Académique Documents
Professionnel Documents
Culture Documents
Royaume du Maroc
Ministère de l’Enseignement Supérieur, وزارة التعليم العالي و البحث العلمي و اإلبتكار
de la Recherche Scientifique et de l’innovation كلية العلوم- جامعة ابن طفيل
Université Ibn Tofail – Faculté des Science
القنيطرة
Kénitra
Je dédie ce projet à : Mes chers parents , que nulle dédicace ne puisse exprimer mes sincères
sentiments, Pour leurs patience illimitée, leur encouragement contenu, leur aide, en
témoignage de Mon profond amour et respect pour leurs grands sacrifices. Mes chers frères
pour leur grand amour et leur soutien qu’ils trouvent ici l’expression de ma haute gratitude.
Mes chers amis Qui sans leur encouragement ce travail n’aura jamais vu le jour. Et à toute
ma famille et à tous ceux que j’aime.
Yasmine Idir
1 | 82
Remerciements
vant tout, je remercie sincèrement Allah le Tout-Puissant pour m’avoir donné la force et
la persévérance nécessaires pour mener à bien ce travail. Je tiens à exprimer ma profonde
gratitude envers Mme.Rafalia Najat , mon encadrante, pour son soutien compétent, sa
patience et ses encouragements. Son regard critique a été essentiel pour structurer le travail
et en améliorer la qualité. Je tiens également à remercier chaleureusement.Un grand merci
à M.Abouchabaka Jaafer, coordinateur du Master Big Data and Cloud Computing, pour
l’opportunité qu’il m’a offerte et son soutien. Je souhaite également exprimer ma gratitude
envers les membres du jury pour avoir pris le temps de lire et d’évaluer ce travail. Je remercie
l’équipe pédagogique et administrative du Master Big Data pour leur engagement envers une
formation de qualité. Enfin, un sincère merci à toutes les personnes ayant contribué, de près
ou de loin, à la réalisation de ce travail.
2 | 82
Abstract
vec l’expansion continue de l’Internet des objets (IOT), la gestion des données générées par les
appareils IOT, en particulier dans les applications météorologiques telles que la surveillance
de la température et de l’humidité, est devenue une préoccupation majeure. Dans le cadre de
ce projet de recherche, nous avons relevé le défi de réduire efficacement le volume de données
IOT tout en préservant l’intégrité des données. Nous avons utilisé une combinaison de col-
lecte de données à l’aide du capteur DHT11 et du microcontrôleur ESP32, suivie d’une ap-
proche multifacettes de la compression des données. Notre étude a englobé divers algorithmes
de compression, notamment la codification delta, la compression par longueurs de courses
(Run-Length Encoding, RLE), la codification d’entiers de longueur variable (Variable-Length
Integer Encoding, VLI), la méthode de Lempel-Ziv-Welch (LZW) et le conditionnement des
bits, chacun donnant des taux de compression distincts. Cependant, les résultats les plus
convaincants ont émergé lorsque nous avons combiné stratégiquement les algorithmes RLE
et LZW, atteignant un taux de compression extraordinaire de 94 De plus, nous avons mesuré
méticuleusement le temps de compression, qui s’est établi à seulement 133 microsecondes,
démontrant la praticité et l’efficacité de notre approche. Par la suite, nous avons transmis
de manière transparente les données IOT compressées vers Azure Cloud pour le stockage.
Ce processus a non seulement réduit les coûts de stockage dans le cloud, mais a également
optimisé de manière significative l’espace de stockage. En résumé, cette recherche plonge
dans les subtilités de la compression des données IOT, mettant en évidence le potentiel de
réduction substantielle des données tout en préservant l’exactitude des données. La combi-
naison innovante de RLE et LZW ouvre une voie prometteuse pour les futures applications
IOT, offrant à la fois une efficacité financière et de stockage dans une ère marquée par la
prolifération des appareils IOT.
Key words : Internet of Things (IoT), Data Compression, Azure Cloud Storage,VLI
3 | 82
Résumé
4 | 82
Liste des Figures
5 | 82
5.1 Taille des données avant et apres la compression .................................................... 74
5.2 Taux de compression ................................................................................................ 75
5.3 Temps de compression ............................................................................................... 76
5.4 Les données compressées stocker dans Azure cloud ................................................ 77
6 | 82
Table des Matières
Dédicace 1
Résumé 2
Abstract 3
Résumé 4
Liste des figures 5
Liste des tables 10
7 | 82
2.3.3 Algorithmes de Compression .......................................................................... 28
2.3.4 Compression Hybride ...................................................................................... 32
2.4 Systèmes Multi-Agents ............................................................................................. 33
2.4.1 Rôle des Systèmes Multi-Agents dans la Compression de Données IoT 34
2.4.2 Étude de Cas : Notre Système Multi-Agent ................................................ 35
2.5 Azure Blob Storage et stockage de données IoT .................................................... 37
2.5.1 Azure Blob Storage ........................................................................................ 37
2.5.2 Architecture d’Azure Blob Storage ............................................................... 38
2.5.3 Stockage des données IoT ............................................................................. 39
2.6 synthèse de l’état de l’art ......................................................................................... 40
2.6.1 Conclusion ...................................................................................................... 42
8 | 82
5 Résultats de la Simulation et Discussion 66
5.1 Introduction ................................................................................................................ 67
5.2 Paramètres de Mesure .............................................................................................. 67
5.3 Performance des Algorithmes Individuels .................................................................. 68
5.4 Résultat ..................................................................................................................... 73
5.4.1 Comparaison de la taille des données avant et apres la compression . 73
5.4.2 Comparaison de Taux de compression ........................................................ 74
5.4.3 Comparaison de temps de compression ........................................................ 76
5.4.4 Les données compressées stocker dans le service azure cloud ..................... 77
5.5 Déscussion ................................................................................................................. 78
Références 80
9 | 82
Liste des Tableaux
10 | 82
Introduction Générale
Avec l’avènement de l’Internet des Objets (IOT), la collecte et la gestion des données générées
par des capteurs ont pris une importance considérable. Les capteurs météorologiques, en par-
ticulier, jouent un rôle clé dans la surveillance des conditions environnementales, y compris
des paramètres essentiels tels que la température et l’humidité. Les données générées par ces
capteurs ont une grande variété d’applications, de l’agriculture à la météorologie, en passant
par les systèmes de contrôle environnemental.
L’agent de collecte est chargé de réunir les données brutes en temps réel à partir des
capteurs IoT, tandis que l’agent de compression met en œuvre des méthodes de compression
hybrides pour minimiser l’espace de stockage requis. Les données compressées sont ensuite
transmises à l’agent de stockage, qui tire parti d’Azure Blob Storage pour les stocker de
manière structurée. Enfin, l’agent de nettoyage des données obsolètes veille à maintenir
l’efficacité de l’espace de stockage en supprimant les données en fin de vie.
