Back to search

École de technologie supérieure

Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau

Abstract

dc:description

Un des aspects désirés d’une architecture de systèmes conteneurisés auto-adaptative est la nécessité de pouvoir surveiller en permanence l’environnement opérationnel, de détecter et d’observer les anomalies, et de fournir une politique raisonnable de mise à l’échelle, de récupération et de configuration automatique des ressources de traitement afin de répondre dynamiquement à un changement brutal de son environnement opérationnel. Le comportement d’une architecture de microservices évolue constamment dans le temps, ce qui rend difficile l’utilisation d’un modèle statique pour planifier l’action d’exécution appropriée en cas de détection d’une anomalie. Pour obtenir les excellents niveaux d’auto-adaptabilité voulus, cette recherche permet de réaliser un modèle d’architecture de microservices suivant le modèle MAPE-K. Notre solution propose une combinaison de l’apprentissage Q, de la logique floue et des réseaux de neurones pour sélectionner dynamiquement l’action d’adaptation qui apporte la plus grande récompense. La présence d’apprentissage Q flou (FQL) permet d’apprendre et de modifier les règles d’adaptation floues au moment de l’exécution sans nécessité de connaissances préalables. L’implémentation de Réseau Q profond flou (FDQN) dans le contexte du processus d’adaptation améliore l’efficacité de l’adaptation et réduit les risques associés à l’adaptation, notamment la fluctuation des ressources. L’expérimentation démontre la faisabilité et l’utilité de nos approches. De plus, les résultats montrent que les performances de FDQN sont meilleures que celles de FQL.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2021

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Kanzali, Imen

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE2949

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Kanzali, Imen. Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau. masters thesis, École de technologie supérieure, 2021.