Contrôle de congestion dans les réseaux IoT en utilisant les techniques de l'intelligence artificielle

L'intégration massive de l'Internet des objets (IoT) dans les infrastructures modernes a conduit à des avancées significatives dans divers domaines, notamment les villes intelligentes, la santé connectée et les systèmes de transport autonomes. Toutefois, la multiplication des dispositifs IoT, tels que les caméras de surveillance, capteurs environnementaux et télémètres, entraîne une augmentation considérable du trafic réseau, pouvant provoquer une congestion, perturber le bon fonctionnement des applications et dégrader les performances globales du réseau. En effet, cette congestion engendre des délais de transmission accrus, des pertes de paquets dues à la saturation des buffers des relais, ainsi qu'une baisse du débit utile des données, compromettant ainsi la qualité des services IoT.Le contrôle de congestion joue un rôle essentiel dans la gestion du trafic IoT en régulant dynamiquement la quantité de données transmises afin d'optimiser les ressources réseau. Une analyse approfondie des solutions existantes a révélé que les approches classiques de contrôle de congestion, notamment celles basées sur le protocole Constrained Application Protocol (CoAP), présentent des limites majeures. En particulier, CoAP repose sur des paramètres statiques pour la gestion de congestion : il utilise uniquement le timeout pour détecter la congestion et applique un backoff exponentiel fixe pour ajuster les retransmissions en se basant sur un paramètre de retransmission fixe, ce qui s'avère inefficace face aux variations dynamiques du trafic IoT.Pour pallier ces limitations, cette thèse propose Smart-CoAP, une approche intelligente et proactive exploitant des techniques d'intelligence artificielle (IA) afin d'optimiser la gestion de la congestion dans les réseaux IoT. Notre solution repose sur une combinaison de modèles d'apprentissage profond (Deep Learning) et d'apprentissage automatique (Machine Learning) pour ajuster dynamiquement les paramètres de CoAP, notamment le nombre de retransmissions, le facteur de backoff et le délai de retransmission. Nous avons conçu : 1) Un modèle ED-LSTM (Encoder-Decoder Long Short-Term Memory) capable d'anticiper le taux de perte de paquets et de fournir une estimation précise de l'état du réseau. 2) Un modèle CART (Classification and Regression Trees) qui, en fonction des prédictions du modèle ED-LSTM, ajuste les paramètres de transmission des clients IoT pour réduire la congestion et améliorer le débit.L'implémentation de Smart-CoAP dans l'environnement de simulation Cooja/Contiki OS a permis une évaluation rigoureuse des performances de notre approche. Les résultats expérimentaux mettent en évidence une amélioration significative par rapport au CoAP standard, avec une réduction notable du taux de perte de paquets, garantissant une transmission des données plus fiable. On observe également une augmentation du débit, traduisant une meilleure efficacité des transmissions, ainsi qu'une amélioration de l'équité entre les nœuds dans la répartition du trafic. Enfin, Smart-CoAP maintient un overhead modéré et un taux de transmission stable en fonction des conditions réseau, assurant ainsi une gestion efficace de la bande passante.