11 | 82
Ce projet est une entreprise ambitieuse qui vise à réduire les coûts de stockage tout en
préservant l’intégrité des données. En optimisant la gestion des données météorologiques, il
contribue à améliorer la prise de décision dans un contexte où les capteurs IoT se multiplient.
Dans les chapitres suivants, nous explorerons en détail les composants et les résultats de ce
projet novateur.
12 | 82
Chapter 1
13 | 82
1.1 Introduction
Ce chapitre introduit le contexte général de notre projet axé sur la gestion efficace des données
IoT météorologiques. Nous explorerons la montée en puissance de l’IoT et son impact sur
la collecte de données météorologiques, ainsi que les défis associés à cette évolution. Nous
identifierons la problématique qui motive notre projet et énoncerons clairement nos objectifs.
À travers cette introduction, nous jetons les bases de notre compréhension du domaine et des
enjeux qui seront abordés tout au long de ce rapport. Plongeons dans l’univers passionnant
de la gestion des données météorologiques IoT.
1.2 Contexte
L’évolution rapide de l’Internet des Objets (IoT) a eu un impact significatif sur notre capacité
à collecter des données à partir de capteurs déployés dans divers environnements. Parmi les
domaines bénéficiant le plus de cette avancée, la surveillance environnementale occupe une
place cruciale. Les capteurs environnementaux IoT sont désormais couramment utilisés pour
collecter des données météorologiques en temps réel, notamment la température et l’humidité.
Cette collecte de données météorologiques en temps réel est essentielle pour de nombreuses
applications, telles que la prévision météorologique, la surveillance des conditions environ-
nementales et la prise de décisions dans des domaines variés, tels que l’agriculture, la gestion
de l’énergie et la logistique. Cependant, cette profusion de données crée de nouveaux défis,
notamment la gestion, la compression et le stockage efficaces de ces informations cruciales.
Dans ce contexte, notre projet se positionne comme une solution novatrice pour répondre
à ces défis. En utilisant une approche basée sur une architecture multi-agent, nous visons à
améliorer la gestion des données météorologiques IoT, en garantissant à la fois leur efficacité
et leur intégrité. Notre objectif est de réduire les coûts de stockage tout en optimisant la
gestion des données pour une utilisation future.
14 | 82
En comprenant les besoins et les défis liés à la gestion des données météorologiques IoT,
nous sommes prêts à relever ces défis en proposant une solution basée sur une architecture
multi-agent et des techniques de compression de données hybrides.
1.3 Problématique
La collecte de données IoT, en particulier les données météorologiques générées par des cap-
teurs environnementaux, est une pratique courante. Cependant, cette collecte massive de
données entraı̂ne des défis en matière de gestion, de stockage et d’efficacité. La problématique
qui se pose est de savoir comment gérer de manière optimale ces données tout en garantissant
leur intégrité, leur disponibilité et en réduisant les coûts de stockage.
Plus précisément, les principaux points à considérer sont les suivants :
1. Volume de données élevé : Les capteurs IoT génèrent une quantité importante de
données en continu. La gestion de ces flux massifs de données nécessite des approches
spécifiques pour éviter la saturation des capacités de stockage.
2. Efficacité de stockage : Stocker des données IoT sur le cloud peut entraı̂ner des coûts
significatifs. Il est essentiel de trouver des moyens de compresser les données sans perte
d’information importante pour réduire ces coûts.
3. Intégrité des données : Les données météorologiques sont essentielles pour de nom-
breuses applications. Toute altération des données peut avoir des conséquences graves.
Il est donc crucial de garantir l’intégrité des données à chaque étape de la gestion.
Notre problèmatique:
15 | 82
”Comment efficacement gérer le volume considérable de données IoT météorologiques
en temps réel collectées par un capteur DHT11, tout en garantissant l’intégrité des données,
optimisant l’espace de stockage et réduisant les coûts associés, grâce à un système multi-agent
innovant?”
1.4 Objectif
L’objectif principal de ce projet est de développer un système de gestion de données IoT
météorologiques basé sur une architecture multi-agent avec des méthodes de compression
hybrides pour optimiser le stockage tout en préservant l’intégrité des données. Les objec-
tifs spécifiques comprennent la collecte de données à partir de capteurs environnementaux,
l’application de techniques de compression hybrides, le stockage structuré des données dans
Azure Blob Storage, la suppression des données obsolètes et l’évaluation des performances
globales du système. L’objectif global est de fournir une solution novatrice pour la gestion ef-
ficace des données IoT météorologiques, en réduisant les coûts de stockage tout en maintenant
la qualité des données.
16 | 82
Figure 1.2: Les objectives de notre systeme multi agents
17 | 82
une solution innovante pour gérer efficacement ces données, ce qui répond directement à la
problématique de la surabondance de données IoT.
Pertinence Sociale ou Économique : La gestion efficace des données IoT n’a pas
seulement des avantages économiques, mais elle peut également avoir un impact social im-
portant. Par exemple, dans le contexte de la surveillance environnementale, des données de
capteurs IoT précises et bien gérées peuvent contribuer à la prise de décisions éclairées pour
protéger l’environnement et la santé publique.
1.6 Limitations
Malgré les avantages et l’innovation que présente le projet ”Système Multi-Agent pour le
Stockage de Données IoT”, il est important de reconnaı̂tre les limitations inhérentes à cette
approche. Ces limitations peuvent influencer la mise en œuvre, la performance et l’impact
du système. Il est essentiel de les prendre en compte pour une compréhension complète du
18 | 82
projet. Les principales limitations comprennent :
Sécurité : Alors que le projet se concentre principalement sur la gestion des données,
il est important de noter que la sécurité des données est un aspect critique. Les menaces
potentielles, telles que la cybercriminalité, doivent être évaluées et des mesures de sécurité
appropriées doivent être mises en place pour protéger les données sensibles.
1.7 Conclusion
Ce premier chapitre a présenté le contexte général de notre projet, mettant en avant le défi
lié à la gestion des données massives générées par les capteurs IoT. Notre objectif principal
est de proposer une solution de compression hybride innovante pour optimiser le stockage des
données IoT tout en préservant leur qualité. Le prochain chapitre examinera la littérature
existante dans ce domaine en constante évolution.
19 | 82
Chapter 2
20 | 82
2.1 Introduction
L’Internet des Objets (IoT) est une technologie en constante expansion qui a transformé
la manière dont les données sont collectées, transmises et exploitées dans divers domaines,
de la surveillance environnementale à la santé connectée. Les capteurs IoT génèrent une
quantité massive de données, devenant ainsi une source inestimable d’informations pour de
nombreuses applications. Cependant, la gestion de ces données massives présente des défis
considérables, notamment la nécessité de stockage, de transmission et d’analyse efficaces.
