• Media type: Text; Electronic Thesis; E-Book
  • Title: Apprentissage profond pour le trafic réseau : classification, génération et compression ; Deep learning for network traffic : classification, generation and compression
  • Contributor: Meslet-Millet, Fabien [Author]
  • Published: theses.fr, 2023-11-10
  • Language: French
  • Keywords: Génération ; Internet des Objets ; Deep Learning ; Compression ; Internet of Things ; Generation ; Network traffic ; Apprentissage profond ; Classification ; Trafic réseau
  • Origination:
  • Footnote: Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
  • Description: La thèse proposée se concentre sur l'application de l'apprentissage profond aux infrastructures réseaux des villes intelligentes. Avec l'évolution constante de l'Internet des Objets (IoT), les villes intelligentes ont émergé comme un domaine de recherche important. Les réseaux IoT sont au coeur de ces villes intelligentes, fournissant un moyen de collecter des données à partir d'un grand nombre de capteurs répartis dans la ville. Cependant, les infrastructures de réseau actuelles ne sont pas adaptées à la quantité et à la variété des données générées par l'IoT, ce qui rend l'analyse de ces données difficile. Dans cette thèse, nous explorons trois axes d'amélioration pour les infrastructures réseaux des villes intelligentes~:~la classification de trafic réseau chiffré, la génération de trafic réseau et la compression d'en-têtes de paquet réseau IoT. Dans le premier axe, nous proposons une nouvelle architecture d'apprentissage profond, nommée Servername Protocol Packet Network (SPPNet), pour la classification de trafic réseau chiffré. Les données de trafic réseau chiffré sont aujourd'hui massivement utilisées dans les communications au sein des réseaux. La classification de ces données peut améliorer grandement la qualité de service et donc le fonctionnement des réseaux. Après avoir montré les limites des approches actuelles, nous proposons une preuve de concept et nous étudions ses avantages et les limites de cette architecture face au trafic chiffré. Dans le deuxième axe, nous proposons une architecture d'apprentissage profond, nommée Network Clustering Sequential Traffic Generation (NeCSTGen), pour la génération de trafics réseaux. La génération de trafics est importante pour le dimensionnement des infrastructures réseaux des villes intelligentes. NeCSTGen peut générer du trafic réseau de manière cohérente et réaliste. De plus, contrairement aux approches actuelles, NeCSTGen est adaptatif et peut fonctionner sur tous les types de protocoles. Dans le troisième axe, nous proposons une architecture d'apprentissage ...
  • Access State: Open Access