REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohamed Khider – BISKRA
Faculté des Sciences Exactes, des Sciences de la Nature et de la Vie
Département d’informatique

N° d’ordre :………………
Série :……………………..

Thèse
Présentée en vue de l’obtention du diplôme de docteur en sciences
Option : Informatique
(Intelligence Artificielle)

Titre
Composition adaptative de services pour l’Internet des
objets

Présentée et soutenue publiquement par

AOUDIA Idir
Soutenue le : 23/10/2022

Devant le jury :
REZEG Khaled Professeur Université de Biskra Président
BENHARZALLAH Saber Professeur Université de Batna 2 Rapporteur
KAZAR Okba Professeur Université de Biskra Co-Rapporteur
DJEFFAL Abdelhamid Professeur Université de Biskra Examinateur
ARAR Chafik MCA Université de Batna 2 Examinateur
KAHLOUL Laid Professeur Université de Biskra Invité

Année universitaire : 2021 – 2022

 Dédicace

À mes parents ;

À toute ma famille ;

À tous ceux qui me sont chers.

i
 Remerciement
En premier lieu, je remercie le bon Dieu de m’avoir donné la force, la santé, la volonté et la
patience nécessaire pour achever ce travail de thèse.

Je tiens à remercier Pr. BENHARZALLAH Saber et Pr. KAZAR Okba, mes directeurs de thèse,
pour tout le soutien, l'aide et l'orientation qu’ils m'ont apporté tout au long de ce travail de
recherche ainsi que pour la patience et le temps inconditionnel qu’ils m’ont consacré malgré
leurs nombreuses charges.

Je remercie le Pr. REZEG Khaled professeur d’université de Biskra, pour m’avoir fait l’honneur
de présider mon jury de thèse.

J’exprime tous mes remerciements à l’ensemble des membres de mon jury ; Pr DJEFFAL
Abdelhamid professeur d’université de Biskra, Dr ARAR Chafik maitre de conférences (A) à
l’université de Batna 2 de m’avoir fait l’honneur d’accepter de participer à mon jury de thèse.

Je remercie aussi Pr. KAHLOUL Laid professeur d’université de Biskra, pour ses précieux
conseils et de m’avoir fait l’honneur d’assister à ma soutenance.

J’adresse toute ma gratitude à tous mes ami(e)s (Mostefa, Hicham, Houssam, Houcine et
Saddam) et à toutes les personnes qui m’ont aidé dans la réalisation de ce travail,
particulièrement à toi Rahma pour tout ton soutien indéfectible et toutes tes attentions au
quotidien qui m’ont donné le courage de continuer.

Une très grande pensée à toi aussi Salsabil, pour tout ton soutien et l’énergie que tu m’as
transmis jusqu’à la fin.

Mes derniers remerciements iront évidemment à ma famille. Je pense tout d’abord à ma maman
sans qui l’enfant que j’étais ne serait pas devenu l’homme que je suis, à mon frère Hamimi et
mes deux sœurs Djohra et Imen.

Pensée à mon père, que Dieu te couvre de sa miséricorde, et t'accueil dans son immense Paradis.

Enfin, je remercie tous ceux qui m’ont soutenu, encouragé et m’ont donné l’envie de mener à
terme ce travail.

ii
 Résumé
L'internet des objets (IoT) est une technologie émergente, qui représente l’intégration ou la
fusion de l'espace d'information et de l'espace physique. Au fil du temps, l’IoT est devenu de
plus en plus populaire dans plusieurs endroits. Afin de répondre à la demande compliquée des
utilisateurs, la plupart des appareils IoT ne fonctionnent pas seuls, une composition de services
multiples doit être effectuée et elle est définie comme la composition de services. Pour des
raisons de conductivités, pannes, batterie, charge et autres, la disponibilité des services IoT est
imprévisible. Cette imprévisibilité de la disponibilité et l'évolution dynamique des besoins des
utilisateurs, font que la composition du service doit gérer cette dynamique et s'adapter à de
nouvelles configurations non prévues à la conception. La composition adaptative des services
consiste à modifier le système pour lui permettre de se comporter correctement dans différents
contextes afin d'assurer la disponibilité des services offerts, afin de répondre à une situation non
prévue lors de la phase de conception. De ce fait, notre objectif est de proposer une méthode de
composition de services IoT adaptative et sensible au contexte afin de satisfaire les besoins des
utilisateurs.