Ce chapitre se penche sur les concepts clés qui sous-tendent le projet ”Système Multi-
Agent pour le Stockage de Données IoT”. Il examine les principaux aspects de l’Internet des
Objets, de la compression de données et des systèmes multi-agents, qui sont au cœur de la
gestion des données IoT. L’objectif est de fournir un contexte solide pour la compréhension
des défis et des opportunités liés à la gestion des données IoT, tout en mettant en lumière
les innovations et les tendances actuelles dans ces domaines.
Nous débuterons par une exploration approfondie de l’Internet des Objets, en présentant
ses fondements, ses applications et ses architectures typiques. Ensuite, nous nous pencherons
sur l’art de la compression de données, en mettant en évidence les techniques couramment
utilisées et leurs avantages. Enfin, nous aborderons le concept de systèmes multi-agents et
son application dans la gestion des données IoT, en soulignant les avantages et les défis as-
sociés à cette approche.
Ce chapitre vise à établir une base solide pour la compréhension des enjeux du projet, en
préparant le terrain pour les chapitres à venir. Il met en évidence l’importance cruciale de
la gestion des données IoT dans un monde de plus en plus connecté, tout en explorant les
innovations qui façonnent l’avenir de cette technologie.
21 | 82
2.2 Internet des objets (IOT)
L’Internet des Objets (IoT) est un réseau interconnecté d’appareils physiques, de dispositifs,
de véhicules et d’autres équipements intégrant des capteurs, des logiciels et des technologies
de communication. Il permet à ces objets de collecter et d’échanger des données entre eux
ou avec des systèmes externes via Internet. Cette technologie connecte des objets du quo-
tidien à des réseaux, leur permettant de recueillir des informations, de les transmettre et
d’effectuer des actions en fonction de ces données. L’IoT ouvre de nombreuses perspectives,
notamment dans les domaines de la domotique, de la santé, de l’industrie, des transports et
de l’agriculture. Les appareils IoT sont équipés de capteurs qui recueillent des données, les
transfèrent par des moyens sans fil ou câblés, et les stockent ou les traitent dans le cloud.
Cette technologie est associée à des concepts tels que la connectivité, l’automatisation, la
collecte de données en temps réel et l’intégration de l’intelligence artificielle pour améliorer
les opérations et l’efficacité. Elle constitue un élément clé de la transformation numérique et
stimule l’innovation dans de nombreux secteurs.
• Capteurs et Dispositifs : Les capteurs sont des composants essentiels de l’IoT. Ils
peuvent mesurer une variété de paramètres tels que la température, l’humidité, la pres-
sion, la localisation, et bien d’autres. Ces dispositifs transforment les caractéristiques
physiques du monde réel en données numériques.
22 | 82
• Cloud Computing : Les données collectées par les dispositifs IoT sont souvent en-
voyées vers des serveurs dans le cloud, où elles sont stockées, traitées et analysées. Le
cloud offre une énorme capacité de stockage et de calcul, permettant de gérer efficace-
ment les données massives générées par l’IoT.
• Santé Connectée : Les dispositifs IoT, tels que les moniteurs de fréquence cardiaque
et les balances connectées, permettent le suivi en temps réel de la santé des individus.
Les données sont souvent partagées avec les professionnels de la santé pour une meilleure
gestion des soins.
• Agriculture Intelligente : L’IoT est utilisé pour surveiller les conditions environ-
nementales, l’irrigation et la croissance des cultures. Cela permet d’optimiser la pro-
duction agricole et de réduire les pertes.
• Villes Intelligentes : Les capteurs IoT sont déployés dans les villes pour surveiller la
qualité de l’air, la gestion des déchets, le trafic, et d’autres aspects de la vie urbaine.
Cette surveillance permet d’améliorer la qualité de vie des citoyens.
23 | 82
• Environnement et Surveillance : Les chercheurs utilisent l’IoT pour collecter des
données environnementales cruciales, telles que les niveaux de pollution, les change-
ments climatiques et la surveillance de la faune.
• Couche de Connectivité : Une fois les données collectées, cette couche gère la com-
munication et la transmission des données des capteurs vers les réseaux, qu’il s’agisse
de réseaux locaux (comme le Wi-Fi, le Bluetooth) ou de réseaux étendus (comme la
4G, la 5G, le LPWAN).
24 | 82
serveurs qui effectuent des opérations de filtrage, de normalisation et de prétraitement
des données avant de les transmettre à des systèmes plus avancés.
25 | 82
2.3 Compression de Données
La compression de données est un élément clé de la gestion des données IoT, et elle joue
un rôle central dans le projet ”Système Multi-Agent pour le Stockage de Données IoT”.
Cette section explore les concepts fondamentaux de la compression de données, les types de
compression, son importance dans les systèmes IoT et l’approche de compression hybride
adoptée dans le projet.
26 | 82
Figure 2.2: lossless-lossy-data-compression
efficace. Cette technique est couramment utilisée dans des situations où il est essentiel de
préserver la précision des données, telles que le stockage de documents et la transmission de
données. Elle est idéale pour les documents basés sur du texte, les logiciels et toute donnée
où aucune perte d’information n’est acceptable.
27 | 82
Figure 2.3: comparaison entre la compression avec et sans perte
28 | 82
caractères individuels sont représentés par des ”runs” d’une seule occurrence, et que
les espaces vides dans les données textuelles sont souvent omis.
À titre d’exemple :
Entrée : YYYBBCCCCDEEEEEERRRRRRRRRR
Sortie : 3Y2B4C1D6E10R
Cela signifie que dans la séquence d’entrée, ”YYY” est représenté par ”3Y”, ”BB” par
”2B”, ”CCCC” par ”4C”, et ainsi de suite. Bien que le RLE ne puisse pas atteindre les
taux de compression élevés des techniques plus avancées, sa simplicité de mise en œuvre
et sa rapidité d’exécution en font une option pratique pour des tâches de compression
moins complexes.
29 | 82
Chaque entrée dans le dictionnaire est ensuite représentée par un code associé. Ainsi,
la séquence complète peut être exprimée comme suit :
Sortie : 0 1 2 3 4 1 5 6 2 7 3 8
L’algorithme LZW se distingue par sa capacité à compresser efficacement les données
en remplaçant les motifs récurrents par des codes plus courts, ce qui contribue à réduire
significativement la taille des données. Sa flexibilité face à différents types de motifs de
données en fait une méthode de compression adaptable pour une variété de données.
Ces deux techniques de compression sont appliquées pour minimiser l’espace nécessaire
au stockage des données IoT collectées, optimisant ainsi l’efficacité du système de ges-
tion de données.
• Deltat Encoding : Egalement connu sous le nom de compression delta, est une
technique de compression de données qui se concentre sur la représentation des données
comme la différence entre des valeurs séquentielles. Son objectif est de réduire la taille
des données en encodant le changement (delta) d’un point de données au suivant, plutôt
que de stocker les valeurs absolues. Cette méthode est particulièrement utile lorsque
les valeurs consécutives dans un ensemble de données présentent de petites variations.
