[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-123186-fr":3,"doc-seo-123186-114":30,"detail-sidebar-cat-0-fr-114":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},123186,5909887254083,"Miles","https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c",64,"Recherche & Rapport","Une prédiction de charge de trafic basée sur le SDN à l’aide de l’apprentissage automatique","Cette thèse propose une approche expérimentale de prédiction de charge du réseau dans un environnement SDN (Software Defined Networking) à l’aide de techniques d’apprentissage automatique. Le travail compare la gestion de la congestion en SDN et dans les réseaux traditionnels, en mettant l’accent sur l’adaptation dynamique permise par la séparation des plans de contrôle et de données. Un modèle combine des réseaux de neurones profonds et l’algorithme de Mijumbi afin de prédire puis détourner les flux congestionnés. Les résultats, évalués sur des données en ligne incluant DDOS et simulés sous Python/Jupyter, montrent une amélioration du débit, de la perte de paquets, des effets de reconfiguration et de l’utilisation des liaisons, avec robustesse en topologie dynamique.","An SDN-Based Traffic Load Prediction using Machine Learning  \nby  \nBehdad BIBAK  \nTHESIS PRESENTED TO ÉCOLE DE TECHNOLOGIE SUPÉRIEURE IN PARTIAL FULFILLMENT OF A MASTER’S DEGREE WITH THESIS IN INFORMATION TECHNOLOGY ENGINEERING  \nM.A.Sc.  \nMONTREAL, SEPTEMBER 29, 2023  \nÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC  \n Behdad Bibak, 2023  \nThis Creative Commons license allows readers to download this work and share it with others as long as the author is credited. The content of this work cannot be modified in any way or used commercially.  \nBOARD OF EXAMINERS  \nTHIS THESIS HAS BEEN EVALUATED  \nBY THE FOLLOWING BOARD OF EXAMINERS  \nMr. Michel Kadoch, Thesis supervisor  \nDepartment of Electrical Engineering, École de technologie supérieure  \nMr. Georges Ghazi, President of the board of examiners  \nDepartment of Systems Engineering, École de technologie supérieure  \nMr. Zbigniew Dziong, Member of the Jury  \nDepartment of Electrical Engineering, École de technologie supérieure  \nTHIS THESIS WAS PRESENTED AND DEFENDED  \nIN THE PRESENCE OF A BOARD OF EXAMINERS AND THE PUBLIC  \nON SEPTEMBER 19, 2023  \nAT ÉCOLE DE TECHNOLOGIE SUPÉRIEURE  \nUne prédiction de charge de trafic basée sur le SDN à l’aide de l’apprentissage  \nautomatique  \nBehdad BIBAK  \nRÉSUMÉ  \nCette thèse est une tentative expérimentale de prédiction de la charge du réseau à l’aidede techniques d’apprentissage automatique dans un environnement SDN (Software Defined Networking) .  \nComparaison du contrôle de la congestion : SDN et réseaux traditionnels  \nUne disparité fondamentale entre le Software-Defined Networking (SDN) et les réseaux traditionnels réside dans leurs approches du contrôle de la congestion.  \nLes réseaux traditionnels adoptent souvent des stratégies de routage fixes, ce qui peut entraînerune utilisation sous-optimale des ressources pendant la congestion. En revanche, la séparation des plans de contrôle et de données du SDN permet une prédiction de congestion en temps réelet un reroutage intelligent. Cette adaptation dynamique optimise l’allocation des ressources, garantissant un service ininterrompu lors des pics de trafic.  \nLa divergence marquée dans l’adaptabilité devient évidente lors de l’évaluation de la façon dont chacun réagit aux événements de congestion. Les réseaux traditionnels sont aux prises avec des réponses lentes en raison de leur dépendance à des routes prédéterminées. En revanche, la gestion de la congestion basée sur l’apprentissage automatique du SDN, telle que présentéedans cette recherche, atténue rapidement la congestion en redirigeant dynamiquement le trafic, améliorant ainsi les performances du réseau sous la contrainte.  \nLe réseau défini par logiciel (SDN) a révolutionné les environnements de réseau informatique en séparant les plans de contrôle et de données, permettant un contrôle centralisé via des contrôleurs définis par logiciel. Le SDN offre de nombreux avantages, notamment une meilleureconfigurabilité du réseau, une gestion simplifiée et une flexibilité dans l’allocation des ressources en fonction des demandes en temps réel. Cependant, des défis spécifiques, tels que la sécurité, la fiabilité et la congestion, affectent l’efficience et l’efficacité des systèmes SDN.  \nLa congestion, en particulier, a un impact significatif sur la qualité des services SDN. Bien qu’il existe des programmes d’évitement de la congestion, des améliorations sont possibles pour fournir un service de haute qualité . Cette recherche propose un modèle d’évitement de congestion qui combine les réseaux de neurones profonds et l’algorithme Mijumbi (Mijumbi et al., 2014) pour résoudre le problème de congestion dans les SDN.  \nLe modèle proposé utilise un algorithme de réseau neuronal profond pour prédire la congestion sur la base d’une analyse approfondie de la communication de données au sein du réseau. Le modèle atténue efficacement la congestion et assure une transmission fluide en redirigeant  \nVI  \nintelligemment les données via des itinéraires alternatifs. L’étape su","cbCaibDDThvN5GXa","https://ap.wps.com/l/cbCaibDDThvN5GXa","pdf",790165,1,87,"French","fr",114,"# Résumé\n## Comparaison du contrôle de la congestion : SDN et réseaux traditionnels\n## Modèle proposé d’évitement de congestion\n## Méthodologie d’évaluation et résultats\n## Conclusion","[{\"question\":\"Quel objectif principal poursuit cette thèse ?\",\"answer\":\"Développer un modèle permettant de prédire la charge et d’atténuer la congestion dans un environnement SDN à l’aide de techniques d’apprentissage automatique.\"},{\"question\":\"Pourquoi le SDN améliore-t-il la gestion de la congestion par rapport aux réseaux traditionnels ?\",\"answer\":\"La séparation des plans de contrôle et de données du SDN permet une prédiction en temps réel et un reroutage intelligent, optimisant l’allocation des ressources lors des pics de trafic.\"},{\"question\":\"Comment le modèle proposé combine-t-il les réseaux de neurones profonds et l’algorithme de Mijumbi ?\",\"answer\":\"Les réseaux de neurones profonds prédisent la congestion à partir de l’analyse de la communication des données, puis l’algorithme de Mijumbi détourne les flux congestionnés vers des itinéraires alternatifs afin d’assurer une communication sans congestion.\"}]","Une prédiction de charge de trafic basée sur le SDN à l’aide de l’apprentissage automatique | PDF",1785815097,134,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"traffic-load-prediction-based-on-sdn-using-machine-learning","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/fr/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/fr/document/recherche-rapport/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/fr/document/traffic-load-prediction-based-on-sdn-using-machine-learning/123186/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Quel objectif principal poursuit cette thèse ?","Question",{"text":76,"@type":77},"Développer un modèle permettant de prédire la charge et d’atténuer la congestion dans un environnement SDN à l’aide de techniques d’apprentissage automatique.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Pourquoi le SDN améliore-t-il la gestion de la congestion par rapport aux réseaux traditionnels ?",{"text":81,"@type":77},"La séparation des plans de contrôle et de données du SDN permet une prédiction en temps réel et un reroutage intelligent, optimisant l’allocation des ressources lors des pics de trafic.",{"name":83,"@type":74,"acceptedAnswer":84},"Comment le modèle proposé combine-t-il les réseaux de neurones profonds et l’algorithme de Mijumbi ?",{"text":85,"@type":77},"Les réseaux de neurones profonds prédisent la congestion à partir de l’analyse de la communication des données, puis l’algorithme de Mijumbi détourne les flux congestionnés vers des itinéraires alternatifs afin d’assurer une communication sans congestion.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,104,107,110,114,116,120,124,128],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},67,"Général",61,"general",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":102,"slug":103},66,"Art de vivre",60,"lifestyle",{"id":97,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":102,"slug":106},"Bande dessinée","comic",{"id":102,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":102,"slug":109},"Examen","exam",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":102,"slug":113},59,"Littérature","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":102,"slug":115},"research-report",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":102,"slug":119},58,"Récits & Romans","story-novel",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":102,"slug":123},65,"Religion & Spiritualité","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":102,"slug":127},63,"Santé & Soins","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":102,"slug":131},62,"Technologie","technology"]