Dans notre travail, nous considérons que la croissance de l'Internet des Objets (IoT)
implique la disponibilité d'un très grand nombre de services qui peuvent être similaires ou
identiques, la gestion de la Qualité de Service (QoS) permet de différencier un service d'un
autre. La composition de services offre la possibilité d'effectuer des activités complexes en
combinant les fonctionnalités de plusieurs services au sein d'un seul processus. Très peu de
travaux ont présenté une solution de composition de services adaptative gérant les attributs de
QoS, en plus dans le domaine de la santé, qui est l'un des plus difficiles et délicats car il
concerne la précieuse vie humaine. Dans cette thèse, nous présenterons une approche de
composition de services adaptative sensible aux QoS basée sur un algorithme génétique multi-
population dans un environnement Fog-IoT. Notre algorithme P-MPGA implémente une
méthode de sélection intelligente qui nous permet de sélectionner le bon service. En outre, P-
MPGA implémente un système de surveillance qui surveille les services pour gérer le
changement dynamique des environnements IoT. Les résultats expérimentaux montrent les
excellents résultats du P-MPGA en termes de temps d'exécution, de valeurs de fitness moyennes
et de rapport temps d'exécution / meilleure valeur de fitness malgré l'augmentation de la
population. P-MPGA peut rapidement obtenir un service composite satisfaisant les besoins de
QoS de l'utilisateur, ce qui le rend adapté à un environnement IoT à grande échelle.

Mots-clés : Internet des objets, Composition de services, Adaptabilité, Contexte, Qualité de

Service, Fog-IoT computing, Healthcare.

iii
 Abstract
The Internet of Things (IoT) is an emerging technology, which represents the integration or
fusion of information space and physical space. Over time, the IoT has become increasingly
popular in several places. to answer the complicated user request, most IoT devices do not work
alone, a multiple service composition must be made, and it is defined as the services
composition. For reasons of conductivities, failures, battery, charging and others, the availability
of IoT services is unpredictable. This unpredictability of availability and the dynamic evolution
of user needs mean that the composition of the service must manage this dynamic and adapt to
new configurations not planned in the design phase. The adaptive composition of services
consists in modifying the system to allow it to behave correctly in different contexts in order to
ensure the availability of the services offered, in order to respond to a situation not foreseen
during the design phase. Therefore, our goal is to provide an adaptive IoT and context-aware
service composition method to meet user needs.

In our work, we consider that the growth of Internet of Thing (IoT) implies the
availability of a very large number of services which may be similar or the same, managing the
Quality of Service (QoS) helps to differentiate one service from another. The service
composition provides the ability to perform complex activities by combining the functionality of
several services within a single process. Very few works have presented an adaptive service
composition solution managing QoS attributes, moreover in the field of healthcare, which is one
of the most difficult and delicate as it concerns the precious human life. In our thesis, we will
present an adaptive QoS-Aware Service Composition Approach (P-MPGA) based on multi-
population genetic algorithm in Fog-IoT healthcare environment. Our P-MPGA algorithm
implements a smart selection method which allows us to select the right service. Also, P-MPGA
implements a monitoring system that monitors services to manage dynamic change of IoT
environments. Experimental results show the excellent results of P-MPGA in terms of execution
time, average fitness values and execution time / best fitness value ratio despite the increase in
population. P-MPGA can quickly achieve a composite service satisfying user’s QoS needs,
which makes it suitable for a large scale IoT environment.

Keywords: Internet of things, Service composition, Adaptability, Context, Quality of Service,

Fog-IoT computing, Healthcare.