Par exemple, considérez l’ensemble de données suivant :
Valeurs d’origine : 50, 52, 54, 57, 59
30 | 82
Le codage delta représenterait cela comme la valeur initiale (50), suivie des différences
par rapport à la valeur précédente :
Encodage Delta : 50, +2, +2, +3, +2
La séquence encodée indique que la valeur initiale est 50, et que les valeurs suivantes
peuvent être dérivées en ajoutant les différences indiquées. De cette manière, le codage
delta peut comprimer efficacement des données présentant une série de changements
incrémentiels. Bien qu’il puisse ne pas atteindre des taux de compression aussi élevés
que certaines méthodes avancées, sa simplicité et son efficacité en font un choix précieux
pour certains types de tâches de compression de données.
• VLI Algorithm :L’Encodage d’Entiers à Longueur Variable (VLI) est une méthode
de compression de données qui se focalise sur l’encodage efficient des valeurs entières en
utilisant un nombre de bits adaptatif. Cette technique s’avère très utile lorsque vous
avez un éventail de valeurs entières présentant des magnitudes variables et que vous
31 | 82
souhaitez les représenter de manière concise avec un minimum de bits.
Par exemple, prenons un ensemble de valeurs entières : 15, 257, 10000 et 3. Le VLI
encoderait ces valeurs comme suit :
Valeurs Originales : 15, 257, 10000, 3
Représentation VLI :
00001111 (15 en binaire) 10000001 00000001 (257 en binaire) 11011100 00000000 00001000
(10000 en binaire) 00000011 (3 en binaire)
Avec le VLI, chaque valeur est encodée en utilisant le nombre minimum de bits requis
pour représenter cette valeur spécifique. Ceci permet un stockage plus efficace des
entiers de petite taille, mais peut entraı̂ner une représentation légèrement plus longue
pour les entiers de grande taille. Cette approche s’avère particulièrement avantageuse
pour encoder des entiers présentant des magnitudes variables tout en minimisant les
exigences de stockage. Le VLI est souvent employé dans des applications nécessitant le
stockage et la transmission efficaces de valeurs entières variées, petites ou grandes.
32 | 82
plus courts, il permet une réduction significative de la taille des données tout en assurant
une compression sans perte.
Dans la méthode de compression hybride, le processus débute par le codage RLE des
séquences répétitives de valeurs de température et d’humidité au sein des données IoT. En-
suite, les données compressées par RLE passent par l’algorithme LZW, qui identifie et encode
les motifs récurrents au sein du flux compressé par RLE, en exploitant ses capacités de re-
connaissance de motifs.
Cette combinaison harmonieuse des deux techniques produit un taux de compression im-
pressionnant. Notamment, la méthode de compression hybride affiche un taux de compres-
sion exceptionnel pouvant atteindre jusqu’à 94% dans certaines conditions. Cette efficacité
remarquable met en avant la synergie collaborative entre le RLE et le LZW, optimisant ef-
ficacement à la fois le stockage et la transmission des données. De plus, cette méthode est
spécialement adaptée à la compression de données en temps réel, en faisant un choix idéal
pour les applications IoT nécessitant une transmission rapide des données et un stockage
efficace. En somme, la méthode de compression hybride se présente comme une solution
élégante qui réduit considérablement l’empreinte de stockage, améliore l’efficacité de trans-
fert des données et préserve l’intégrité des données d’origine de l’IoT. Elle s’avère être une
approche prometteuse et pratique dans le domaine en constante évolution des applications
IoT et de la gestion en temps réel des données.
33 | 82
• Agents : Ces entités représentent des unités autonomes capables de percevoir l’environnement,
de prendre des décisions et d’agir en conséquence. Chaque agent peut posséder des con-
naissances propres et peut interagir avec d’autres agents pour atteindre des objectifs
communs.
• Communication :Les agents communiquent entre eux via des protocoles d’échange
d’informations. Ces mécanismes de communication permettent aux agents de partager
des données, de collaborer et de résoudre des problèmes de manière distribuée.
34 | 82
• Adaptabilité et Flexibilité : Les agents peuvent être programmés pour s’adapter
dynamiquement aux variations dans les modèles de données. Ils peuvent ajuster leurs
méthodes de compression en fonction des types de données reçus, assurant ainsi une
compression optimale et efficace.
• Gestion de la Charge : La répartition des tâches entre les agents permet de gérer
efficacement la charge de travail. Les agents peuvent être équilibrés en fonction de la
disponibilité des ressources, évitant ainsi la surcharge de certains agents et assurant
une utilisation équilibrée des ressources disponibles.
35 | 82
niques RLE et LZW, pour réduire significativement l’espace de stockage requis. Cette phase
de compression est essentielle pour gérer de manière efficiente le volume massif de données
générées par les capteurs.
Les données compressées sont ensuite acheminées vers l’Agent de Stockage de Données
(ASD). Celui-ci se charge d’organiser les données de manière structurée en utilisant le ser-
vice Azure Blob Storage. Une particularité de notre système est la création de conteneurs
distincts pour chaque journée, ce qui assure une organisation claire des données.
Cette architecture novatrice se veut être une solution complète et efficace pour gérer le
volume massif de données IoT générées par les capteurs. Elle permet de réduire les coûts de
stockage tout en conservant l’intégrité des données tout au long du processus, ouvrant ainsi
la voie à une gestion des données IoT plus efficiente.
En résumé, cette figure2.4 de cas détaille comment chaque agent contribue au succès du
système multi-agent pour la gestion des données IoT. Chaque rôle est essentiel pour garantir
l’efficacité de la collecte, de la compression, du stockage et de la gestion des données. Le
système offre des avantages économiques et pratiques en répondant au défi pressant de la
gestion des données IoT à volume massif.
36 | 82
Figure 2.5: Architecture de system
37 | 82
• Évolutivité : Azure Blob Storage permet de stocker un volume massif de données,
adapté aux besoins croissants de l’Internet des objets (IoT).
• Durabilité : Les données stockées dans Azure Blob Storage sont répliquées sur plusieurs
centres de données, garantissant leur disponibilité et leur durabilité.
2. Conteneurs :À l’intérieur de chaque compte de stockage, les ”Conteneurs Blob” sont
créés pour organiser logiquement les données. Ces conteneurs servent de regroupe-
ment pour les objets Blob et permettent une segmentation logique des données sans
hiérarchie.
3. Objets Blob :Les ”Objets Blob” constituent les données réelles stockées dans les
conteneurs. Avec différents types tels que Bloc Blob, Page Blob et Blob Append, ils
peuvent stocker une variété de données, des fichiers médias aux informations textuelles.
38 | 82
4. Accès et Sécurité :Azure Blob Storage propose divers mécanismes de sécurité pour
protéger les données, y compris les clés d’accès partagées, les signatures d’accès partagé
(SAS) et les contrôles d’accès basés sur les rôles (RBAC). Ces fonctionnalités permet-
tent de restreindre et de gérer l’accès aux données stockées.
