Assas Recherche | Apprentissage profond pour le trafic réseau : classification, génération et compression

Apprentissage profond pour le trafic réseau : classification, génération et compression (Document en Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

https://theses.hal.science/tel-04515716

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Version :

Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).

Informations sur les contributeurs

Auteur : Meslet-Millet Fabien

Meslet-Millet, Fabien

Nom

Meslet-Millet

Prénom

Fabien

Nationalité

Français

Date de soutenance : 10-11-2023

Directeur(s) de thèse : Chaput Emmanuel

Chaput, Emmanuel

Nom

Chaput

Prénom

Emmanuel

- Mouysset Sandrine

Mouysset, Sandrine

Nom

Mouysset

Prénom

Sandrine

Etablissement de soutenance : Toulouse, INPT

Toulouse, INPT

Nom

Toulouse, INPT

Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)

Institut de Recherche en Informatique de Toulouse (1995-....)

Nom

Institut de Recherche en Informatique de Toulouse (1995-....)

Ecole doctorale : École doctorale Mathématiques, informatique et télécommunications (Toulouse)

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Nom

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Informations générales

Discipline : Informatique et Télécommunication
Classification : Informatique

Mots-clés libres : Apprentissage profond, Internet des Objets, Trafic réseau, Classification, Génération, Compression
Mots-clés :

Villes intelligentes
Internet des objets

Résumé : La thèse proposée se concentre sur l'application de l'apprentissage profond aux infrastructures réseaux des villes intelligentes. Avec l'évolution constante de l'Internet des Objets (IoT), les villes intelligentes ont émergé comme un domaine de recherche important. Les réseaux IoT sont au coeur de ces villes intelligentes, fournissant un moyen de collecter des données à partir d'un grand nombre de capteurs répartis dans la ville. Cependant, les infrastructures de réseau actuelles ne sont pas adaptées à la quantité et à la variété des données générées par l'IoT, ce qui rend l'analyse de ces données difficile. Dans cette thèse, nous explorons trois axes d'amélioration pour les infrastructures réseaux des villes intelligentes~:~la classification de trafic réseau chiffré, la génération de trafic réseau et la compression d'en-têtes de paquet réseau IoT. Dans le premier axe, nous proposons une nouvelle architecture d'apprentissage profond, nommée Servername Protocol Packet Network (SPPNet), pour la classification de trafic réseau chiffré. Les données de trafic réseau chiffré sont aujourd'hui massivement utilisées dans les communications au sein des réseaux. La classification de ces données peut améliorer grandement la qualité de service et donc le fonctionnement des réseaux. Après avoir montré les limites des approches actuelles, nous proposons une preuve de concept et nous étudions ses avantages et les limites de cette architecture face au trafic chiffré. Dans le deuxième axe, nous proposons une architecture d'apprentissage profond, nommée Network Clustering Sequential Traffic Generation (NeCSTGen), pour la génération de trafics réseaux. La génération de trafics est importante pour le dimensionnement des infrastructures réseaux des villes intelligentes. NeCSTGen peut générer du trafic réseau de manière cohérente et réaliste. De plus, contrairement aux approches actuelles, NeCSTGen est adaptatif et peut fonctionner sur tous les types de protocoles. Dans le troisième axe, nous proposons une architecture d'apprentissage profond, nommée Deep Compression Header (DCH), pour la compression d'en-têtes de paquets réseau IoT. Les en-têtes des paquets réseau IoT sont souvent volumineux par rapport aux données véhiculées. Cette limite entraîne une perte de la bande passante et une augmentation de la consommation de la batterie. De plus, la variété des protocoles actuels rend l'adaptation des techniques de compression complexe. Pour remédier à ces limites, nous proposons DCH une approche par apprentissage profond permettant la compression universelle d'en-têtes de paquets réseau IoT. DCH a été implémentée sur des équipements IoT pour permettre une compression directement sur ceux-ci. Les approches proposées ont été évaluées expérimentalement, montrant des performances supérieures à celles des approches actuelles. Ces résultats sont prometteurs pour l'application de l'apprentissage profond aux infrastructures réseaux des villes intelligentes.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2023INPT0078
Type de ressource : Thèse