iv
 ‫ملخص‬
‫إنترن ت األشياء هي تقنية ناشئة تمثل تكامل أو اندماج مساحة المعلومات والفضاء المادي‪ .‬بمرور الوقت‪ ،‬أصبحت إنترنت‬
‫األشياء ذات شعبية متزايدة في عدة أماكن‪ .‬لإلجابة على طلبات المستخدم المعقدة‪ ،‬ال تعمل معظم أجهزة إنترنت األشياء‬
‫بمفردها‪ ،‬يجب تكوين خدمة متعددة‪ ،‬ويتم تعريفها على أنها تكوين الخدمات‪ .‬ألسباب تتعلق بالتوصيالت والبطارية والشحن‬
‫وغيرها‪ ،‬ال يمكن التنبؤ بتوفر خدمات إنترنت األشياء‪ .‬يعني عدم القدرة على التنبؤ بالتوافر والتطور الديناميكي الحتياجات‬
‫المستخدم أن تكوين الخدمات يجب أن يدير هذه الديناميكية وأن يتكيف مع التكوينات الجديدة التي لم يتم التخطيط لها في مرحلة‬
‫التصميم‪ .‬يتكون التكوين التكيفي للخدمات من تعديل النظام للسماح له بالتصرف بشكل صحيح في سياقات مختلفة‪ ،‬من أجل‬
‫ضمان توافر الخدمات المقدمة‪ ،‬من أجل االستجابة لحالة لم تكن متوقعة خالل مرحلة التصميم‪ .‬لذلك يتمثل هدفنا في توفير‬
‫طريقة تكوين الخدمات متكيفة إلنترنت األشياء ومراعية للسياق لتلبية احتياجات المستخدم‪.‬‬

‫في عملنا‪ ،‬نعتبر أن نمو إنترنت األشياء يعني توفر عدد كبير جدًا من الخدمات التي قد تكون متشابهة‪ ،‬تساعد إدارة جودة‬
‫الخدمات على التمييز بين خدمة وأخرى‪ .‬يوفر تكوين الخدمات القدرة على أداء األنشطة المعقدة من خالل الجمع بين وظائف‬
‫العديد من الخدمات في عملية واحدة‪ .‬قدم عدد قليل جدًا من األعمال حالً متكيفًا لتكوين الخدمات يدير جودة الخدمات‪ ،‬خاصة‬
‫في مجال الرعاية الصحية‪ ،‬وهو أحد أكثر المجاالت صعوبة وحساسية من حيث صلته بالحياة البشرية الثمينة‪ .‬في أطروحتنا‪،‬‬
‫سوف نقدم نهج تكوين الخدمات المدرك لجودة الخدمات التكيفية )‪ (P-MPGA‬بنا ًء على خوارزمية وراثية متعددة السكان في‬
‫بيئة الرعاية الصحية الضبابية‪ .‬تطبق الخوارزمية الخاصة بنا طريقة اختيار ذكية تسمح لنا باختيار الخدمات المناسبة‪ .‬أيضًا‪،‬‬
‫ينفذ نظام مراقبة يراقب الخدمات إلدارة التغيير الديناميكي لبيئات إنترنت األشياء‪ .‬تظهر النتائج التجريبية النتائج الممتازة‬
‫للخوارزمية من حيث وقت التنفيذ‪ ،‬ومتوسط قيم اللياقة ووقت التنفيذ ‪ /‬أفضل نسبة قيمة لياقة على الرغم من الزيادة في عدد‬
‫السكان‪ .‬يمكن أن تحقق الخوارزمية الخاصة بنا بسرعة خدمة مركبة تلبي احتياجات جودة الخدمات للمستخدم‪ ،‬مما يجعلها‬
‫مناسبة لبيئة إنترنت األشياء على نطاق واسع‬

‫الكلمات المفتاحية‪ :‬انترنت األشياء‪ ،‬تكوين الخدمات‪ ،‬القدرة على التكيف‪ ،‬السياق‪ ،‬جودة الخدمات‪ ،‬حوسبة الضباب بإنترنت‬
‫األشياء‪ ،‬الرعاية الصحية‬

‫‪v‬‬
 Liste des publications
1. Revues internationales
Aoudia Idir, Benharzallah Saber, Kahloul Laid, Kazar Okba, “A Multi-Population Genetic
Algorithm for Adaptive Qos-Aware Service Composition in Fog-Iot Healthcare Environment”,
International Arab Journal of Information Technology (IAJIT), vol. 18, No. 3A, Special Issue
2021. (Le journal est de classe A).

Aoudia Idir, Benharzallah Saber, Kahloul Laid, Kazar Okba, “Service composition approaches
for internet of things: a review”, Int. J. Communication Networks and Distributed Systems, vol.
23, No. 2, 2019 (Le journal est de classe B).

2. Conférences Internationales
Aoudia Idir, Benharzallah Saber, Kahloul Laid, Kazar Okba, “QoS-aware service composition in
Fog-IoT computing using multi-population genetic algorithm”, 21th International Arab
Conference on Information Technology (ACIT'2020), Giza, Egypt, indexed in IEEE Explore.

