known as Always Best Connected (ABC). The approaches proposed in this thesis allowed to associate simultaneously each application flow to its suitable interface in a way that best maximizes the global system performance. This work has led to the proposal of hybrid approaches originating from TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) and integrating models from the belief functions theory for the NIS. Concerning the FIA, a proposal based on bio-inspired algorithms was made as part of this work. Experimental results based on synthetic datasets and an experimental test bed for health monitoring showed the effectiveness of the proposed approaches

Pour faire face à la croissance rapide du trafic mobile, différentes technologies d'accès radio (par exemple, HSPA, LTE, WiFi, et WiMAX) sont intégrées et gérées conjointement. Dans ce contexte, la sélection de TAR est une fonction clé pour améliorer les performances du réseau et l'expérience de l'utilisateur. Elle consiste à décider quelle TAR est la plus appropriée aux mobiles. Quand l'intelligence est poussée à la périphérie du réseau, les mobiles décident de manière autonome de leur meilleur TAR. Ils cherchent à maximiser égoïstement leur utilité. Toutefois, puisque les mobiles ne disposent d'aucune information sur les conditions de charge du réseau, leurs décisions peuvent conduire à une inefficacité de la performance. En outre, déléguer les décisions au réseau optimise la performance globale, mais au prix d'une augmentation de la complexité du réseau, des charges de signalisation et de traitement. Dans cette thèse, au lieu de favoriser une de ces deux approches décisionnelles, nous proposons un cadre de décision hybride: le réseau fournit des informations pour les mobiles pour mieux décider de leur TAR. Plus précisément, les utilisateurs mobiles choisissent leur TAR en fonction de leurs besoins et préférences individuelles, ainsi que des paramètres de coût monétaire et de QoS signalés par le réseau. En ajustant convenablement les informations du réseau, les décisions des utilisateurs répondent globalement aux objectifs de l'opérateur. Nous introduisons d'abord notre cadre de décision hybride. Afin de maximiser l'expérience de l'utilisateur, nous présentons une méthode de décision multicritère (MDMC) basée sur la satisfaction. Outre leurs conditions radio, les utilisateurs mobiles tiennent compte des paramètres de coût et de QoS, signalées par le réseau, pour évaluer les TAR disponibles. En comparaison avec les solutions existantes, notre algorithme répond aux besoins de l'utilisateur (par exemple, les demandes en débit, la tolérance de coût, la classe de trafic), et évite les décisions inadéquates. Une attention particulière est ensuite portée au réseau pour s'assurer qu'il diffuse des informations décisionnelles appropriées, afin de mieux exploiter ses ressources radio alors que les mobiles maximisent leur propre utilité. Nous présentons deux méthodes heuristiques pour dériver dynamiquement quoi signaler aux mobiles. Puisque les paramètres de QoS sont modulées en fonction des conditions de charge, l'exploitation des ressources radio s'est avérée efficace. Aussi, nous nous concentrons sur l'optimisation de l'information du réseau. La dérivation des paramètres de QoS est formulée comme un processus de décision semi-markovien, et les stratégies optimales sont calculées en utilisant l'algorithme de Policy Iteration. En outre, et puisque les paramètres du réseau ne peuvent pas être facilement obtenues, une approche par apprentissage par renforcement est introduite pour dériver quoi signaler aux mobiles. / To cope with the rapid growth of mobile broadband traffic, various radio access technologies (e.g., HSPA, LTE, WiFi, and WiMAX) are being integrated and jointly managed. Radio Access Technology (RAT) selection, devoted to decide to what RAT mobiles should connect, is a key functionality to improve network performance and user experience. When intelligence is pushed to the network edge, mobiles make autonomous decisions regarding selection of their most appropriate RAT. They aim to selfishly maximize their utility. However, because mobiles have no information on network load conditions, their decisions may lead to performance inefficiency. Moreover, delegating decisions to the network optimizes overall performance, but at the cost of increased network complexity, signaling, and processing load. In this thesis, instead of favoring either of these decision-making approaches, we propose a hybrid decision framework: the network provides information for the mobiles to make robust RAT selections. More precisely, mobile users select their RAT depending on their individual needs and preferences, as well as on the monetary cost and QoS parameters signaled by the network. By appropriately tuning network information, user decisions are globally expected to meet operator objectives, avoiding undesirable network states. We first introduce our hybrid decision framework. Decision makings, on the network and user sides, are investigated. To maximize user experience, we present a satisfaction-based Multi-Criteria Decision-Making (MCDM) method. In addition to their radio conditions, mobile users consider the cost and QoS parameters, signaled by the network, to evaluate serving RATs. In comparison with existing MCDM solutions, our algorithm meets user needs (e.g., traffic class, throughput demand, cost tolerance), avoiding inadequate decisions. A particular attention is then addressed to the network to make sure it broadcasts suitable decisional information, so as to better exploit its radio resources while mobiles maximize their own utility. We present two heuristic methods to dynamically derive what to signal to mobiles. While QoS parameters are modulated as a function of the load conditions, radio resources are shown to be efficiently exploited. Moreover, we focus on optimizing network information. Deriving QoS parameters is formulated as a semi-Markov decision process, and optimal policies are computed using the Policy Iteration algorithm. Also, and since network parameters may not be easily obtained, a reinforcement learning approach is introduced to derive what to signal to mobiles. The performances of optimal, learning-based, and heuristic policies are analyzed. When thresholds are pertinently set, our heuristic method provides performance very close to the optimal solution. Moreover, although lower performances are observed, our learning-based algorithm has the crucial advantage of requiring no prior parameterization.