{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2890"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2890","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Ordonnancement de données multiprotocoles des objets connectés dans la maison intelligente","abstract":"Au cours des dernières années, le nombre d’appareils et d’applications de l’Internet des objets (IdO) et leur volume de données génerées ont augmenté rapidement. Afin de répondre aux diverses exigences des utilisateurs en termes de transmission de données et de réduire des embouteillages dans le réseau domestique intelligent, des objets connectés intelligents multi-interfaces ont été déployés pour offrir la flexibilité d’accès à plusieurs réseaux d’accès hétérogènes. Dans ce mémoire, nous proposons un mécanisme pour affecter dynamiquement les flux de trafic de ces objets aux interfaces des passerelles d’IdO tout en satisfaisant leur qualité de service (QdS), et simultanément augmenter la quantité de données valides acceptées par les passerelles. De ce fait, nous formulons le problème d’assignation optimale des flux de données provenant des appareils IdO ayant plusieurs interfaces vers les passerelles IdO (OFAP-MIG) en tant qu’un modèle de programmation mixte non entière (PMNE). Ensuite, nous proposons une solution basée sur une approche d’apprentissage par renforcement profond (ARP) pour résoudre ce problème NP-difficile. Les agents déployés dans les passerelles IdO et le nuage informatique utilisent les réseaux de neurones profond (RNP) pour calculer une solution optimale basée sur un espace d’état, un espace d’action et une fonction de récompense. Les résultats de simulation montrent que notre solution proposée surpasse la solution centralisée, qui a été présentée dans des travaux antérieurs, en termes de la quantité totale de données transférées par les passerelles et du taux d’acceptation.","abstract_html":"Au cours des dernières années, le nombre d’appareils et d’applications de l’Internet des objets (IdO) et leur volume de données génerées ont augmenté rapidement. Afin de répondre aux diverses exigences des utilisateurs en termes de transmission de données et de réduire des embouteillages dans le réseau domestique intelligent, des objets connectés intelligents multi-interfaces ont été déployés pour offrir la flexibilité d’accès à plusieurs réseaux d’accès hétérogènes. Dans ce mémoire, nous proposons un mécanisme pour affecter dynamiquement les flux de trafic de ces objets aux interfaces des passerelles d’IdO tout en satisfaisant leur qualité de service (QdS), et simultanément augmenter la quantité de données valides acceptées par les passerelles. De ce fait, nous formulons le problème d’assignation optimale des flux de données provenant des appareils IdO ayant plusieurs interfaces vers les passerelles IdO (OFAP-MIG) en tant qu’un modèle de programmation mixte non entière (PMNE). Ensuite, nous proposons une solution basée sur une approche d’apprentissage par renforcement profond (ARP) pour résoudre ce problème NP-difficile. Les agents déployés dans les passerelles IdO et le nuage informatique utilisent les réseaux de neurones profond (RNP) pour calculer une solution optimale basée sur un espace d’état, un espace d’action et une fonction de récompense. Les résultats de simulation montrent que notre solution proposée surpasse la solution centralisée, qui a été présentée dans des travaux antérieurs, en termes de la quantité totale de données transférées par les passerelles et du taux d’acceptation.","abstract_has_math":false,"creators":["Amiriyan, Milad"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021-12-20","date_published":"2021-12-20","updated_at":"2026-11-18T22:09:14Z","subjects":["IdO, optimisation, ordonnancement de trafic, multi-interface hétérogène, apprentissage par renforcement profond, maison intelligente"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2890"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2890","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2890/1/AMIRIYAN_Milad.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2890","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Amiriyan, Milad"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021-12-20"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["IdO, optimisation, ordonnancement de trafic, multi-interface hétérogène, apprentissage par renforcement profond, maison intelligente"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2890","https://espace.etsmtl.ca/id/eprint/2890/1/AMIRIYAN_Milad.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Au cours des dernières années, le nombre d’appareils et d’applications de l’Internet des objets (IdO) et leur volume de données génerées ont augmenté rapidement. Afin de répondre aux diverses exigences des utilisateurs en termes de transmission de données et de réduire des embouteillages dans le réseau domestique intelligent, des objets connectés intelligents multi-interfaces ont été déployés pour offrir la flexibilité d’accès à plusieurs réseaux d’accès hétérogènes. Dans ce mémoire, nous proposons un mécanisme pour affecter dynamiquement les flux de trafic de ces objets aux interfaces des passerelles d’IdO tout en satisfaisant leur qualité de service (QdS), et simultanément augmenter la quantité de données valides acceptées par les passerelles. De ce fait, nous formulons le problème d’assignation optimale des flux de données provenant des appareils IdO ayant plusieurs interfaces vers les passerelles IdO (OFAP-MIG) en tant qu’un modèle de programmation mixte non entière (PMNE). Ensuite, nous proposons une solution basée sur une approche d’apprentissage par renforcement profond (ARP) pour résoudre ce problème NP-difficile. Les agents déployés dans les passerelles IdO et le nuage informatique utilisent les réseaux de neurones profond (RNP) pour calculer une solution optimale basée sur un espace d’état, un espace d’action et une fonction de récompense. Les résultats de simulation montrent que notre solution proposée surpasse la solution centralisée, qui a été présentée dans des travaux antérieurs, en termes de la quantité totale de données transférées par les passerelles et du taux d’acceptation."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Ordonnancement de données multiprotocoles des objets connectés dans la maison intelligente"]}]}],"canonical_facts":{"dc:creator":["Amiriyan, Milad"],"dc:date":["2021-12-20"],"dc:description":["Au cours des dernières années, le nombre d’appareils et d’applications de l’Internet des objets (IdO) et leur volume de données génerées ont augmenté rapidement. Afin de répondre aux diverses exigences des utilisateurs en termes de transmission de données et de réduire des embouteillages dans le réseau domestique intelligent, des objets connectés intelligents multi-interfaces ont été déployés pour offrir la flexibilité d’accès à plusieurs réseaux d’accès hétérogènes. Dans ce mémoire, nous proposons un mécanisme pour affecter dynamiquement les flux de trafic de ces objets aux interfaces des passerelles d’IdO tout en satisfaisant leur qualité de service (QdS), et simultanément augmenter la quantité de données valides acceptées par les passerelles. De ce fait, nous formulons le problème d’assignation optimale des flux de données provenant des appareils IdO ayant plusieurs interfaces vers les passerelles IdO (OFAP-MIG) en tant qu’un modèle de programmation mixte non entière (PMNE). Ensuite, nous proposons une solution basée sur une approche d’apprentissage par renforcement profond (ARP) pour résoudre ce problème NP-difficile. Les agents déployés dans les passerelles IdO et le nuage informatique utilisent les réseaux de neurones profond (RNP) pour calculer une solution optimale basée sur un espace d’état, un espace d’action et une fonction de récompense. Les résultats de simulation montrent que notre solution proposée surpasse la solution centralisée, qui a été présentée dans des travaux antérieurs, en termes de la quantité totale de données transférées par les passerelles et du taux d’acceptation."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2890","https://espace.etsmtl.ca/id/eprint/2890/1/AMIRIYAN_Milad.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["IdO, optimisation, ordonnancement de trafic, multi-interface hétérogène, apprentissage par renforcement profond, maison intelligente"],"dc:title":["Ordonnancement de données multiprotocoles des objets connectés dans la maison intelligente"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:09:14Z"}