Aoudia Idir, Benharzallah Saber, Kahloul Laid, Kazar Okba, “A comparative analysis of IoT
service composition approaches”,18th International Arab Conference on Information
Technology (ACIT'2017), Yassmine Hammamet, Tunisie, indexed in IEEE Explore.

3. Autres
Participation et présentation orale dans Journées d’Etude Informatique Théorique et Appliquée
(JDITA’2018), 2018, Université Mohamed Khider, Biskra, Algeria.

Participation dans LINFI Doctoral Day (JDL'2017), November 2017, Université Mohamed
Khider, Biskra, Algeria.

vi
 Table des matières
Dédicace .......................................................................................................................................... i
Remerciement ................................................................................................................................. ii
Résumé .......................................................................................................................................... iii
Abstract .......................................................................................................................................... iv
‫ ملخص‬............................................................................................................................................... v
Liste des publications .................................................................................................................... vi
1. Revues internationales ........................................................................................................ vi
2. Conférences Internationales ............................................................................................... vi
3. Autres.................................................................................................................................. vi
Table des matières ........................................................................................................................ vii
Liste des figures .............................................................................................................................. x
Liste des tableaux .......................................................................................................................... xi
Liste des algorithmes .................................................................................................................... xii
Abréviations................................................................................................................................. xiii
CHAPITRE 1 ................................................................................................................................ 15
Introduction .................................................................................................................................. 15
1. Présentation de la thèse...................................................................................................... 15
2. Exemple illustratif ............................................................................................................. 16
3. Problématique .................................................................................................................... 16
4. Objectifs et contributions................................................................................................... 17
5. Structure de la thèse ........................................................................................................... 19
CHAPITRE 2 ................................................................................................................................ 21
Concepts généraux ........................................................................................................................ 21
1. Service web........................................................................................................................ 21
2. Architecture des services Web .......................................................................................... 22
3. Le Middleware (ou intergiciel) .......................................................................................... 23
4. L’internet des objets (IoT) ................................................................................................. 24
5. Qu’est-ce qu’un objet ?...................................................................................................... 28
6. Fonctionnement de l’IoT L’Internet .................................................................................. 29
7. Domaines d’application de l’IoT ....................................................................................... 30
8. La composition de service dans l’IoT................................................................................ 32
9. Catégories de composition de services .............................................................................. 33
9.1. Degré d’automatisation .............................................................................................. 33
9.2. Moment de la sélection des services .......................................................................... 34

vii
 9.3. L’exécution de la composition de services ................................................................ 35
10. Les challenges de la composition de service dans l’internet des objets (IoT) ............... 36
11. L'application de la composition de services Web standard sur la composition de
services de l'IoT......................................................................................................................... 38
12. Conclusion ..................................................................................................................... 39
CHAPITRE 3 ................................................................................................................................ 41
Analyse de l’état d’art................................................................................................................... 41
1. Critères fondamentaux pour la composition de service dans l’IoT ................................... 41
1.1. Composition dynamique ............................................................................................ 41
1.2. L'adaptation ................................................................................................................ 41
1.3. Indépendance et extensibilité ..................................................................................... 42
1.4. Identification et résolution automatique des pannes et problèmes d'interaction ........ 42
1.5. Composition distribuée et décentralisée ..................................................................... 42
1.6. Protocole de confiance, de protection et de sécurité .................................................. 42
1.7. L'optimisation ............................................................................................................. 42
1.8. Le modèle utilisé ........................................................................................................ 43
1.9. La performance .......................................................................................................... 43
1.10. Résultats obtenus ........................................................................................................ 43
1.11. Les normes et le protocole utilisés ............................................................................. 43
1.12. La représentation des services .................................................................................... 43
2. Aperçu des propositions .................................................................................................... 43
3. Une étude comparative entre les approches ...................................................................... 51
4. Discussion .......................................................................................................................... 71
5. Autres études comparatives dans la littérature .................................................................. 71
6. Conclusion ......................................................................................................................... 74
CHAPITRE 4 ................................................................................................................................ 77
Notre approche proposée .............................................................................................................. 77
1. Approches proches de notre travail dans la littérature ...................................................... 77
2. Architecture en cinq couches ............................................................................................. 79
3. Le modèle QoS utilisé ....................................................................................................... 84
3.1. Disponibilité (A) ........................................................................................................ 84
3.2. Coût (C) ...................................................................................................................... 84
3.3. Documentation (D) ..................................................................................................... 84
3.4. Emplacement / Portée (L) .......................................................................................... 84
3.5. Précision (P) ............................................................................................................... 84
3.6. Fiabilité ou Reliability (R) ......................................................................................... 84

