Ajouter à votre agenda
http://www-ia.lip6.fr/~canum/

CANU Maël

Estudiante de doctorado
Equipo : LFI
Localización : Jussieu
    UPMC - LIP6
    Boîte courrier 169
    Couloir 26-00, Étage 5, Bureau 512
    4 place Jussieu
    75252 PARIS CEDEX 05
    FRANCE
Tel: +33 1 44 27 88 03, Mael.Canu (at) nulllip6.fr
http://www-ia.lip6.fr/~canum/
Dirección de investigación : Marie-Jeanne LESOT
Co-supervisión : DETYNIECKI Marcin, REVAULT D'ALLONNES Adrien

Vertex-oriented community detection for mobile opportunistic networks

Les travaux présentés dans la thèse s’inscrivent dans le cadre de l’analyse des graphes de terrain (complex networks) et plus précisément de la tâche de détection de communautés, c’est-à-dire la reconnaissance algorithmique de sous-graphes particulièrement denses. Nous nous intéressons spécifiquement à l’implémentation d’une telle méthode dans un contexte fortement décentralisé et distribué : des réseaux mobiles ad-hoc (MANET) opportunistes formés par de petits objets connectés communiquant en pair-à-pair.
Afin de tenir compte des contraintes d’exécution d’algorithme dans de tels réseaux, les travaux présentés dans la thèse proposent des méthodes conçues selon le paradigme récent et actif nommé orienté sommet, en alliant le traitement de graphes Think-Like-a-Vertex aux méthodes de détection de communautés basées sur des leaders ou des graines : celles-ci présentent en effet des propriétés de décentralisation qui autorisent des implémentations parallèles et distribuées appropriées au cadre applicatif considéré. Dans ce contexte, nous proposons un principe global de fonctionnement original que nous mettons en oeuvre et déclinons dans trois algorithmes dédiés à trois configurations différentes de la tâche de détection de communautés : l’algorithme VOLCAN considère le cas de référence des communautés disjointes dans un graphe statique. Nous l’étendons ensuite avec l’algorithme LOCNeSs au cas des communautés recouvrantes, qui autorisent un sommet à appartenir à plusieurs communautés simultanément : cette généralisation donne plus de flexibilité à la détection et la rend plus appropriée au cadre applicatif considéré. Nous examinons également le cas des graphes dynamiques, c’est-à-dire dont les sommets et les arêtes évoluent au cours du temps, auquel est consacré l’algorithme DynLOCNeSs. Chacun des algorithmes est associé à une implémentation décentralisée et fait l’objet d’une étude théorique ainsi qu’expérimentale sur des données artificielles et réelles permettant d’évaluer la qualité des résultats fournis et de les comparer aux méthodes de l’état de l’art.
Nous considérons également, dans un cas particulier de MANET opportunistes et décentralisés issus d’une application réelle de vêtements intelligents et communicants, une tâche de cheminement permettant d’identifier des interlocuteurs. Nous proposons une stratégie de recommandation utilisant la structure communautaire, modélisée et évaluée à travers un algorithme nommé SWAGG.
Defensa : 20/12/2017 - 14h - Amphithéâtre Herpin (bâtiment Esclangon)
miembros del jurado :
Jean-Loup Guillaume (Professeur des Universités, L3i, Université de La Rochelle) [rapporteur]
Nicolas Labroche (Maître de Conférences (HDR), LIT, Université François Rabelais, Tours) [rapporteur]
Anne Laurent (Professeur des Universités, LIRMM, Université de Montpellier)
Clémence Magnien (Directeur de Recherche, LIP6, Université Pierre et Marie Curie, Paris)
Marie-Jeanne Lesot (Maître de Conférences (HDR), LIP6, Université Pierre et Marie Curie, Paris)
Adrien Revault d'Allonnes (Maître de Conférences, LIASD, Université Paris 8, Saint-Denis)
Marcin Detyniecki (invité) (Head of Research, AXA Data Innovation Lab, Suresnes)
Vincent Labatut (invité) (Maître de Conférences, LIA, Université d'Avignon et des Pays du Vaucluse)

Publicaciones 2014-2016

 Mentions légales
Mapa del sitio |