Modélisation et résolution des problèmes d’optimisation multiobjectif du déchargement de calcul dans un réseau Mobile Edge Computing

Abstract

Avec les récents avantages de la 5G et le développement explosif des réseaux mobiles et celui de l’Internet des objets (IoT), de plus en plus d’applications à forte intensité de calcul et de forte sensibilité à la latence émergent et s’imposent dans les habitudes quotidiennes et professionnelles des gens. Cependant, en raison des contraintes de taille inhérentes des appareils IoT et des appareils mobiles intelligents (AMI), les capacités limitées de calcul et de la batterie ne permettent pas de satisfaire les exigences accrues de la qualité de service (QoS) de telles applications. On peut citer par exemple les domaines de la réalité augmentée, la reconnaissance faciale, les jeux interactifs et le traitement automatique du langage naturel. Le Mobile Edge Computing (MEC) est une architecture prometteuse qui fournit des ressources de calcul et de communication à proximité des AMI pour décharger les tâches lourdes dont l’exécution locale est coûteuse. Cette opération se fait selon un scénario monotâche ou multitâche. Dans le premier scénario et au moment de la prise de décision, chaque AMI doit décharger une seule tâche ou éventuellement l’exécuter localement. Alors que le scénario multitâche considère que chaque AMI gère une liste de tâches. Toutefois, en raison de la nature dynamique des réseaux MEC (disponibilité de ressources) et de la criticité des ressources de communication et de calcul, la garantie de satisfaire les demandes de tous les AMI d’une station de base est une opération complexe et très délicate. Dans cette thèse, nous modélisons et résolvons des problèmes de déchargement de calcul avec allocation de ressources où nous visons à minimiser conjointement l’énergie et/ou le temps de traitement globaux ainsi qu’une fonction de pénalité qui modélise les situations critiques des ressources disponibles. Dans ce sens, nous proposons trois contributions. Dans la première, nous adoptons le scénario monotâche en admettant que certains AMI peuvent être prioritaires au service de déchargement de calcul. Nous formulons un problème d’optimisation bi-objectif non linéaire mixte en nombres entiers qui vise à minimiser conjointement la consommation énergétique globale et une fonction de pénalité basée sur la priorité. Ensuite, à l’aide d’une approche d’agrégation pondérée et d’une décomposition maître-esclaves, nous établissons et étudions une solution efficace du problème résultant. Dans la deuxième contribution et avec le scénario monotâche, nous formulons un problème d’optimisation multiobjectif non linéaire mixte en nombres entiers qui minimise conjointement la consommation énergétique globale, le temps global de traitement et la fonction de pénalité adéquate. Par suite, nous adoptons une approche d’agrégation pondérée avec des poids qui tiennent compte de la pénalité des AMI afin de dériver un problème d’optimisation mono-objectif non linéaire mixte en nombres entiers. En nous basant sur une décomposition maître-esclaves, nous transformons ce dernier problème en un problème d’optimisation combinatoire que nous résolvons par l’approche d’approximation de Markov. Finalement, dans la troisième contribution, nous adoptons le scénario multitâche et nous formulons un problème d’optimisation bi-objectif non linéaire combinatoire qui minimise conjointement la consommation globale d’énergie et une nouvelle fonction de pénalité adaptée au scénario multitâche. En utilisant l’approche d’agrégation pondérée, nous proposons une solution qui se base sur une recherche locale hybride.