viii
 3.7. Temps de réponse (Rt) ............................................................................................... 84
3.8. Réputation (Rp) .......................................................................................................... 84
3.9. Sécurité (S) ................................................................................................................. 84
3.10. Classification de service (Sc) ..................................................................................... 85
3.11. Taux de réussite (Sr) .................................................................................................. 85
3.12. Débit (T) ..................................................................................................................... 85
4. L’algorithme génétique...................................................................................................... 88
4.1. L’algorithme génétique multi-population (MGA) ..................................................... 89
4.2. La Fonction de Fitness ............................................................................................... 90
4.3. Codage chromosomique et opérateurs génétiques ..................................................... 90
5. Conclusion ......................................................................................................................... 96
CHAPITRE 5 ................................................................................................................................ 98
Configuration expérimentale et évaluation................................................................................... 98
1. Configuration utilisée ........................................................................................................ 98
2. Résultat de l’expérimentation et discussion .................................................................... 103
3. Conclusion ....................................................................................................................... 105
CONCLUSION GENERALE .................................................................................................... 106
Conclusion et perspective ........................................................................................................... 106
1. Récapitulatif du travail réalisé et des contributions......................................................... 106
2. Perspectives ..................................................................................................................... 107
Bibliographie ............................................................................................................................................................109

ix
 Liste des figures
Figure 1 Structure de notre thèse .................................................................................................. 20
Figure 2 Architecture classique des services Web [22] ................................................................ 22
Figure 3 Architecture Middleware [25] ........................................................................................ 24
Figure 4 L'internet des objets (IoT) et ses nombreux domaines ................................................... 25
Figure 5 Perspectives du paradigme de l'internet des objets [31] ................................................ 27
Figure 6 Les domaines d’Internet of Things [41] ......................................................................... 31
Figure 7 Composition de service .................................................................................................. 33
Figure 8 Catégories de composition de services .......................................................................... 35
Figure 9 Relation entre les concepts d’adaptation [52] ................................................................ 37
Figure 10 Défi de la composition des services dans l'IoT ............................................................ 37
Figure 11 La composition de service par orchestration ................................................................ 38
Figure 12 La Chorégraphie de service .......................................................................................... 38
Figure 13 Architectures en couches IoT dans la littérature .......................................................... 80
Figure 14 La relation entre la couche de traitement et le Cloud................................................... 81
Figure 15 Notre Architecture Cloud-Fog-IoT adoptée après la défragmentation de la couche
traitement ...................................................................................................................................... 82
Figure 16 Notre architecture Fog-IoT adoptée en cinq couches pour la composition de services
dans l’IoT (détaillée) .................................................................................................................... 83
Figure 17 Modèles structurels en composition de service (séquence, boucle, parallèle-AND et
parallèle-XOR) [122] .................................................................................................................... 85
Figure 18 Le Framework de MGA ............................................................................................... 90
Figure 19 Encodage des Chromosomes........................................................................................ 91
Figure 20 QWS Dataset (2.0) [127]............................................................................................ 100
Figure 21 Le schéma de la composition de services pour l'urgence hospitalière Fog-IoT ......... 100
Figure 22 Urgence hospitalière Fog-IoT .................................................................................... 101
Figure 23 Notre environnement de simulation développé.......................................................... 102
Figure 24 Comparaison entre-MPGA, MGA & GA (temps d'exécution) .................................. 103
Figure 25 Comparaison des valeurs de fitness obtenues par P-MPGA, MGA et GA ................ 104
Figure 26 Valeurs de fitness optimales obtenues par P-MPGA en fonction du nombre de
populations.................................................................................................................................. 105

