{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2949"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2949","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Kanzali, Imen"],"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":"2021-08-11","date_published":"2021-08-11","updated_at":"2026-11-18T22:09:14Z","subjects":["systèmes auto-adaptatifs, conteneurs, microservice, apprentissage par renforcement, la logique floue, réseaux de neurones, MAPE-K"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2949"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2949","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/2949/1/KANZALI_Imen.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%3A2949","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Kanzali, Imen"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021-08-11"]},{"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":["systèmes auto-adaptatifs, conteneurs, microservice, apprentissage par renforcement, la logique floue, réseaux de neurones, MAPE-K"]}]},{"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-HERE2949","https://espace.etsmtl.ca/id/eprint/2949/1/KANZALI_Imen.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau"]}]}],"canonical_facts":{"dc:creator":["Kanzali, Imen"],"dc:date":["2021-08-11"],"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."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2949","https://espace.etsmtl.ca/id/eprint/2949/1/KANZALI_Imen.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["systèmes auto-adaptatifs, conteneurs, microservice, apprentissage par renforcement, la logique floue, réseaux de neurones, MAPE-K"],"dc:title":["Apprentissage par renforcement flou pour l’auto-adaptation des systèmes conteneurisés en périphérie de réseau"],"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"}