m Éthodes d apprentissage pour amÉliorer la qualitÉ de service d une flotte de logiciels...

MÉTHODES D’APPRENTISSAGE POUR AMÉLIORER LA QUALITÉ DE SERVICE D’UNE FLOTTE DE

LOGICIELS EMBARQUÉS

Présenté par : Somia RAHMOUN

Encadré par : Marie-Odile CORDIER

Abdelkrim BENAMAR

République Algérienne Démocratique et Populaire

Université Abou Bakr Belkaid– TlemcenFaculté des Sciences

Département d’Informatique

2010-2011

Master en Informatique

Modèle Intelligent et Décision (M.I.D)

2

INTRODUCTION

Contexte

Nouvelle technologie: Smartphone

Forte utilisation : domaine professionnel et vie courante

Ne sont pas à l’abri de problèmes techniques

Manage Yourself : logiciel empêchant ces appareils mobiles de planter

3

SOMMAIRE

Projet Manage YourSelf

Premier logiciel développé

Nouveau système proposé

Tests

Résultats

Synthèse

Conclusion

Perspectives

4

PROJET MANAGE YOURSELF

Projet de diagnostic et surveillance de plates-formes embarquées.

Faire de la prévention de pannes sur des mini-terminaux mobiles de type Smartphone.

PROJET MANAGE YOURSELF TESTSPREMIER LOGICIEL DÉVELOPPÉ RÉSULTATS CONCLUSIONNOUVEAU SYSTÈME PROPOSÉ SYNTHÈSE PERSPECTIVES

5

PROJET MANAGE YOURSELF

Architecture globale du projet


Surveillance

Diagnostic

Réparation

Règles correctives

Rapport de fonctionnement

Construction de règles correctives

Apprentissage de règles

6

PREMIER LOGICIEL DÉVELOPPÉ

7

RÉALISATION

ActeursÉtudiants de l’INSA (Institut National des Sciences Appliquées) Rennes, France.

Mise en œuvre

Développement de l’application embarquée

Serveur pour tester l’application embarquée pas très élaboré

Notre Mission

Proposer une nouvelle architecture pour le nouveau logiciel. Etudier ce qui a été fait pour le serveur du premier logiciel


8

ARCHITECTURE

Partie serveurLes deux parties ont été développées séparément

Arbre de décision : C4.5

Expert Humain


9

FONCTIONNEMENT

Constatations

L'apprentissage se refait systématiquement à partir de tous les exemples

Apprentissage incrémental

Sélection manuelle de l’ensemble de règles correctives: lourde tache pour l’expert humain, pouvant véhiculer des erreurs

Module de sélection

Les rapports remontés n’évoluent pas

Filtrage


10

NOUVEAU SYSTÈME PROPOSÉ

11

APPRENTISSAGE

Première Amélioration :


12

APPRENTISSAGE

Apprentissage incrémental: Par règle de classification

Algorithme Ripper :• Construit un ensemble de règles indépendantes • Ajoute une heuristique de post élagage sur les règles

Etude comparative entre C4.5 et Ripper a montré que:

Ripper apprend des règles de plantage+ une seule de non plantage

Ripper construit un classifieur se rapprochant le plus des règles de simulations

Pas de grandes différence coté performance


13

SÉLECTION

Deuxième amélioration:

Manipulation manuelle des règles correctives


14

SÉLECTION

Sélection des meilleurs règles à embarquer, à partir des nouvelles règles apprises et des règles correctives déjà présentes sur l’appareil mobile.


15

SÉLECTION

Objectif de la sélection

Politiques de sélection

Pour l’ajout de nouvelles règles apprises:

Enrichir l’ensemble des règles correctives

Pour la suppression de règles correctives:

Optimiser l’ensemble des règles correctives


16

SÉLECTION


Pour l’ajout des nouvelles règles apprisesAutomatique

Aucune contrainte sur les règles apprises

Par généralité

Ne garder que les règles les plus générales

R3


17

SÉLECTION


Pour la suppression des règles correctives

Seuil de couverture

Seuil fixé à 50% de couverture


18

SÉLECTION


Pour la suppression des règles correctives

Roue de la chance : Méthode aléatoire et probabiliste

Sélection Naïvela règle corrective qui a la moyenne d’utilisation la plus élevée

Pannes raresLes négliger en supprimant les règles correctives peu utilisées

R1 : 40% d’utilisation [t0, t]

R2 : 20% d’utilisation [t0, t]R3 : 10% d’utilisation [t0, t]R4 : 30% d’utilisation [t0, t]

R1R2R3R4


19

FILTRAGE

Troisième amélioration:


20

FILTRAGE

Exécution des règles correctives


21

TESTE DU SYSTÈME PROPOSÉ

22

TESTS

Tester la capacité du système à déduire un ensemble pertinent des règles correctives.

Temps nécessaire pour optimiser l’ensemble déduit

Faire tourner le système jusqu’à ce que celui-ci n’arrive plus à améliorer l’ensemble des règles correctives

comparaison avec l’ensemble des règles de simulation


23

RÉSULTATS OBTENUS

24

RÉSULTATS

Politiques d’ajout: Aucune optimisation

Politiques de suppression: Associées à la politique d’ajout par généralité

o Seuil de couverture La plus efficace en terme de temps

Déduction de l’ensemble des règles de simulations

o NaïvePas d’amélioration de l’ensemble déduit

o Roue de la chanceAméliore plus rapidement que Seuil : les deux ensembles sont équivalents


25

SYNTHÈSE DU TRAVAIL

26

SYNTHÈSE

Ancien système

Système Proposé


27

CONCLUSION

28

CONCLUSION

Etude du projet « Manage Yourself » en fixant les besoins

Etude du premier logiciel développé

Etude bibliographique sur les méthodes d’apprentissage

Conception d’un systèmes de diagnostic et surveillance tout en optimisant le système qui a été développé

Système se rapprochant le plus vers un cas réel d’utilisation

Implémentation sous JAVA : Les résultats montrent que le système converge vers l’optimalité


29

PERSPECTIVES

30

PERSPECTIVES

Affectation d’actions

Tester l’efficacité des actions correctives

S’intéresser aux profiles des utilisateurs Personnalisation du type de correction à apporter

Gestion de valeurs manquantes

Mettre en place un algorithme d’apprentissage adapté

Comprendre les pannes

Gérer les rapports de plantage et de non plantage séparément


31

MERCI …

m Éthodes d apprentissage pour amÉliorer la qualitÉ de service d une flotte de logiciels...

Documents