Les réseaux mesh sans fil (Wireless Mesh Networks-WMNs) sont des réseaux facilement déployables et à faible coût qui peuvent étendre l’Internet dans des zones où les autres réseaux peuvent difficilement accéder. Cependant, plusieurs problèmes de qualité de service (QoS) et de sécurité freinent le déploiement à grande échelle des WMNs. Dans cette thèse, nous proposons un modèle de contrôle d’admission (CA) et un système de réputation afin d’améliorer les performances du réseau mesh et de le protéger des nœuds malveillants. Notre système de CA vise à assurer la QoS des flux admis dans le réseau en termes de bande passante et de délai tout en maximisant l’utilisation de la capacité du canal. L’idée de notre solution est d’associer au contrôle d’admission une planification de liens afin d’augmenter la bande passante disponible. Nous proposons également un système de réputation ayant pour but de détecter les nœuds malveillants et de limiter les fausses alertes induites par la perte de paquets sur les liens du réseau. L’idée de notre solution est d’utiliser des tests statistiques comparant la perte de paquets sur les liens avec un modèle de perte préétabli. De plus, il comprend un système de surveillance composé de plusieurs modules lui permettant détecter un grand nombre d’attaques. Notre CA et notre système de réputation ont été validés, les résultats montrent qu’ils atteignent tous deux leurs objectifs / Wireless mesh networks (WMNs) are a very attractive new field of research. They are low cost, easily deployed and high performance solution to last mile broadband Internet access. However, they have to deal with security and quality of service issues which prevent them from being largely deployed. In order to overcome these problems, we propose in this thesis two solutions: an admission control with links scheduling and a reputation system which detects bad nodes. These solutions have been devised in order to further merge into a secure admission control. Our admission control schedules dynamically the network’s links each time a new flow is accepted in the network. Its goal is to accept only flows which constraints in terms of delay and bandwidth can be respected, increase the network capacity and decrease the packet loss. Our reputation system aims at assigning each node of the network a reputation which value reflects the real behavior of the node. To reach this goal this reputation system is made of a monitoring tool which can watch many types of attacks and consider the packet loss of the network. The evaluations of our solutions show that they both meet their objectives in terms of quality of service and security

Ces travaux de thèse se focalisent sur la modélisation électrothermique des batteries Lithium-ion de grande puissance, appliquée pour les véhicules électriques et pour le stockage d’énergie intégré au réseau. Une approche plus particulière est donnée sur la modélisation thermique de la batterie et de ses connectiques dans le but d’anticiper les comportements thermiques sous des sollicitations dynamiques de courant. De nombreuses investigations ont été réalisées dans le but de déterminer les différents paramètres électriques et thermiques de l’accumulateur, nous avons également cherché à comparer plusieurs méthodes de caractérisation différentes.La première partie du manuscrit est consacrée à la caractérisation et à la modélisation électrique.La seconde partie présente la caractérisation thermique et le modèle thermique de la batterie. Nous proposons une approche couplée de différents modèles thermiques, dans le but de prédire les comportements thermiques au niveau de la surface et du cœur de la cellule, mais également au niveau des connectiques et des câbles.Enfin, la dernière partie présente la modélisation électrothermique d’un module assemblé de trois cellules en séries. Les résultats de simulations ont été validés sur des régimes à courant constant, ainsi que sur des régimes de courant dynamique.Le travail accompagne l’intégration des modèles thermiques dans une plateforme de simulation de systèmes énergétique et ouvre des pistes vers des outils d’aide à la conception de packs de batteries, sur l’aide au dimensionnement de systèmes de refroidissement et sur le développement d’outil de diagnostic thermique des batteries. / This thesis work focuses on the electrothermal modeling of high-power Lithium-ion batteries, applied for electric vehicles and the energy storage connected to the the grid. A particular approach is given on the thermal modeling of the battery and its connectors in order to anticipate the thermal behaviors under dynamic charge and discharge current, which is very useful for the thermal management systems of the batteries. Numerous investigations have been carried out in order to determine the different electrical and thermal parameters of the accumulator, we have also tried to compare several different methods.The first part of the manuscript is dedicated to characterization and electrical modeling.The second part presents the thermal characterization and the thermal model of the battery. We propose a coupled approach of different thermal models, with the aim of predicting the thermal behaviors at the level of the surface and the core of the cell, but also at the level of the connectors and the wire.Finally, the last part presents the electrothermal modeling of a small assembled module of three cells in series. The results of simulations have been validated on constant current regimes, as well as on dynamic current regimes.The work aims to integrate the thermal models in a simulation platform of energy systems and opens up paths towards tools to help in the design of battery packs, assistance with the dimensioning of cooling systems and the development of thermal diagnostic tool for batteries.

