Thèse Prédiction Intelligente de Charge et Orchestration Proactive des Ressources dans le Continuum Edge-Fog-Cloud H/F - Doctorat.Gouv.Fr

Établissement : CY Cergy Paris Université École doctorale : ED EM2PSI - Économie, Management, Mathématiques, Physique et Sciences Informatiques Laboratoire de recherche : ETIS - Equipes Traitement de l'Information et Systèmes Direction de la thèse : Sonia YASSA Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-19T23:59:59 L'essor des systèmes distribués intelligents, de l'Internet des Objets (IoT), des réseaux sans fil de nouvelle génération, des infrastructures Edge AI et des applications temps réel entraîne une croissance massive des besoins computationnels et des flux de données. Les architectures Edge-Fog-Cloud constituent un continuum de calcul essentiel pour répondre aux contraintes de latence, de disponibilité, d'efficacité énergétique et de qualité de service (QoS).
Dans ces environnements, les ressources de calcul et de communication sont fortement hétérogènes et soumises à des variations dynamiques de charge liées à la mobilité des utilisateurs, aux fluctuations du trafic réseau et aux applications critiques temps réel. Les approches actuelles d'orchestration et d'allocation de ressources restent principalement réactives : elles ajustent les ressources après détection de surcharge, entraînant des délais d'adaptation, une dégradation des performances et une surconsommation énergétique.
Les systèmes Edge AI et les réseaux intelligents nécessitent donc des approches proactives capables d'anticiper les charges et les variations de trafic afin d'optimiser dynamiquement les ressources. Dans ce contexte, l'apprentissage profond, les architectures Transformers et le Deep Reinforcement Learning offrent des solutions prometteuses pour la modélisation et l'optimisation de systèmes distribués complexes.
Les travaux récents confirment l'intérêt de ces approches. Bi et al. [1] montrent l'efficacité du Deep Learning pour la prédiction de charge dans le cloud, tandis que Ahmad et al. [2] soulignent les limites des approches IA dans les environnements cloud-edge-IoT en termes de scalabilité et d'adaptation dynamique.
Par ailleurs, de nombreux travaux abordent l'optimisation multi-objectifs du scheduling et de l'offloading. Khan et al. [3] proposent une approche énergétique pour l'ordonnancement IoT en fog-cloud. Kaya et al. [4] utilisent une métaheuristique multi-objectifs pour le scheduling distribué. Les travaux de Sonia Yassa et collaborateurs [5][6] ont exploré différentes stratégies ¬[5](métaheuristiques, systèmes multi-agents, méthodes Pareto) pour l'optimisation Fog-Cloud avec efficacité énergétique.
Plus récemment, les Transformers et le Deep Reinforcement Learning ont montré un fort potentiel pour la prise de décision adaptative. Le travail de Arthur Garon et al. [7] propose un Transformer pour l'offloading intelligent en Edge-Fog-Cloud, ouvrant la voie à des approches hybrides combinant représentation des états et décision dynamique.
Malgré ces avancées, plusieurs verrous scientifiques persistent : prédiction multi-horizon en environnements dynamiques, intégration prédiction/décision, optimisation multi-objectifs (latence, énergie, coût, QoS), adaptation temps réel, passage à l'échelle et sobriété énergétique des modèles IA.
L'objectif de cette thèse est de proposer une architecture unifiée de prédiction de charge et d'orchestration proactive des ressources dans les environnements Edge-Fog-Cloud, combinant Deep Learning, Transformers, Deep Reinforcement Learning et optimisation multi-objectifs. Les contributions visent à optimiser simultanément la latence, l'énergie, le coût computationnel, l'utilisation des ressources et la QoS, tout en garantissant robustesse, scalabilité et efficacité énergétique.
Les architectures Edge-Fog-Cloud jouent un rôle majeur dans les systèmes distribués modernes et les infrastructures Edge AI. Toutefois, les approches actuelles d'orchestration restent principalement réactives et peu adaptées aux environnements fortement dynamiques. Les avancées récentes en apprentissage profond, Transformers et Deep Reinforcement Learning ouvrent de nouvelles perspectives pour l'anticipation de charge et la prise de décision proactive dans des systèmes distribués complexes. La thèse vise à développer une approche intelligente et proactive d'orchestration des ressources dans les architectures Edge-Fog-Cloud. Les principaux objectifs sont :
- Modéliser les dynamiques de charge dans des environnements Edge-Fog-Cloud hétérogènes ;
- Développer des modèles de prédiction multi-horizon fondés sur les Transformers et l'apprentissage profond ;
- Concevoir des stratégies d'allocation proactive combinant apprentissage par renforcement profond et optimisation multi-objectifs ;
- Optimiser simultanément la latence, l'énergie, le coût computationnel et la QoS ;
- Développer des mécanismes adaptatifs capables de s'ajuster dynamiquement aux variations du système ;
- Évaluer les approches proposées sur des plateformes simulées et distribuées à grande échelle.
Les travaux s'articuleront autour de trois axes complémentaires :
1. Prédiction de charge : développement de modèles capables de capturer les dépendances temporelles longues et les variations contextuelles à l'aide d'architectures Transformers et de modèles d'apprentissage profond ;
2. Décision proactive : formulation du problème d'orchestration comme un processus de décision séquentielle sous contraintes permettant l'utilisation de méthodes de Deep Reinforcement Learning (DQN, PPO, Actor-Critic,...) ;
3. Intégration prédiction-décision : conception d'une boucle d'orchestration proactive unifiée intégrant optimisation multi-objectifs et sobriété numérique.
Les expérimentations seront réalisées à l'aide de frameworks modernes de calcul distribué et d'apprentissage profond tels que PyTorch, Ray/RLlib, DeepSpeed et des simulateurs Edge-Fog-Cloud.

Candidat disposant de solides bases en algorithmique, programmation et intelligence artificielle (apprentissage automatique). Des notions en systèmes distribués sont souhaitées.
Un intérêt pour les architectures Edge-Fog-Cloud et l'optimisation multi-objectifs sera apprécié.

Le dossier de candidature doit inclure :
Une lettre de motivation
Un CV détaillé
Les relevés de notes du Master
Le projet de thèse
Une ou plusieurs lettres de recommandation, dont une du futur encadrant de thèse

Si le diplôme de Master est en cours d'obtention : une attestation du directeur de mémoire confirmant que le mémoire a été ou sera soutenu, avec la date prévue de soutenance.