x
 Liste des tableaux
Tableau 1 Quelques définitions de l’Internet des objets (IoT) ..................................................... 27
Tableau 2 Quelques scénarios pour l’Internet des objets ............................................................. 31
Tableau 3 Comparaison entre les approches avec le critère "Composition dynamique" ............. 52
Tableau 4 Comparaison entre les approches avec le critère "L'adaptation" ................................. 53
Tableau 5 Comparaison entre les approches avec les deux critères "Indépendance et extensibilité
/ Identification et résolution automatique des pannes et problèmes d'interaction" ...................... 55
Tableau 6 Comparaison entre les approches avec les deux critères "Composition distribuée et
décentralisée / Protocole de confiance, de protection et de sécurité" ........................................... 57
Tableau 7 Comparaison entre les approches avec les deux critères "L'optimisation / Le modèle
utilisé" ........................................................................................................................................... 59
Tableau 8 Comparaison entre les approches avec les deux critères "Les normes et les protocoles
utilisés/ La représentation des services" ....................................................................................... 62
Tableau 9 Comparaison entre les approches avec les deux critères "Les performances / Résultats
obtenus" ........................................................................................................................................ 64
Tableau 10 Classes d'attributs QoS .............................................................................................. 86
Tableau 11 Fonction d'agrégation des propriétés QoS basée sur le modèle du groupe de travail
W3C [123] .................................................................................................................................... 86
Tableau 12 Service classes (Sc).................................................................................................... 99
Tableau 13 Paramètre P-MPGA ................................................................................................. 102
Tableau 14 Ratio (Durée d'exécution / Meilleure valeur de fitness) après 40 itérations. ........... 104

xi
 Liste des algorithmes
Algorithme 1 Fonction pour le tirage proportionnel à la valeur fitness des chromosomes .......... 91
Algorithme 2 Notre algorithme génétique multi-population (P-MPGA) ..................................... 92
Algorithme 3 Notre algorithme de surveillance (Monitoring) ..................................................... 93
Algorithme 4 Notre algorithme de sélection amélioré (improved_select) ................................... 94
Algorithme 5 Notre algorithme de croisement amélioré (improved_crossover) .......................... 95
Algorithme 6 Notre algorithme de mutation amélioré (improved_mutation) .............................. 96

xii
 Abréviations

IoT Internet of Things L’internet des objets

QoS Quality of service Qualité de service
GA Genetic Algorithm Algorithme Génétiques
ACO ant colony optimization Algorithmes de colonies de fourmis
PSO Particle Swarm Optimization Optimisation de l'essaim de particules
XML Extensible Markup Language Langage de balisage extensible
WSDL Web Services Description Language Langage de description des services web
SOA Service Oriented architecture Architecture orientée service
RFID Radio-Frequency Identification Radio-identification
NFC Near Field communication Communication en champ proche
M2M Machine to Machine Machine à Machine
ISBN International Standard Book Number Numéro international normalisé du livre
CPU Central Processing Unit Processeur
WSN Wireless Sensor Network Réseau de capteurs sans fil
P2P Peer-to-Peer Pair-à-pair
ECG Electro Cardio Graph Électrocardiographie
ALS Assistance living system Système d'assistance à la vie
IA Artificial intelligence Intelligence Artificielle
W3C World Wide Web consortium Organisme de standardisation
MAMD Multi-attribute making decision Prise de décision multi-attributs
OWL Web Ontology Language Langage d'ontologie Web
MDP Markov decision process Processus décisionnel de Markov
BPEL Business Process Execution Language Langage de programmation destiné à
l'exécution des procédures d'entreprise
MCGP Model of multi-criteria goals Modèle de programmation d'objectifs
programming multicritères
QSC QoS Service composition Composition des services orientés QoS
PT Paper-Tape
DCOP Distributed constraint optimization Formalisme du problème d'optimisation
problem des contraintes distribuées
APF Artificial potential fields Champs potentiels artificiels
AmI Ambient intelligence environments Environnements d'intelligence ambiante

xiii
 Première partie

Introduction et Analyse de l’État de l’art

14
 CHAPITRE 1

Introduction
Sommaire

1. Présentation de la thèse
2. Exemple illustratif
3. Problématique
4. Objectifs et Contributions
5. La structure de la thèse

1. Présentation de la thèse
Les équipements électroniques envahissent progressivement l'univers de notre quotidien qu’on
souhaiterait que ces équipements puissent intelligemment réagir à notre activité afin de nous
assister dans nos activités de tous les jours. Des objets et des utilisateurs qui interagissent, des
bâtiments qui guident leurs visiteurs et les renseignent, configurent leurs appareils électroniques
portatifs, leur proposent des services contextualisés ou encore des villes intelligentes gérant de
façon autonome leurs ressources, sont quelques-unes des promesses de l'internet des objets
(IoT), les ordinateurs doivent être nombreux et interconnectés afin de disparaître de la
conscience de l'utilisateur.

