Gestion et contrôle intelligents des réseaux

La triade confidentialité, intégrité et disponibilité (CIA triad en anglais) est un concept fondamental de la sécurité de l’information. Cette dernière est définie comme la protection des systèmes informatiques contre tout accès, utilisation, perturbation, modification ou destruction non autorisé afin d’assurer la confidentialité, l’intégrité et la disponibilité. Les systèmes et les applications informatiques deviennent de plus en plus complexes. Par conséquent, il est devenu plus difficile d’analyser, de sécuriser et de tester correctement la sécurité des systèmes informatiques. Dans ce contexte, l’intelligence artificielle et l’apprentissage automatique peuvent jouer un rôle très important afin de réaliser une sécurité intelligente des réseaux informatiques.

L’approche SDN (Software-Defined Networking) consiste à piloter une infrastructure réseau par des applications logicielles. Au niveau des réseaux classiques, l’apprentissage machine (Machine Learning) et l’intelligence artificielle (IA) de manière générale ont montré leur efficacité pour la sécurité. La sécurité des réseaux SDN n’échappe pas à cette tendance et plusieurs travaux abordent déjà le problème de sécurité dans les réseaux SDN avec des solutions s’appuyant sur des outils de l’IA. La finalité ultime serait d’avoir des réseaux SDN intelligents capables de s’autoprotéger et s’auto-optimiser. L’objectif de ce chapitre est d’aborder des techniques de contrôle intelligent basées sur l’IA, afin de permettre un pilotage intelligent du déploiement de la sécurité.

L’optimisation du réseau, la maintenance prédictive, les assistants virtuels sont des exemples de cas où l’intelligence artificielle (IA) a eu un impact sur le secteur des télécommunications. Ce chapitre est dédié à définir les différentes techniques intelligentes utilisées habituellement dans le secteur des télécommunications en passant par les systèmes experts, l’apprentissage automatique, les systèmes multi-agents, mais aussi l’Internet des Objets et les Big Data. L’article se focalisera en particulier sur les quatre aspects de l’optimisation réseau, à savoir les performances du réseau, la qualité de service, la sécurité et la consommation d’énergie. Pour chacun de ces critères, nous allons expliquer en quoi consiste leur optimisation et comment l’IA contribue à une meilleure utilisation.

L’objectif de ce chapitre est de mettre l’accent sur la sélection de réseaux dans un environnement hétérogène en se basant sur la notion de qualité de service (QoS). L’objectif principal pour un environnement hétérogène est de concrétiser le concept Always Best Connected (ABC) en offrant aux utilisateurs mobiles la possibilité de tirer profit des réseaux ayant des performances différentes. De nos jours, nous avons une variété de technologies d’accès radio, les WLAN, essentiellement l’IEEE 802.11 et les réseaux cellulaires (UMTS, HSPA et le LTE). Cette variété constitue l’environnement hétérogène. La procédure de sélection de réseau consiste à sélectionner le meilleur réseau parmi ceux disponibles. Cependant, le grand nombre de paramètres impliqués dans le processus de sélection (le coût d’utilisation, la QoS, l’énergie consommée) rend la décision très difficile et complexe.

Ce chapitre est un état de l’art se focalisant sur la sélection, la composition, l’évaluation ou la recommandation des services Cloud Computing. Les travaux étudiés doivent avoir une problématique, suivre une approche ou utiliser un outil d’intelligence artificielle (IA) ; l’objectif visé étant de donner aux lecteurs une idée globale sur l’actualité des travaux sélectionnant les services Cloud Computing en utilisant l’IA. L’intérêt est de réduire le temps de la recherche bibliographique pour les chercheurs dans le domaine du Cloud Computing se basant sur l’IA, et d’initier plus facilement les chercheurs non éclairés dans ce contexte.

Dans le contexte du Mobile Cloud Computing (MCC), le mécanisme de décision de déchargement devrait déterminer le fournisseur de Cloud approprié en considérant la qualité de service (QoS) offerte et le coût des ressources de calcul et de stockage dédiées à une requête d’utilisateur. Ce contexte dynamique multiréseau d’accès et multiCloud nécessite d’enrichir les mécanismes de décision de déchargement par des outils d’intelligence artificielle (IA), permettant une décision multicritère répondant au mieux à des besoins des utilisateurs mobiles en monde réel. Dans un tel contexte, ce chapitre traite des différentes applications d’IA pour optimiser l’efficacité de déchargement de point de vue d’utilisateurs mobiles, fournisseurs du Cloud et fournisseurs des réseaux d’accès.

Le Smart Grid, qui est le futur réseau électrique intelligent, permet l’échange bidirectionnel des données et de l’énergie entre le producteur et le consommateur. Grâce à cet échange de données, le gestionnaire du Smart Grid possède plus d’informations sur ses clients et sera capable de leur proposer des services plus personnalisés et répondant davantage à leurs besoins. Dans ce chapitre, nous examinons l’efficacité énergétique des infrastructures de l’information et de la communication dans un système Smart Grid-Cloud. Nous nous intéressons plus particulièrement aux réseaux de communication et aux data centers du Cloud. Nous nous sommes focalisés sur ces derniers en raison de leur grande consommation en énergie qui les positionne comme des éléments importants dans le réseau.

L’architecture de référence des systèmes de transport intelligents coopératifs (C-ITS : Cooperative-Intelligent Transport Systems) a été définie par le travail conjoint de différents organismes de standardisation : IEEE, ISO, ETSI, etc. Cette architecture, basée sur trois plans principaux (gestion, contrôle, sécurité), doit permettre le déploiement d’un système de communication véhiculaire à large échelle. Dans ce chapitre, nous nous proposons de décrire et comparer les travaux visant à améliorer le fonctionnement des réseaux véhiculaires grâce à l’intégration de l’intelligence artificielle (IA) au sein du plan de contrôle. Par la suite, nous définirons une architecture permettant de compléter ces travaux et d’offrir des services intelligents, non seulement au plan de contrôle mais également au plan de gestion et de sécurité.

Dans ce chapitre, nous nous intéressons aux techniques de l’intelligence artificielle (IA) qui ont été les plus utilisées dans les trois dernières années dans la radio cognitive (RC). Nous nous intéressons à des métaheuristiques qui n’étaient pas discutées dans les précédents travaux, comme l’algorithme des lucioles, la recherche coucou, l’algorithme de recherche gravitationnel et l’optimisation par essaim de particules. Nous présentons également les travaux récents liés à l’application des autres techniques d’IA dans la RC, à savoir les algorithmes génétiques, les algorithmes de colonies d’abeilles, la logique floue, la théorie des jeux, les réseaux de neurones, les modèles de Markov, les machines à vecteurs de support, le raisonnement à partir de cas, les arbres de décision, les réseaux bayésiens, les systèmes multi-agents et l’apprentissage par renforcement.

Le véhicule autonome est en plein développement et de nouvelles applications apparaissent. Ces applications ont des besoins de communication spécifiques, que ce soit en termes de latence, de portée ou de bande passante. Pour que ces applications fonctionnent au mieux, il convient de sélectionner la technologie d’accès radio la mieux adaptée à leurs besoins et donc d’étudier les avantages et inconvénients des architectures sur lesquelles ces technologies d’accès reposent. La radio intelligente (RI) se définit par ses capacités de perception, d’adaptation et de cognition. L’objectif de ce chapitre est de présenter les principaux apports de la RI dans le domaine véhiculaire, tels que l’amélioration de la couverture réseau ou bien encore l’amélioration de la bande passante disponible.