Academic literature on the topic 'Ressource prediction'

L'informatique en périphérie est un paradigme émergent au sein de l'Internet des Objets (IoT) et complémentaire à l'informatique en nuage. Ce paradigme propose l'implémentation de serveurs de calcul situés à proximité des utilisateurs, réduisant ainsi la pression et les coûts de l'infrastructure réseau locale. La proximité avec les utilisateurs suscite de nouveaux cas d'utilisation, tels que le déploiement de serveurs mobiles embarqués sur des drones ou des robots, offrant une alternative moins coûteuse, plus éco-énergétique et flexible par rapport aux infrastructures fixes lors d'événements ponctuels ou exceptionnels. Cependant, cette approche soulève également de nouveaux enjeux pour le déploiement et l'allocation de ressources en temps et en espace, souvent dépendants de la batterie.Dans le cadre de cette thèse, nous proposons des outils et des algorithmes de prédiction pour la prise de décision concernant l'allocation de ressources fixes et mobiles, à la fois en termes de temps et d'espace, au sein d'environnements dynamiques. Nous mettons à disposition des jeux de données riches et reproductibles qui reflètent l'hétérogénéité inhérente aux applications de l'Internet des Objets (IoT), tout en présentant un taux de contention et d'interférence élevé. Pour cela, nous utilisons le FIT-IoT Lab, un banc d'essai ouvert dédié à l'IoT, et nous mettons l'ensemble du code à disposition de manière ouverte. De plus, nous avons développé un outil permettant de générer de manière automatisée et reproductible des traces de l'IoT. Nous exploitons ces jeux de données pour entraîner des algorithmes d'apprentissage automatique basés sur des techniques de régression afin de les évaluer dans leur capacité à prédire le débit des applications de l'IoT. Dans une démarche similaire, nous avons également entraîné et analysé un réseau neuronal de type transformateur temporel pour prédire plusieurs métriques de la Qualité de Service (QoS). Afin de tenir compte de la mobilité des ressources, nous générons des traces de l'IoT intégrant des points d'accès mobiles embarqués sur des robots TurtleBot. Ces traces, qui intègrent la mobilité, sont utilisées pour valider et tester un framework d'apprentissage fédéré reposant sur des transformateurs temporels parcimonieux. Enfin, nous proposons un algorithme décentralisé de prédiction de la densité de la population humaine par régions, basé sur l'utilisation d'un filtre à particules. Nous testons et validons cet algorithme à l'aide du simulateur Webots dans un contexte de serveurs embarqués sur des robots, et du simulateur ns-3 pour la partie réseaux<br>Multi-access Edge computing is an emerging paradigm within the Internet of Things (IoT) that complements Cloud computing. This paradigm proposes the implementation of computing servers located close to users, reducing the pressure and costs of local network infrastructure. This proximity to users is giving rise to new use cases, such as the deployment of mobile servers mounted on drones or robots, offering a cheaper, more energy-efficient and flexible alternative to fixed infrastructures for one-off or exceptional events. However, this approach also raises new challenges for the deployment and allocation of resources in terms of time and space, which are often battery-dependent.In this thesis, we propose predictive tools and algorithms for making decisions about the allocation of fixed and mobile resources, in terms of both time and space, within dynamic environments. We provide rich and reproducible datasets that reflect the heterogeneity inherent in Internet of Things (IoT) applications, while exhibiting a high rate of contention and interference. To achieve this, we are using the FIT-IoT Lab, an open testbed dedicated to the IoT, and we are making all the code available in an open manner. In addition, we have developed a tool for generating IoT traces in an automated and reproducible way. We use these datasets to train machine learning algorithms based on regression techniques to evaluate their ability to predict the throughput of IoT applications. In a similar approach, we have also trained and analysed a neural network of the temporal transformer type to predict several Quality of Service (QoS) metrics. In order to take into account the mobility of resources, we are generating IoT traces integrating mobile access points embedded in TurtleBot robots. These traces, which incorporate mobility, are used to validate and test a federated learning framework based on parsimonious temporal transformers. Finally, we propose a decentralised algorithm for predicting human population density by region, based on the use of a particle filter. We test and validate this algorithm using the Webots simulator in the context of servers embedded in robots, and the ns-3 simulator for the network part

La gestion des blocs opératoires est actuellement l'objet de multiples questionnements, aussi bien sur le court terme que sur le long terme. Elle se heurte en effets aux problèmes aigus d'emploi des ressources aussi bien humaines que matérielles, qui sont aujourd'hui toutes deux disponibles en capacité finie. Dans l'investigation de cette problématique, nos travaux de recherche ont été effectués selon trois axes principaux. En premier lieu, dans une perspective initiale descriptive, nous avons analysé les différentes activités, ressources et flux du processus opératoire. Cette analyse nous a permis d'identifier les forces et faiblesses d'un existant et de modéliser ses différentes entités de gestion. Ensuite, nous avons proposé les différentes étapes d'une organisation de gestion d'un processus opératoire. Nous nous sommes limités dans notre étude aux périodes pré- (avant l'intervention) et per-opératoire (pendant l'intervention). Enfin, nous avons proposé des outils de résolution et expérimenté la capacité de ceux-ci à répondre aux différents problèmes de gestion. Quatre problèmes de gestion ont été identifiés : la programmation des interventions, la définition des plages horaires d'ouverture des salles d'opérations, la planification du bloc opératoire et enfin l'ordonnancement des salles d'opérations. Nous avons conçu une extension de la méthode Hongroise pour la résolution des problèmes de programmation et de planification opératoire. La définition des plages horaires d'ouverture des salles d'opérations a été définie comme un problème linéaire. L'ordonnancement des salles d'opérations a été identifié comme un problème de type Flow-Shop Hybride à trois étages sans temps d'attente avec contraintes de précédences. Il a été résolu à l'aide des règles connues d'ordonnancement et d'affectation.<br />Ces travaux nous ont permis de démontrer que des méthodes d'analyse et outils de résolution issus du manufacturier peuvent être appliqués au domaine hospitalier.

