Les systèmes cognitifs dans les réseaux autonomes : une méthode d'apprentissage distribué et collaboratif situé dans le plan de connaissance pour l'auto-adaptation, Cognitive systems in automatic networks : a distributed and collaborative learning method in knoledge plane for self-adapting function
241
pages
Français
Documents
Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus
Découvre YouScribe et accède à tout notre catalogue !
Découvre YouScribe et accède à tout notre catalogue !
241
pages
Français
Documents
Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus
Thèse soutenue le 17 décembre 2009: Bordeaux 1
L'un des défis majeurs pour les décennies à venir, dans le domaine des technologies de l'information et de la communication, est la réalisation du concept des réseaux autonomes. Ce paradigme a pour objectif de rendre les équipements réseaux capables de s'autogérer, c'est-à-dire qu'ils pourront s'auto-configurer, s'auto-optimiser, s'auto-protéger et s'auto-restaurer en respectant les objectifs de haut niveau de leurs concepteurs. Les architectures majeures de réseaux autonomes se basent principalement sur la notion de boucle de contrôle fermée permettant l'auto-adaptation (auto-configuration et auto-optimisation) de l'équipement réseau en fonction des événements qui surviennent sur leur environnement. Le plan de connaissance est une des approches, très mise en avant ces dernières années par le monde de la recherche, qui suggère l'utilisation des systèmes cognitifs (l'apprentissage et le raisonnement) pour fermer la boucle de contrôle. Cependant, bien que les architectures majeures de gestion autonomes intègrent des modules d'apprentissage sous forme de boite noire, peu de recherches s'intéressent véritablement au contenu de ces boites. C'est dans ce cadre que nous avons fait une étude sur l'apport potentiel de l'apprentissage et proposé une méthode d'apprentissage distribué et collaboratif. Nous proposons une formalisation du problème d'auto-adaptation sous forme d'un problème d'apprentissage d'état-actions. Cette formalisation nous permet de définir un apprentissage de stratégies d'auto-adaptation qui se base sur l'utilisation de l'historique des transitions et utilise la programmation logique inductive pour découvrir de nouvelles stratégies à partir de celles déjà découvertes. Nous définissons, aussi un algorithme de partage de la connaissance qui permet d'accélérer le processus d'apprentissage. Enfin, nous avons testé l'approche proposé dans le cadre d'un réseau DiffServ et montré sa transposition sur le contexte du transport de flux multimédia dans les réseaux sans-fil 802.11.
-Réseaux autonomes
-Auto-adaptation
-Plan de connaissance
-Systèmes cognitifs
-Apprentissage artificiel
-Apprentissage distribué
-Apprentissage collaboratif
-Programmation logique inductive
One of the major challenges for decades to come, in the field of information technologies and the communication, is realization of autonomic paradigm. It aims to enable network equipments to self-manage, enable them to self-configure, self-optimize, self-protect and self-heal according to high-level objectives of their designers. Major architectures of autonomic networking are based on closed control loop allowing self-adapting (self-configuring and self-optimizing) of the network equipment according to the events which arise on their environment. Knowledge plane is one approach, very emphasis these last years by researchers, which suggests the use of the cognitive systems (machine learning and the reasoning) to realize closed control loop. However, although the major autonomic architectures integrate machine learning modules as functional block, few researches are really interested in the contents of these blocks. It is in this context that we made a study on the potential contribution machine learning and proposed a method of distributed and collaborative machine learning. We propose a formalization self-adapting problem in term of learning configuration strategies (state-actions) problem. This formalization allows us to define a strategies machine learning method for self-adapting which is based on the history observed transitions and uses inductive logic programming to discover new strategies from those already discovered. We defined, also a knowledge sharing algorithm which makes network components collaborate to improve learning process. Finally, we tested our approach in DiffServ context and showed its transposition on multimedia streaming in 802.11 wireless networks.
-Distibuted machine learning
-Autonomic networking
-Self-adaptating
-Knowledge plane
-Cognitive systems
-Machine learning
-Collaborative machine learning
-Inductive logic programming
Source: http://www.theses.fr/2009BOR13976/document
I
2
4
r
j
m
x
™
v
:
p
o
‡
o
„
o
)
7
G
o
1
t
o
&
o
s
v
e
o
!
*
‹
"
#
ƒ
ˆ
$
h
o
%
&
'
(
%
)
7
'
G
&
X
*
E
'
R
+
f
,
n
(
o
%
)
%
-
,
*
h
.
o
o
%
q
-
,
v
*
q
/
0
q
1
i
%
2
r
%
e
*
)
&
/
3
l
4
o
'
+
-
?
