Avis de Soutenance
Hanane BENADJI
soutiendra publiquement ses travaux de thèse intitulés
Contrôle de congestion dans les réseaux IoT en utilisant les techniques de l’intelligence artificielle
📅 Le 17 Octobre 2025 à 14h
📍Amphithéâtre Digiteo – Université Paris-Saclay,
Bâtiment 660, Avenue des Sciences, 91190 Gif-sur-Yvette, France
Numéro de réunion : 322 048 520 271 4
Code secret : vU9wW6NN
Devant le jury composé de :
| Nom | Fonction | Rôle |
|---|---|---|
| Thi Mai Trang NGUYEN | Professeur, L2TI – Université Sorbonne Paris Nord, France | Examinatrice |
| Selma BOUMERDASSI | Maître de conférences (HDR), CNAM – Conservatoire National des Arts et Métiers, France | Rapportrice |
| Hacène FOUCHAL | Professeur, Université de Reims Champagne-Ardenne, France | Rapporteur |
| Naceur MALOUCH | Maître de conférences (HDR), LIP6 – Sorbonne Université, France | Examinateur |
| Elisabeth LAHALLE | Maîtresse de Conférences, CentraleSupélec | Invitée |
Encadrement de thèse :
| Nom | Fonction | Rôle |
|---|---|---|
| Véronique VÈQUE | Professeur, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes, Université Paris-Saclay | Directrice de thèse |
| Lynda ZITOUNE | Maître de conférences, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes, Université Paris-Saclay | Co-encadrante |
Résumé :
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 entraîne une augmentation considérable du trafic réseau, pouvant provoquer une congestion, perturber le bon fonctionnement des applications et dégrader les performances globales du réseau.
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. Les approches classiques, notamment celles basées sur le protocole CoAP, reposent sur des paramètres statiques qui s’avèrent inefficaces face aux variations dynamiques du trafic.
Pour pallier ces limitations, cette thèse propose Smart-CoAP, une approche intelligente et proactive exploitant des techniques d’intelligence artificielle pour optimiser la gestion de la congestion dans les réseaux IoT. Cette solution combine des modèles d’apprentissage profond (Deep Learning) et d’apprentissage automatique (Machine Learning) pour ajuster dynamiquement les paramètres de CoAP.
Deux modèles sont développés :
L’implémentation de Smart-CoAP dans l’environnement de simulation Cooja / Contiki OS montre une réduction notable du taux de perte de paquets, une augmentation du débit utile et une meilleure équité dans la répartition du trafic, tout en maintenant un overhead modéré.
Mots clés : Réseaux IoT, contrôle de congestion, CoAP, intelligence artificielle, machine learning, deep learning.
Abstract :
The massive integration of the Internet of Things (IoT) into modern infrastructures has led to significant advancements in various fields, including smart cities, connected healthcare, and autonomous transport systems. However, the proliferation of IoT devices results in a considerable increase in network traffic, which can cause congestion, disrupt the proper functioning of applications, and degrade overall network performance.
Congestion control plays a crucial role in managing IoT traffic by dynamically regulating the amount of transmitted data to optimize network resources. Traditional congestion control approaches, particularly those based on CoAP, rely on static parameters, which are ineffective in handling dynamic traffic variations.
To address these limitations, this thesis proposes Smart-CoAP, an intelligent and proactive approach leveraging artificial intelligence techniques to optimize congestion management in IoT networks. This solution combines deep learning and machine learning models to dynamically adjust CoAP parameters.
Two models are developed:
The implementation of Smart-CoAP in the Cooja / Contiki OS simulation environment demonstrates a significant reduction in packet loss ratio, improved goodput, enhanced fairness among nodes, and stable transmission with limited overhead.
Keywords : IoT Networks, Congestion Control, CoAP, Artificial Intelligence, Machine Learning, Deep Learning.