L’une des caractéristiques intéressantes de notre approche est l’organisation des données
dans des conteneurs distincts pour chaque jour. Cette structure garantit une gestion claire et
chronologique des données IoT. Les conteneurs sont nommés en fonction de la date (par exem-
ple, ”2023-11-01” pour les données collectées le 1er novembre 2023). À l’intérieur de chaque
conteneur, les données sont stockées sous forme de blobs, permettant ainsi une récupération
efficace.
39 | 82
Figure 2.6: Azure Blob
L’utilisation d’Azure Blob Storage facilite la gestion et l’accès aux données stockées. De
plus, le service offre des fonctionnalités avancées, telles que la définition de politiques de
rétention, qui permettent de supprimer automatiquement les données obsolètes, contribuant
ainsi à maintenir un espace de stockage propre et efficace.
Dans la section des résultats, nous examinerons plus en détail comment cette stratégie
de stockage a contribué à la gestion efficace des données IoT collectées par notre système
multi-agent.
40 | 82
[1] Prof. Dipti Mathpal: Cette référence examine diverses techniques de compression
de données, notamment des méthodes de compression sans perte. Elle propose également
une étude comparative de ces techniques pour évaluer leur efficacité.
[2] Prof. Ruchi Gupta : Dans cette référence, les auteurs comparent des méthodes de
compression de données avec perte et sans perte. Ils évaluent ces méthodes en utilisant des
métriques telles que le taux de compression, le facteur de compression, le gain de compres-
sion, le pourcentage d’économies, le temps de compression, etc.
[3] Amandeep Singh : Cette référence présente une approche de compression hybride
qui combine la réduction dynamique des bits et le codage Huffman. Cette méthode vise à
améliorer le taux de compression par rapport aux méthodes de compression conventionnelles.
[4] Rupinder Singh : L’auteur propose un nouvel algorithme de réduction des bits qui
exploite la théorie des nombres et des techniques de différentiation de fichiers pour réduire
la complexité temporelle de la compression de données.
41 | 82
[8]V.G.Savani : L’auteur décrit l’implémentation d’un algorithme de compression de
données dans un FPGA à l’aide du kit de développement intégré Xilinx. La référence souligne
également les avantages d’une telle implémentation, notamment la facilité de mise à jour
matérielle et des temps de compression plus rapides.
2.6.1 Conclusion
Dans ce chapitre, nous avons exploré l’état actuel de l’Internet des Objets (IoT) et son
application dans la surveillance environnementale. Nous avons examiné les tendances, tech-
nologies et défis liés à la collecte et à la gestion des données des capteurs IoT. Cette analyse
approfondie a mis en évidence l’importance croissante de l’IoT dans la surveillance envi-
ronnementale, offrant des opportunités pour des applications variées telles que la prévision
météorologique et la gestion énergétique. Nous avons également identifié des concepts clés
tels que la gestion des données en temps réel, la compression des données IoT et l’architecture
multi-agent, qui seront fondamentaux pour notre projet. En somme, cette exploration fournit
une base solide pour la mise en place d’une solution novatrice visant à optimiser la gestion
des données météorologiques IoT dans le contexte de la surveillance environnementale.
42 | 82
Chapter 3
43 | 82
3.1 Introduction
Ce chapitre se consacre à la présentation de l’architecture du système développé pour la
gestion des données IoT dans le domaine météorologique. L’architecture du système con-
stitue l’épine dorsale de ce projet, déterminant la manière dont les données sont collectées,
compressées, stockées et gérées. Une compréhension approfondie de cette architecture est
essentielle pour saisir le fonctionnement du système dans son ensemble.
• Les Capteurs IoT : Les capteurs IoT représentent le premier maillon de la chaı̂ne de
collecte de données. Déployés sur le terrain, ces dispositifs enregistrent en temps réel
diverses informations météorologiques telles que la température, l’humidité, et d’autres
paramètres essentiels à la météorologie. Ces données sont collectées de manière con-
tinue, offrant ainsi une source constante d’informations pour l’ensemble du système.
• Les Agents Collecteurs : Les agents collecteurs jouent un rôle crucial dans le proces-
sus de regroupement des données provenant des capteurs IoT. Ils récupèrent et agrègent
les données collectées depuis divers capteurs pour former des ensembles de données plus
vastes et contextualisées. Ces agents assurent l’assemblage et la préparation des données
brutes pour le traitement ultérieur.
• Les Agents de Compression : Après l’agrégation des données, celles-ci sont trans-
mises aux agents de compression. Ces agents sont spécifiquement conçus pour appliquer
des techniques de compression sophistiquées. Ces techniques visent à réduire la taille
des données tout en préservant leur intégrité et leur qualité. En minimisant l’espace de
stockage nécessaire et en optimisant la transmission des données, ces agents contribuent
à l’efficacité globale du système.
44 | 82
• Le Stockage dans Azure Blob Storage : Les données compressées sont stockées
dans Azure Blob Storage, un service de stockage cloud puissant et évolutif. Cette
plateforme offre une solution robuste pour stocker et gérer efficacement d’importants
volumes de données. Le stockage est organisé de manière à faciliter l’accès et la gestion
des données, permettant ainsi une analyse et une récupération rapides en fonction des
besoins spécifiques.
Agent de Compression : Une fois qu’il reçoit les lots de données du collecteur, l’agent
de compression applique des techniques de compression (comme RLE - Run-Length Encod-
45 | 82
ing et LZW - Lempel-Ziv-Welch) pour réduire la taille des données sans compromettre leur
intégrité. Les données compressées sont ensuite transmises à l’agent de stockage Azure.
Agent de Stockage Azure : Cet agent reçoit les données compressées de l’agent de
compression et les stocke de manière sécurisée dans Azure Blob Storage. Il assure également
une organisation appropriée des données en fonction des besoins de stockage, facilitant ainsi
un accès efficace pour une récupération ou une analyse ultérieure.
Agent de Récupération : Lorsqu’une demande est reçue pour accéder à des données
stockées, l’agent de récupération localise et extrait les données spécifiques stockées dans
Azure Blob Storage. Il les décompresse pour les restaurer dans leur forme originale, permet-
tant ainsi leur utilisation pour des analyses ou des prévisions.
Agent d’Archivage : L’agent d’archivage surveille la durée de stockage des données dans
Azure Blob Storage. Il déplace périodiquement les données moins fréquemment utilisées vers
des emplacements d’archivage. Cette opération libère de l’espace dans le stockage actif tout
en conservant un accès aux données pour des besoins historiques ou d’audit.
Chaque agent contribue ainsi à une gestion fluide et efficace des données IoT, garantis-
sant une collecte, un stockage, une compression et une récupération optimisés des données
météorologiques collectées.
46 | 82
Figure 3.1: Communication entre Agent de Collecte et Agent de Compression
particulier l’agent de compression. Une fois qu’une connexion est établie, les données
collectées sont transmises en temps réel. Cette approche assure une collecte rapide et
efficace des données provenant des capteurs IoT.