Dans un problème de prédiction à multiples pas discrets, la prédiction à chaque instant peut dépendre de l’entrée à n’importe quel moment dans un passé lointain. Modéliser une telle dépendance à long terme est un des problèmes fondamentaux en apprentissage automatique. En théorie, les Réseaux de Neurones Récurrents (RNN) peuvent modéliser toute dépendance à long terme. En pratique, puisque la magnitude des gradients peut croître ou décroître exponentiellement avec la durée de la séquence, les RNNs ne peuvent modéliser que les dépendances à court terme. Cette thèse explore ce problème dans les réseaux de neurones récurrents et propose de nouvelles solutions pour celui-ci. Le chapitre 3 explore l’idée d’utiliser une mémoire externe pour stocker les états cachés d’un réseau à Mémoire Long et Court Terme (LSTM). En rendant l’opération d’écriture et de lecture de la mémoire externe discrète, l’architecture proposée réduit le taux de décroissance des gradients dans un LSTM. Ces opérations discrètes permettent également au réseau de créer des connexions dynamiques sur de longs intervalles de temps. Le chapitre 4 tente de caractériser cette décroissance des gradients dans un réseau de neurones récurrent et propose une nouvelle architecture récurrente qui, grâce à sa conception, réduit ce problème. L’Unité Récurrente Non-saturante (NRUs) proposée n’a pas de fonction d’activation saturante et utilise la mise à jour additive de cellules au lieu de la mise à jour multiplicative. Le chapitre 5 discute des défis de l’utilisation de réseaux de neurones récurrents dans un contexte d’apprentissage continuel, où de nouvelles tâches apparaissent au fur et à mesure. Les dépendances dans l’apprentissage continuel ne sont pas seulement contenues dans une tâche, mais sont aussi présentes entre les tâches. Ce chapitre discute de deux problèmes fondamentaux dans l’apprentissage continuel: (i) l’oubli catastrophique d’anciennes tâches et (ii) la capacité de saturation du réseau. De plus, une solution est proposée pour régler ces deux problèmes lors de l’entraînement d’un réseau de neurones récurrent. / In a multi-step prediction problem, the prediction at each time step can depend on the input at any of the previous time steps far in the past. Modelling such long-term dependencies is one of the fundamental problems in machine learning. In theory, Recurrent Neural Networks (RNNs) can model any long-term dependency. In practice, they can only model short-term dependencies due to the problem of vanishing and exploding gradients. This thesis explores the problem of vanishing gradient in recurrent neural networks and proposes novel solutions for the same. Chapter 3 explores the idea of using external memory to store the hidden states of a Long Short Term Memory (LSTM) network. By making the read and write operations of the external memory discrete, the proposed architecture reduces the rate of gradients vanishing in an LSTM. These discrete operations also enable the network to create dynamic skip connections across time. Chapter 4 attempts to characterize all the sources of vanishing gradients in a recurrent neural network and proposes a new recurrent architecture which has significantly better gradient flow than state-of-the-art recurrent architectures. The proposed Non-saturating Recurrent Units (NRUs) have no saturating activation functions and use additive cell updates instead of multiplicative cell updates. Chapter 5 discusses the challenges of using recurrent neural networks in the context of lifelong learning. In the lifelong learning setting, the network is expected to learn a series of tasks over its lifetime. The dependencies in lifelong learning are not just within a task, but also across the tasks. This chapter discusses the two fundamental problems in lifelong learning: (i) catastrophic forgetting of old tasks, and (ii) network capacity saturation. Further, it proposes a solution to solve both these problems while training a recurrent neural network.