L'objectif de cette thèse est de développer les méthodes nécessaires à une gestion ciblée et efficace de la mobilité des utilisateurs dans un réseau mobile hétérogène. Ces réseaux sont caractérisés par le déploiement de différents types de cellules (macro, micro, pico et/ou femto). Le déploiement massif des petites cellules (pico et femto) a permis d'offrir une capacité et une qualité de couverture accrue au réseau, notamment dans les zones à forte densité. Cependant, les contraintes temps réel engendrées limitent la QoS offerte aux utilisateurs. De plus, pour des raisons commerciales et/ou environnementales, la nécessité de réduire la consommation énergétique des réseaux mobiles est devenue une réalité. Ainsi, les opérateurs mobiles doivent trouver le bon compromis entre d'une part, la garantie de la QoS offerte aux utilisateurs et la vitesse de mobilité de ces derniers, et d'une autre part, le coût énergétique engendré pour le déploiement du réseau. Pour cela, dans le cadre de la gestion de la mobilité des utilisateurs, nous proposons des modèles pour la gestion des ressources des stations de base ainsi que pour la gestion de leur consommation énergétique. Le premier modèle proposé vise à gérer le partage des ressources entre les clients de l'opérateur mobile. Basé sur la prédiction de la mobilité des utilisateurs, ce modèle permet d'anticiper la gestion des ressources d'une station de base. Le deuxième modèle gère la consommation énergétique du réseau en se basant sur un contrôle d'affectation des utilisateurs mobiles. Cela permet de contrôler en continu la consommation énergétique des stations de base et la QoS qu'elles offrent aux utilisateurs mobiles. Par simulation, en utilisant une topologie réelle d'un réseau mobile, les performances des méthodes proposées sont évaluées en considérant différents scénarios possibles. Leurs performances sont comparées à celles de l'approche adoptée par des opérateurs mobiles actuels, ainsi qu'à celles de certaines approches proposées dans la littérature<br>The objective of this thesis is to develop methods for a targeted and efficient management of users mobility in heterogeneous mobile networks. This network is characterized by the deployment of different types of cells (macro, micro, pico and/or femto). The massive deployment of small cells (pico and femto) provides a supplementary coverage and capacity to mobile networks, specially in dense areas. However, the resulting real-time constraints limit the offered QoS. Furthermore, for commercial and/or environmental reasons, the needs to reduce the energy consumed by mobile networks became reality. Thus, mobile operators have to find a good compromise between, on the one hand, the users velocity and the guaranteed QoS, and on the other hand, the cost of deployment of such networks. For that, in the context of users mobility management, we propose models for resource and energy consumption management of base stations. The first model aims at controlling resource sharing between clients of the mobile operators. Based on a mobility prediction of users, this model anticipates the resource management of a base station. The second model aims at reducing energy consumption of the network by managing mobile users assignment to detected cells. This allows a continuous control of consumed energy of base stations while offered QoS is guaranteed. Based on simulation of a real mobile network topology, the performances of proposed models are evaluated while considering different possible scenarios. They are compared to the performances of different strategies as the ones proposed in literature or adopted by current mobile operators

Cette thèse aborde la problématique de l’aide à la décision de maintenance prévisionnelle pour des systèmes de production géographiquement dispersés (GDPS). La structure des GDPS représente un défi important pour l'établissement de stratégies de maintenance efficaces et des stratégies de maintenance prévisionnelle sont particulièrement adaptées. Cependant, la question de la disponibilité des ressources de maintenance doit être analysée et intégrée. Dans cette thèse, nous proposons trois politiques de maintenance prévisionnelles prenant en compte des ressources limitées de maintenance pour un GDPS dont les sites de production se dégradent graduellement. Les trois politiques proposées visent à optimiser un critère économique en sélectionnant l'ensemble de sites à maintenir. Les deux premières politiques s’appuient sur des données d’inspections périodiques. La première politique sélectionne pour la maintenance, la permutation des sites qui maximise la fiabilité du système après réparation, sans prise en compte des distances. La deuxième politique construit la tournée des sites à maintenir en tenant compte des ressources disponibles et des distances entre les sites. Enfin, la troisième politique est une politique dynamique. Elle se base sur des données de surveillance en temps réel des niveaux de dégradation pour adapter la tournée. Nous avons utilisé la simulation Monte Carlo pour évaluer le critère économique asymptotique. L’efficacité des politiques proposées est démontrée par comparaison avec des politiques plus classiques<br>This thesis addresses the problem of predictive maintenance decision making for geographically dispersed production systems (GDPS). The structure of GDPS represents an important challenge for the establishment of efficient maintenance strategies. Predictive maintenance strategies are particularly suitable. However, the issue of the availability of maintenance resources must be analyzed and integrated. In this thesis, we propose three predictive maintenance policies considering limited maintenance resources for a GDPS with gradually degrading production sites. The three proposed policies aim at optimizing an economic criterion by selecting the set of sites to be maintained. The first two policies are based on periodic inspection data. The first policy selects for maintenance, the permutation of sites that maximizes the reliability of the system after repair, without considering the distances. The second policy constructs the tour of sites to be maintained from the available resources and the distances between sites. Finally, the third policy is a dynamic policy. It relies on real-time monitoring data of degradation levels to adapt the tour. We used Monte Carlo simulation to evaluate the asymptotic economic criterion. The effectiveness of the proposed policies is demonstrated by comparison with more conventional policies