47 | 82
Figure 3.2: Communication entre Agent de compression et Agent de stockage
• Sockets pour le stockage : L’agent de stockage crée un socket serveur pour permettre
la communication avec l’agent de compression. Une fois que les données compressées
sont reçues, l’agent de stockage les organise de manière ordonnée dans Azure Blob
Storage. Cette étape est cruciale pour assurer une structuration claire des données et
faciliter leur récupération ultérieure.
48 | 82
Figure 3.3: Communication entre Agent de Stockage et Agent de Décompression
3.3 Conclusion
En conclusion, ce chapitre a détaillé l’architecture de notre système multi-agent dédié à la
gestion des données IoT dans le domaine météorologique. Nous avons examiné en profondeur
la manière dont les agents interagissent pour collecter, compresser, stocker et gérer les données
générées par les capteurs IoT. De plus, nous avons mis en évidence l’utilisation de sockets
pour faciliter la communication entre les agents. L’architecture présentée est conçue pour
répondre au défi du volume massif de données IoT et pour garantir une gestion efficace tout
en préservant l’intégrité des données.
49 | 82
Chapter 4
50 | 82
4.1 Introduction
Cette section met en lumière la phase de mise en œuvre pratique de notre projet ”Système
Multi-Agent pour le Stockage de Données IoT”. Nous passerons en revue les agents clés et les
technologies employées pour concrétiser notre solution. Chaque agent joue un rôle spécifique
dans le processus, de la collecte des données à leur stockage organisé dans le cloud. Vous
découvrirez les détails de leur développement ainsi que les choix technologiques pertinents.
A .Langages de Programmation
Pour la collecte de données à partir des capteurs IoT, nous avons utilisé l’envirenement
de programmation Arduino IDE pour programmer le microcontrôleur ESP32. Ce micro-
contrôleur a été spécifiquement configuré pour lire la température et l’humidité à partir du
capteur DHT11. Les données ainsi collectées étaient ensuite disponibles pour notre système.
51 | 82
En ce qui concerne nos agents, nous avons opté pour le langage de programmation Python
pour leur développement. Le choix de Python s’est avéré judicieux en raison de sa flexibilité,
de sa large communauté de développeurs et de sa compatibilité avec les dispositifs matériels
que nous utilisions.
L’agent de collecte de données, par exemple, était chargé de récupérer les données collectées
par le microcontrôleur ESP32 via le périphérique CM3. Python a facilité la communication
entre ces composants et la gestion des données.
De même, l’agent de compression, l’agent de stockage, et l’agent de nettoyage des données
ont été développés en utilisant le langage Python, permettant une cohérence dans notre
approche de développement.
Ces choix de langages de programmation ont été guidés par leur adaptabilité aux différents
composants de notre solution et leur capacité à répondre à nos besoins en matière d’efficacité
et de performance.
B .Capteurs IoT
Les capteurs IoT jouent un rôle crucial dans la collecte des données qui alimentent notre
système. Dans cette section, nous examinerons de plus près les capteurs IoT que nous avons
utilisés et comment ils ont été intégrés dans notre solution.
• VCC (ou VDD) : Cette broche est utilisée pour l’alimentation électrique. Le DHT11
fonctionne généralement avec une tension d’alimentation de 3,3 à 5 volts.
52 | 82
Figure 4.2: Capteur DHT11
• NC (Non Connecté) : Cette broche n’est généralement pas utilisée et peut être
laissée non connectée.
• GND : Il s’agit de la broche de mise à la terre, qui doit être connectée à la masse
commune de l’alimentation électrique pour compléter le circuit électrique.
L’intégration du capteur DHT11 dans notre solution permet la collecte précise des données de
température et d’humidité, fournissant ainsi des informations essentielles pour notre système
de gestion des données IoT.
53 | 82
collecte précise des données de température et d’humidité, fournissant ainsi des informations
essentielles pour notre système de gestion des données IoT.
• Nous avons connecté le capteur DHT11 à l’ESP32, assurant une connexion sécurisée
des trois broches pour l’alimentation, le transfert de données et la mise à la terre.
54 | 82
• Pour créer un circuit électronique fiable, nous avons utilisé un breadboard (plaque
d’essai) pour organiser et interconnecter les composants, offrant ainsi une plateforme
de prototypage efficace.
• Les fils de connexion ont été utilisés pour établir les connexions entre les composants,
assurant une communication fluide et fiable.
En combinant ces éléments matériels, nous avons pu mettre en place une infrastructure de
collecte de données stable et précise.
En intégrant Azure Blob Storage dans notre solution, nous avons pu garantir un stockage
efficace et une structuration claire des données, ce qui est essentiel pour la gestion de volumes
importants de données IoT.
55 | 82
4.3 Mise en place de l’environnement de collecte de
données
Afin de recueillir des données météorologiques précises, nous avons établi une configu-
ration de collecte de données en utilisant deux composants clés : le capteur DHT11 et le
microcontrôleur ESP32.
Nous avons commencé par connecter le capteur DHT11 à l’ESP32. Cette connexion im-
pliquait trois broches pour l’alimentation, le transfert de données et la mise à la terre. Nous
avons veillé à ce que la connexion soit sécurisée pour éviter tout problème potentiel.
Pour garantir une collecte de données ininterrompue, nous avons utilisé une source d’alimentation
externe pour l’ESP32. Cela signifiait que nous n’avions pas à nous soucier des interruptions
d’alimentation affectant nos données.
56 | 82
Nous avons également positionné soigneusement le capteur DHT11 dans l’environnement
d’intérêt, en veillant à ce qu’il ait une vue dégagée de l’air environnant.
Sur le plan logiciel, nous avons utilisé l’IDE Arduino et la bibliothèque DHT (DHT.h)
pour simplifier la communication entre l’ESP32 et le capteur DHT11. Cela a facilité la col-
lecte de données à intervalles réguliers.
La collecte de données a été effectuée de manière continue sur une période définie afin de
garantir la représentativité des données collectées. Les données brutes collectées compren-
nent un ensemble de paires de température et d’humidité.
57 | 82
Date et heure Temperature (°C) Humidité (%)
2023-10-19 08:00:00 23.5 45
2023-10-19 08:15:00 24.0 43
2023-10-19 08:30:00 23.8 44
2023-10-19 08:45:00 22.3 46
2023-10-19 09:00:00 24.2 41
2023-10-19 09:20:00 26.5 45
2023-10-19 09:21:00 24.0 48
2023-10-19 09:30:00 23.8 44
2023-10-19 09:31:00 23.3 46
2023-10-19 09:40:00 24.2 42
58 | 82
1. Collecte de Données du Capteur DHT11 : L’agent de collecte de données établit
une connexion avec le capteur DHT11 via une interface série (périphérique série) pour
obtenir les mesures de température et d’humidité en temps réel.
