Doctorant f/h placement adaptatif et optimal des sondes de supervision basé sur l’apprentissage par renforcement

Contexte et atouts du poste

Le monitorage des infrastructures Cloud/Edge, qui tendent vers davantage de complexité et de rapidité, engendre de potentielles difficultés pour sélectionner les attributs de supervision à surveiller, leurs fréquences de mesure et le placement de leurs sondes de surveillance. Les méthodes existantes pour réaliser ces tâches sont majoritairement manuelles et elles s’appuient soit sur un nombre très large d’attributs à surveiller avec des fréquences très élevées, ce qui introduit un surcoût important de la supervision sans un gain potentiel d’information, ou elles réduisent drastiquement le nombre d’attributs et leurs fréquences, ce qui introduit des problèmes de couverture et d’imprécision de la supervision. Le verrou que nous souhaitons adresser ici est comment sélectionner dynamiquement les attributs de supervision et leurs fréquences en fonction des besoins des applications.

Mission confiée

L’objectif de cette thèse est d’explorer les techniques basées sur l’apprentissage par renforcement et également des approches algorithmiques de la théorie de graphes pour améliorer le placement des sondes de supervision des paramètres QoS et SLA dans des infrastructures complexes. Il s’agit ici de développer des algorithmes pour élaborer le placement et le choix des attributs à surveiller et collecter d’une façon autonome en respectant les objectifs des SLAs et détecter les risques de leurs violations.

Principales activités

Nous considérons ici les approches basées sur l’apprentissage par renforcement (Q-Learning et DRL) pour élaborer automatiquement les stratégies de placement des sondes d’une façon distribuée et la sélection des attributs à surveiller. Ces approches d’apprentissage sont plus performantes

Résultats attendus : la thèse fournira des résultats théoriques sur le placement optimal de la supervision (comparatifs des méthodes et techniques de placement) dans des environnements complexes ainsi qu’un ensemble des algorithmes pour automatiser ce placement au niveau des sondes, des fonction et des attributs.

IEEE Access, vol. 10, pp. 111254-111271, 2022, doi: 10.1109/ACCESS.2022.3215744.

Compétences

Compétences techniques et niveau requis :

1. Niveau master en informatique ou école d'ingénieurs,
2. Apprentissage automatique, connaissance en réseaux de communications

Pour candidater :

3. CV détaillé
4. Lettres de recommendation
5. Relevés de notes

Avantages

6. Restauration subventionnée
7. Transports publics remboursés partiellement
8. Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
9. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
10. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
11. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
12. Accès à la formation professionnelle
13. Sécurité sociale

Rémunération

2100 € brut/mois la 1ère année