,
,
*
‡
/
0
1
y
%
o
5
%
-
6
ˆ
7
—
8
9
m
:
o
:
œ
7
6
;
<
=
>
5
'
1
q
+
'
?
?
*
L
%
H
3
E
/
:
+
C
(
U
%
C
@
Y
+
L
,
V
)
e
%
h
)
l
%
o
"
o
!
A
e
2
s
5
%
%
&
/
,
~
(
o
/
o
*
o
e
%
B
^
C
^
D
E
F
_
G
e
7
e
H
I
3
J
K
z
L
y
M
5
L
:
q
:
N
:
H
O
L
G
L
r
:
P
4
E
^
Q
€
C
‚
I
o
H
o
I
o
D
p
:
R
%
7
/
C
-
:
%
S
…
L
‰
:
‰
F
Š
T
Ž
L
:
L
‘
7
o
K
o
U
5
7
K
q
H
3
E
+
C
,
E
&
G
‡
L
†
:
Š
V
—
K
.
C
t
L
š
G
o
T
o
L
o
H
W
E
^
R
L
R
ƒ
X
r
7
s
Y
e
Y
5
F
L
e
C
H
4
I
:
:
7
v
Q
L
&
R
I
:
r
H
F
I
e
Z
|
K
c
T
C
L
S
L
P
H
G
P
I
E
:
S
E
S
R
7
L
Z
7
E
L
F
P
7
G
H
E
I
T
D
L
:
L
I
3
H
d
K
_
T
g
L
i
R
k
7
m
C
o
:
o
S
o
L
o
Y
5
S
7
C
R
q
L
r
P
E
s
C
C
e
7
I
:
%
:
7
u
C
v
P
L
Y
E
K
,
F
S
X
}
7
~
K
h
H
o
E
o
[
o
7
o
R
o
7
o
Y
)
H
7
^
H
I
E
C
\
E
K
H
*
L
C
K
L
S
_
L
V
^
]
)
w
^
_
_
`
y
h
{
a
o
b
o
b
p
<
Y
F
O
1
L
e
:
7
c
I
:
R
L
:
F
7
q
Y
Y
E
F
?
H
L
K
v
F
:
V
e
3
d
n
e
o
_
o
f
o
g
o
h
o
i
o
j
5
k
l
m
n
q
o
r
o
3
o
%
o
+
o
ƒ
o
,
o
-
o
&
5
„
†
ˆ
p
Š
†
ˆ
ˆ
Œ
q
ˆ
ˆ
r
-
1
_
e
s
h
’
“
o
e
o
o
o
p
%
s
%
t
2
u
/
?
v
-
*
%
%
,
”
•
Ž
‹
–
‹
w
˜
‡
3
z
j
q
y
_
h
o
o
x
o
y
o
z
o
h
-
i
›
{
y
o
o
5
p
p
^
.
+
1
q
e
r
1
e
s
e
]
:
6
+
A
*
:
+
6
*
3
<
1
'
/
*
:
*
3
*
3
B
2
+
1
)
*
:
.
*
,
)
3
)
,
*
3
/
/
:
(
&
6
:
6
8
+
+
*
,
I
3
*
/
<
&
'
6
;
:
'
:
/
=
4
*
+
&
+
3
+
:
&
+
A
+
6
6
:
1
:
/
*
(
*
:
/
5
1
1
1
,
)
+
2
6
)
1
:
+
2
(
+
:
6
:
4
1
P
W
(
:
4
1
<
1
:
2
;
&
+
1
*
:
+
@
+
B
8
'
*
2
/
+
!
1
'
"
3
#
1
$
<
!
A
4
6
%
1
&
'
'
4
(
)
)
*
*
3
+
:
)
=
,
(
*
.
-
*
+
*
.
C
/
?
0
1
*
6
'
*
1
,
+
(
2
6
3
+
'
6
1
3
4
:
*
*
+
4
)
/
,
&
*
B
5
/
*
+
(
+
(
1
6
(
*
6
+
*
7
5
/
*
8
*
*
*
(
/
6
*
1
0
9
'
)
H
/
(
(
9
+
/
4
.
*
/
)
3
3
(
.
1
/
5
6
1
(
+
*
2
)
/
*
9
+
(
:
4
*
;
5
,
;
5
(
(
3
J
4
:
3
+
<
3
6
/
*
1
+
+
)
'
*
,
4
+
&
*
6
C
(
R
=
!
3
1
.
/
:
6
3
W
(
*
:
)
*
4
/
5
3
.
.
'
(
6
5
M
/
7
:
*
6
*
3
)
(
+
9
2
*
(
+
+
:
+
4
=
/
*
1
3
,
(
*
*
/
'
4<