2. Regroupement en Lots : Une fois les données collectées à partir du capteur, l’agent
les regroupe en lots. Cela permet de réduire le nombre de transactions de transmission
de données, ce qui est particulièrement utile pour économiser des ressources.
L’agent de collecte de données joue un rôle essentiel dans la simplification du processus de col-
lecte de données. Il automatise la collecte à intervalles prédéfinis, éliminant ainsi la nécessité
d’une intervention humaine continue. En regroupant les données en lots, il réduit la charge
de communication et optimise l’utilisation des ressources du système.
59 | 82
4.5.2 Agent de Compression
L’agent de compression joue un rôle essentiel dans notre système multi-agent pour le stock-
age de données IoT. Sa fonction principale est de recevoir les données de l’agent de collecte,
de les compresser en utilisant une méthode de compression hybride (RLE + LZW), puis de
les transmettre à l’agent Azure Cloud. Cette section explore en détail le fonctionnement de
l’agent de compression et son impact sur l’efficacité de notre système.
L’agent de compression est positionné entre l’agent de collecte de données et l’agent Azure
Cloud. Voici comment il exécute ses tâches : ‘
60 | 82
Grâce à l’action de l’agent de compression, notre système parvient à économiser de la
bande passante, de l’espace de stockage et à accélérer le processus de transfert des données
vers le cloud. Cela contribue directement à l’efficacité globale du système de gestion de
données IoT.
L’agent de stockage se situe entre l’agent de compression et Azure Blob Storage. Voici
comment il opère :
2. Ajout d’Horodatages : Avant de stocker les données dans Azure Blob Storage,
l’agent de stockage ajoute des horodatages aux informations collectées. Ces horodatages
61 | 82
sont synchronisés avec l’heure du système, ce qui permet une organisation claire et
une corrélation ultérieure des données avec des événements spécifiques ou des périodes
temporelles.
3. Stockage dans Azure Blob Storage : Les données, désormais horodatées, sont
transférées vers Azure Blob Storage. Une caractéristique importante est l’utilisation
de conteneurs distincts pour chaque journée, ce qui permet d’organiser les données par
jour. Ce système crée un historique structuré des données collectées.
En stockant les données de cette manière, notre système assure le maintien d’un historique
complet des données dans Azure Blob Storage. Cet historique est essentiel pour des applica-
tions où l’historique des données est critique, par exemple, dans des analyses météorologiques
à long terme ou la surveillance de tendances.
L’agent de stockage est un maillon crucial dans l’organisation et l’efficacité globale de notre
système de gestion de données IoT. Il assure que les données sont stockées de manière orga-
nisée et accessible, renforçant ainsi la capacité de notre système à répondre aux besoins de
stockage à long terme.
62 | 82
Figure 4.9: Résultat de l’Agent de Stockage
• Affichage des Horodatages :Une fois les données décompressées, l’agent de décompression
associe les horodatages correspondants aux données d’origine. Ces horodatages fa-
cilitent la corrélation des données avec des événements spécifiques et permettent une
analyse temporelle précise.
63 | 82
Impact sur l’Accessibilité des Données :
L’agent de décompression améliore l’accessibilité des données IoT stockées dans Azure Blob
Storage. Il permet aux utilisateurs finaux de récupérer et d’explorer ces données, ce qui est
essentiel pour des analyses ultérieures et la prise de décisions éclairées.
Grâce à sa capacité à restaurer les données dans leur état d’origine et à les présenter avec
des horodatages, l’agent de décompression facilite l’analyse et la visualisation des données. Il
offre un outil puissant pour explorer l’historique des données IoT et identifier des tendances
ou des modèles.
64 | 82
Chapitre 5
65 | 82
5.1 Introduction
Dans cette section, nous présentons et analysons les résultats de notre étude comparative
des différents algorithmes de compression de données appliqués aux données météorologiques
collectées. Cette analyse nous permet de déterminer les points forts et les points faibles de
chaque algorithme, mettant en évidence leurs performances en termes de taux de compression,
de temps de compression et d’espace économisé.
66 | 82
les données et l’espace réduit nécessaire après l’application d’un algorithme de compression.
Cette mesure peut être exprimée en termes d’espace économisé absolu, en octets ou d’autres
unités pertinentes, offrant ainsi des informations sur l’efficacité des techniques de compression.
SS = Original Space - Compressed Space
Les résultats indiquent que RLE excelle dans la compression des données météorologiques
présentant des schémas récurrents. Cependant, son efficacité dépend de la prévalence
de séquences continues avec des lectures identiques. En conséquence, RLE a obtenu
des taux de compression substantiels pour de telles séquences.
Tableau5.1 : Performances de RLE
67 | 82
RLE Compression Informations Valeur
Data Size (bytes) 12000
Compression Ratio(%) 89.10
Space Savings (bytes) 10692
Compression Time (microsec- 105
onde)
Variable-Length Integer Encoding (VLI) est une option précieuse lorsqu’il s’agit de
traiter des données météorologiques en raison de sa capacité à s’adapter à différentes
valeurs de données. Cependant, ses performances peuvent varier en fonction de la dis-
tribution des valeurs entières dans l’ensemble de données.
3. Bit-Packing:
68 | 82
Bit-Packing Compression Informations Valeur
Data Size (bytes) 8000
Compression Ratio(%) 50
Space Savings (bytes) 4000
Compression Time (microsec- 360
onde)
Bit-Packing est une approche précieuse pour les ensembles de données météorologiques
comportant des valeurs binaires ou des entiers à plage limitée. Son efficacité est par-
ticulièrement prononcée lorsqu’il s’agit de traiter de grands volumes de données de ce
type.
4. LZW (Lempel-Ziv-Welch)
69 | 82
LZW Compression Informations Valeur
Data Size (bytes) 16055
Compression Ratio(%) 89
Space Savings (bytes) 14171
Compression Time (microsec- 260
onde)
Dans notre quête d’obtenir les taux de compression les plus élevés pour les données
météorologiques, nous avons introduit une approche innovante qui combine les forces
de Run-Length Encoding (RLE) et Lempel-Ziv-Welch (LZW). Cette méthode de com-
pression hybride a démontré une efficacité exceptionnelle dans la réduction des besoins
de stockage de données tout en garantissant l’intégrité des données.
70 | 82
RLE+LZW Compression Informations Valeur
Data Size (bytes) 32760
Compression Ratio(%) 94
Space Savings (bytes) 32310
Compression Time (microsec- 360
onde)
subtiles.
L’approche hybride commence par l’application de RLE pour capturer les motifs récurrents
dans les données météorologiques. Ensuite, LZW est utilisé pour représenter les change-
ments entre les segments codés par RLE. Cette combinaison d’algorithmes s’est avérée
extrêmement réussie pour atteindre un équilibre délicat entre l’efficacité de compression
et l’intégrité des données.
