Depuis les années 2000 le Cloud constitue l'infrastructure majeure de calcul et de stockage de données au niveau mondial. Cependant, il est confronté actuellement à des évolutions majeures structurelles, techniques et économiques. D’où surgit l’intérêt de l’étendre via ses infrastructures aux niveaux Edge et IoT (Internet des Objets), c.-à-d. au continuum Cloud-Edge-IoT (CEI).

Le sujet de stage intervient dans le cadre d’un projet du PEPR Cloud qui cible des résultats fortement innovants relatifs à leurs caractéristiques scientifiques mais aussi concernant le développement de nouvelles méthodes permettant de prendre en compte les dépendances multi-niveaux et multi-domaines spécifiques du continuum CEI.

L’objectif de ce stage est de construire des modèles de machine learning adaptés au continuum CEI et dédiés à la prédiction d’utilisation de ressource multi-niveaux (edge et IoT). Ceci permettra d’optimiser la répartition des tâches au sein des unités de calculs. Concrètement, les données à analyser seront des logs sous forme de séries temporelles. Le stagiaire devra mettre en œuvre des modèles adaptés à ce type de données (p.ex. RNN) et établir les avantages/inconvénients d’un apprentissage centralisé vs. distribué.

[1] Bansal, S. and Kumar, M. (2023). Deep learning-based workload prediction in cloud computing to enhance the performance. In 2023 Third International Conference on Secure Cyber Computing and Communication (ICSCCC), pages 635–640.

[2] Paranou, D., Pentelas, A., Katsiros, D., Maidatsis, K., Giannopoulos, G., Angelou, E., Anastopoulos, N., and Papastefanatos, G. (2023). Forecasting resource demand for dynamic datacenter sizing in telco infrastructures. In 2023 IEEE International Conference on Big Data (BigData), pages 3813–3822.

[3] Ding, Z., Feng, B., and Jiang, C. (2022). Coin: A container workload prediction model focusing on common and individual changes in workloads. IEEE Transactions on Parallel and Distributed Systems, 33(12):4738–4751.