La croissance rapide de l’Internet des Objets (IoT) et du Web des Objets (WoT) a permis le développement d’applications complexes et distribuées, construites à partir de services hétérogènes, dynamiques et interconnectés. Si ce paradigme améliore l’automatisation et la prise de décision dans des domaines tels que les villes intelligentes, la santé et les systèmes industriels, il introduit également des défis majeurs liés à la composition de services sensible à la Qualité de Service (QoS), à la présence de données QoS incomplètes et dépendantes du contexte, ainsi qu’à la gestion des conflits à l’exécution dans des environnements partagés. Dans cette thèse nous proposons un cadre intelligent de bout en bout visant à relever ces défis à l’aide de techniques d’apprentissage profond et de mécanismes d’attention. Premièrement, un modèle de prédiction de QoS contextuel, combinant des encodeurs d’attention et des réseaux résiduels (ResNet), est introduit afin d’estimer avec précision les valeurs QoS manquantes ou peu fiables sans dépendre d’un ensemble statique de services. Deuxièmement, une approche basée sur l’attention pour la décomposition globale de la QoS est proposée afin d’inférer dynamiquement des contraintes locales au niveau des tâches tout en capturant les dépendances inter-tâches, permettant ainsi une sélection de services à la fois flexible et scalable. Enfin, un cadre de gestion des conflits à l’exécution est développé pour détecter, prioriser et résoudre les conflits liés aux dispositifs et à l’environnement en exploitant des informations contextuelles en temps réel ainsi que des données historiques. Des résultats expérimentaux approfondis démontrent des améliorations significatives en termes de précision de prédiction de la QoS, de taux de succès de la composition et d’efficacité de la résolution des conflits par rapport aux méthodes existantes. Dans l’ensemble, ce travail ouvre la voie à une orchestration de services IoT autonome, adaptative et consciente des conflits dans des environnements hautement dynamiques.
|
The rapid growth of the Internet of Things (IoT) and the Web of Things (WoT) has enabled the development of complex, distributed applications built from heterogeneous, dynamic, and interconnected services. While this paradigm enhances automation and decision-making across domains such as smart cities, healthcare, and industrial systems, it also introduces critical challenges in QoS-aware service composition, incomplete and context-dependent QoS data, and run-time conflict management in shared environments. In this thesis, we propose an end-to-end intelligent framework that addresses these challenges through deep learning and attention mechanisms. First, a contextual QoS prediction model combining attention encoders and Residual Networks (ResNet) is introduced to accurately estimate missing and unreliable QoS values without relying on static service pools. Second, an attention-based approach for global QoS decomposition is proposed to dynamically infer local task constraints while capturing inter-task dependencies, enabling scalable and flexible service selection. Finally, a run-time conflict management framework is developed to detect, prioritize, and resolve device and environmental conflicts using real-time contextual information and historical data. Extensive experimental results demonstrate significant improvements in QoS prediction accuracy, composition success rate, and conflict resolution efficiency compared to existing methods. Overall, this work moves toward autonomous, adaptive, and conflict-aware IoT service orchestration in highly dynamic environments. |