Une Fusion Innovante Cette approche affinée est le témoignage de la fusion inno-
vante de RLE et LZW, offrant une solution optimale pour la compression des données
météorologiques avec des taux de compression exceptionnels tout en préservant l’intégralité
des données.
Table5.4 : Performance (RLE+LZW)
71 | 82
Algorithm Data Size Compression Space Compression
(bytes) Ratio (%) Saved Time (mi-
(bytes) croseconds)
Deltat Encoding 8000 87.5 7500 133
RLE Encoding 12000 89.10 10622 105
Bit-Packing 8000 50 4000 360
VLI 8000 50 4000 363
RLE and LZW 327600 94.25 32740 250
5.4 Résultat
Ces données révèlent que la méthode compression hybride a produit la taille la plus pe-
tite après compression, avec une réduction significative de la taille initiale. En revanche, les
méthodes VLI et Bit Packing ont produit des tailles de données plus importantes après la
compression, bien qu’elles aient contribué à réduire la taille par rapport aux données brutes.
Finalement, les méthodes LZW et RLE ont également réussi à réduire la taille des données,
mais légèrement moins efficacement que la méthode de compression hybride.
72 | 82
Figure 5.1: Taille des données avant et apres la compression
chaque méthode sur la réduction de la taille des données initiales. Cette représentation vi-
suelle offre une perspective claire sur l’efficacité relative de chaque technique de compression
utilisée dans le processus de traitement des données.
73 | 82
Figure 5.2: Taux de compression
Cette représentation graphique offre une comparaison visuelle des performances des différentes
techniques de compression, illustrant clairement l’efficacité de la méthode hybride qui a sur-
passé toutes les autres méthodes en termes de taux de compression.
74 | 82
5.4.3 Comparaison de temps de compression
Quant à VLI et Bit Packing, ils ont affiché des temps de compression similaires, tous deux
à environ 360 microsecondes. Enfin, la méthode de compression hybride a également requis
environ 360 microsecondes pour la compression.
75 | 82
Cette représentation graphique met en lumière les temps de traitement pour chaque al-
gorithme de compression, illustrant clairement que le RLE a affiché le temps de compression
le plus court, tandis que le LZW a présenté une performance notablement rapide également.
Le stockage des données compressées est réalisé à l’aide du service Azure Blob Stor-
age, fournissant une plateforme de stockage cloud robuste et évolutive. Chaque jour, les
données compressées sont encapsulées dans des ’blobs’ distincts, représentant des unités de
stockage dédiées pour une période donnée. Ces ’blobs’ Azure Cloud servent de conteneurs
spécifiques pour les informations compressées, provenant des capteurs IoT et traitées par di-
verses méthodes de compression telles que RLE, VLI, Bit Packing, LZW et une approche de
compression hybride. Cette architecture offre une organisation structurée des données com-
pressées, prêtes à être analysées, utilisées pour des prévisions météorologiques ou exploitées
pour des insights météorologiques avancés.
76 | 82
5.5 Déscussion
Dans cette section, nous avons évalué les performances de plusieurs algorithmes de compres-
sion de données, notamment RLE, VLI, Bit-Packing, LZW, et notre approche hybride, en
tenant compte de notre système multi-agent. Chaque algorithme a montré des avantages
spécifiques, mais notre approche hybride s’est avérée être la plus efficace pour la compression
de données météorologiques, grace à la coordination des agents de collecte, de compression,
de stockage, et de décompression.
Le stockage dans le cloud a été un élément essentiel de ce processus. Notre système multi-
agent a joué un rôle clé dans la gestion efficace des données météorologiques, y compris leur
stockage dans le cloud. Les agents ont travaillé en collaboration pour collecter, compresser,
stocker, et décompresser les données, garantissant un flux de données fluide et une utilisation
efficace des ressources cloud.
Le stockage dans le cloud est devenu essentiel dans le domaine de l’IoT, offrant un moyen
évolutif et sécurisé de gérer d’énormes volumes de données météorologiques. Notre approche,
en intégrant le stockage dans le cloud dans le système multi-agent, a démontré son effi-
cacité pour organiser et stocker efficacement les données IoT collectées, tout en garantissant
l’intégrité des données.
77 | 82
Conclusion
Ce projet a exploré en profondeur les défis de la gestion efficace des données générées par les
capteurs IoT, en se concentrant sur le contexte des données météorologiques. Notre objectif
principal était de développer une solution novatrice qui optimise la collecte, la compression, le
stockage, et la décompression de ces données tout en préservant leur intégrité. Pour atteindre
cet objectif, nous avons intégré un système multi-agent dans le processus de gestion des
données, tout en utilisant une approche hybride de compression (RLE + LZW) et en stockant
les données dans le cloud.
Les résultats de notre recherche ont révélé plusieurs points clés :
• Stockage dans le Cloud : Le stockage dans le cloud est devenu essentiel pour
gérer efficacement les volumes massifs de données IoT. L’intégration du stockage dans
le cloud dans le système multi-agent a permis d’organiser et de stocker les données
78 | 82
météorologiques de manière organisée, tout en garantissant leur disponibilité et leur
sécurité.
79 | 82
Références
[1] Prof. Dipti Mathpal and Prof. Mittal Darji “ A Research Paper on Lossless Data Com-
pressionTechniques” IJIRST –International Journal for Innovative Research in Science
Technology— Volume 4 — Issue 1 — June 2017,
[2] Gupta, Ruchi, Mukesh Kumar, and Rohit Bathla. ”Data CompressionLossless and Lossy
Techniques.” International Journal of Application or Innovation in Engineering Man-
agement 5.7 (2016): 120-125
[3] Sidhu, Amandeep Singh, and Meenakshi Garg. ”Research Paper on Text Data Compres-
sion Algorithm using Hybrid Approach.” International Journal of Computer Science and
Mobile Computing 3.12 (2014): 01-10.
[4] Brar, R. S., and B. Singh. ”A survey on different compression techniques and bit re-
duction algorithm for compression of text data.” International Journal of Advanced
Research in Computer Science and Software Engineering (IJARCSSE) Volume 3 (2013)
[7] Vikash Kumar, Sanjay Sharma, “Lossless Image Compression through Huffman Cod-
ing Technique and Its Application in Image Processing using MATLAB,” International
80 | 82
Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231-2307, Volume-7 Issue-1,
March 2017
[8] Lin, Yangxin, et al. ”Class-based delta-encoding for high-speed train data stream.”
2015 IEEE 34th International Performance Computing and Communications Conference
(IPCCC). IEEE, 2015.
[9] Mogul, Jeffrey C., et al., ”Potential benefits of delta encoding and data compression
for HTTP.” ACM SIGCOMM Computer Communication Review. Vol. 27. No. 4. ACM,
1997.
[10] Savani, V. G., Bhatasana, P. M., Mecwan, A. I. (2012). Implementation of Data Com-
pression Algorithms on FPGA using Soft-core Processor. International Journal of Ad-
vancements in Technology, 3(4), 270-276.
81 | 82