Soutenance de thèse de doctorat, le samedi 22 novembre 2025, à l’Amphithéâtre Ibn Khaldoun, SUP'COM 2.
Intitulée : Allocation des ressources de calcul basée sur des approches d’intelligence artificielle pour les scénarios d’Edge Computing dans l’Internet des Véhicules (IoV
Présenté par : Namory FOFANA
Comité de thèse
|
Président |
M. Neji YOUSSEF |
Professeur à SUP’COM, Université de Carthage |
|
Rapporteur 1 : |
M. Amine DHRAIEF |
Maître de conférences à l’ESEN, Université de Manouba |
|
Rapporteur 2 : |
M. Lyes KHOUKHI |
Professeur, CNAM Paris University |
|
Examinateur : |
M. Mourad MNIF |
Professeur à SUP’COM, Université de Carthage |
|
Directrice de thèse : |
Mme Asma BEN LETAIFA |
Maître de conférences à SUP’COM, Université de Carthage |
Resumé
Ce mémoire porte sur l’optimisation du déchargement computationnel (task offloading) dans le calcul en périphérie véhiculaire (VEC), essentiel pour les applications IoV nécessitant faible latence, fiabilité et scalabilité. Il propose trois contributions complémentaires pour répondre à ces exigences.
La première contribution, MADDPG-Stackelberg, combine apprentissage par renforcement profond multi-agent et théorie des jeux. Les véhicules de tâche apprennent des politiques d’offloading tandis que les véhicules de service ajustent leurs prix, permettant une allocation stratégique et stable des ressources.
La deuxième contribution, TATOSM, est un modèle centralisé basé sur la confiance. Il utilise un clustering multicritère pour sélectionner des nœuds fiables, mobiles et performants, capables de résister aux comportements malveillants tout en maintenant un taux de succès élevé des tâches.
La troisième contribution, FedRL-TD3-PER, propose un cadre distribué d’apprentissage fédéré renforcé. Les véhicules apprennent localement (TD3 + PER), les RSUs agrègent les modèles de manière asynchrone, et le cloud assure une cohérence globale, offrant robustesse, scalabilité et préservation de la confidentialité.
Les trois modèles sont évalués dans un scénario VEC réaliste intégrant V2V, V2I et le cloud. Les résultats montrent que MADDPG-Stackelberg équilibre efficacement ressources et profit, TATOSM performe particulièrement bien en environnements adversariaux, et FedRL-TD3-PER améliore significativement la latence, l’énergie et la récompense cumulée.
Ainsi, ce travail propose une vision unifiée du VEC à travers trois approches — stratégique, sécurisée et distribuée — et ouvre la voie à des solutions hybrides plus efficaces et résilientes pour les futurs systèmes IoV.
Mots clés: Vehicular Edge Computing (VEC), Task Offloading, Deep Reinforcement Learning, Trust Management, Federated Learning
Maintenant, allez pousser vos propres limites et réussir!