Investigation of Deep Learning and Blockchain Applicability for Software-Defined Internet of Things
Enquête sur l'applicabilité de l'apprentissage en profondeur et de la chaîne de blocs pour l'Internet des objets défini par logiciel
Résumé
5G mobile network has seen phenomenal growth in providing IoT services and applications. IoT devices are often battery-powered to perform their operations autonomously and serve a variety of situations, such as smart cities, autonomous cars, smart manufacturing, etc., thereby needing efficient energy consumption to extend their lifespan. IoT networks should provide i) an on-demand resource allocation to support adaptive horizontal and vertical scaling of the network resources; ii) flexible infrastructure virtualization that exploits in-network programmability capabilities to operate inside an SDN-enabled virtualization platform; iii) a device-driven and human-driven intelligence to address the issues of energy efficiency and ultra-low latency requirements for future reliable and real-time IoT applications. Despite the promise, IoT networks face several challenging issues stemming from resource constraints and low-computation performance. Additionally, IoT systems encounter several security and privacy concerns to prevent unauthorized access to smart devices and secure trust-less interactions between devices themselves and service providers on the Internet.
To address this plethora of challenges, this thesis presents an energy-efficiency IoT system, less computation-intensive, easy to implement, and amenable to online adaptation to the variations of the network condition. In the first contribution, we introduce a novel IoT network virtualization approach based on SDN/NFV to offer a high degree of automation in service chaining delivery for IoT devices. The second contribution introduces a Deep Reinforcement Learning energy-efficient task assignment and scheduling in SDN-based fog IoT Network. Furthermore, we present a computing model for reducing network latency and traffic overhead by centralizing the network control and orchestration in a single SDN controller layer. The last contribution introduces a deep learning approach that combines SDN and blockchain to achieve task scheduling and offloading, improve the response rate of IoT services to offer high levels
of performance, and strive to perform dynamic resource management.
Le réseau mobile 5G a connu une croissance phénoménale dans la fourniture de services et d'applications IoT. Les appareils IoT sont souvent alimentés par batterie pour effectuer leurs opérations de manière autonome et servir à diverses situations, telles que les villes intelligentes, les voitures autonomes, la fabrication intelligente, etc. ont donc besoin d'une consommation d'énergie efficace pour prolonger leur durée de vie. Les réseaux IoT devraient fournir: i) une allocation de ressources à la demande pour prendre en charge une mise à l'échelle horizontale et verticale adaptative des ressources du réseau; ii) une virtualisation d'infrastructure flexible qui exploite les capacités de programmabilité en réseau pour fonctionner à l'intérieur d'une plate-forme de virtualisation compatible SDN; iii) une intelligence pilotée par les appareils et pilotée par l'homme pour répondre aux problèmes d'efficacité énergétique et aux exigences de latence ultra-faible pour les futures applications IoT fiables et en temps réel. Malgré la promesse, le réseau IoT est confronté à plusieurs problèmes complexes liés à ses contraintes de ressources et à ses faibles performances de calcul. De plus, les systèmes IoT rencontrent plusieurs problèmes de sécurité et de confidentialité pour empêcher l'accès non autorisé aux appareils intelligents et pour sécuriser les interactions sans confiance entre les appareils eux-mêmes et avec les fournisseurs de services sur Internet.
Pour relever cette pléthore de défis, cette thèse présente un système IoT à haut rendement énergétique, moins gourmand en calculs, facile à mettre en œuvre et pouvant être adapté en ligne aux variations de l'état du réseau. Dans la première contribution, nous introduisons une nouvelle approche de virtualisation de réseau IoT basée sur SDN/NFV pour offrir un degré élevé d'automatisation dans la prestation de chaînage de services pour les appareils IoT. Dans la deuxième contribution, nous introduisons une attribution et une planification des tâches économes en énergie par Apprentissage par Renforcement dans un réseau IoT de brouillard basé sur SDN. Nous présentons un modèle informatique pour réduire la latence du réseau et la surcharge de trafic en centralisant le contrôle et l'orchestration du réseau dans une seule couche de contrôleur SDN. La dernière contribution introduit une approche d'apprentissage en profondeur qui combine SDN et blockchain pour réaliser la planification et le déchargement des tâches, améliorer le taux de réponse des services IoT pour offrir des niveaux de performance élevés et s'efforcer d'effectuer une gestion dynamique des ressources.
Origine : Fichiers produits par l'(les) auteur(s)