L'internet des objets (IoT) est une technologie émergente, qui peut modifier l'industrie,
l'environnement, le domaine social et médical. L'IoT est une fusion entre l'espace d'information
et l'espace physique, connue sous le nom d'interconnexion d'ordinateurs embarqués, de capteurs,
d'appareils mobiles ou d'autres objets identifiables de manière unique, qui sont capables
d'interagir les uns avec les autres et de coopérer avec l'environnement pour atteindre des
objectifs communs, en exploitant l'infrastructure Internet existante. Avec le développement
rapide des puces, des capteurs, des réseaux et des logiciels ces dernières années, l'IoT devient de
plus en plus populaire dans plusieurs applications. Un exemple est la ville intelligente, qui est
une extension des bâtiments intelligents qui sont eux-mêmes une extension de la maison
intelligente, qui est l'une des applications les plus en vue dans la vie quotidienne des gens.

L’IoT consiste à connecter un grand nombre d'objets quotidiens à Internet, en leur

donnant leur propre identité, leur permettant ainsi d'offrir des fonctionnalités et de collecter des
informations sous la forme d'un service. Afin de répondre à la demande compliquée de
l'utilisateur, la plupart des périphériques IoT ne fonctionnent pas seuls, une composition de
service multiple doit être faite, et elle est définie comme la composition des services.

La composition des services consiste à combiner la fonctionnalité de plusieurs services

au sein d'un seul processus afin de répondre à des demandes complexes qu’un seul service ne
peut satisfaire [1]. La composition de services offre la possibilité d'effectuer des activités
complexes à partir de services existants, et les services composés forment un nouveau service,
qui peut être réutilisé dans une autre composition [2].

15
2. Exemple illustratif
À titre d’illustration, supposons que nous cherchions à développer une application multi-
plateformes (Web, mobile, etc..) pour détecter et signaler une urgence hospitalière. Ainsi, il
semble pertinent de bénéficier du concept de l’Internet of Things (IoT) pour récolter les données
dans différents endroits géographiquement. Nous nous limitons, dans un premier temps, à la
récolte les coordonnées de la personne à secourir et de la disponibilité des ambulances/hôpitaux
à intervalles réguliers.

Dans notre exemple, l’information recherchée exige à la fois l’interconnexion et la

communication entre l’ensemble des objets disponible installés à différents endroits. Ces objets
sont connectés entre eux à travers l’Internet, chacun pouvant demander un service de l'autre, et
pouvant à son tour lui offrir un service. De ce fait, il y a un échange de données entre les
différents objets. Ainsi, un objet qui ne détient pas une information demandée par l'utilisateur
(ou l’application) peut solliciter les autres objets avec lesquels il est connecté pour demander
l'information voulue. Grâce à ce mécanisme, l'utilisateur et l’application peuvent avoir
l'information demandée, même si le service interrogé ne détient pas cette information dans sa
base de données. C’est ainsi que notre exemple d’urgence hospitalière participatif et collaboratif
peut devenir une réalité.

3. Problématique
Pour des raisons de conductivités, pannes, batterie, charge et autres, la disponibilité des services
IoT est imprévisible [3]. Cette imprévisibilité de la disponibilité et l'évolution dynamique des
besoins des utilisateurs, font que la composition de services doit gérer cette dynamique et
s'adapter à de nouvelles configurations non prévues à la conception. La composition adaptative
des services consiste à modifier le système pour lui permettre de se comporter correctement dans
différents contextes afin d'assurer la disponibilité des services offerts, afin de répondre à une
situation non prévue lors de la phase de conception.

En bref, une composition adaptative devrait inclure les quatre objectifs suivants :

• Se rétablir des situations inattendues afin que l'application continue l'exécution prévue,
ou au moins se termine dans un état cohérent, malgré l'occurrence d'un échec.
• Exploiter les nouvelles opportunités émergentes pour améliorer la qualité de la solution
choisie à n'importe quelle étape de l'exécution.
• Prévenir les changements futurs et les fautes en prenant des mesures correctives tôt ; car
une réaction tardive (c'est-à-dire après l'exécution de services défectueux ou détériorant
la qualité) peut entraîner une incapacité à trouver une récupération appropriée à partir de
ce point, ou une nouvelle solution sélectionnée de qualité inférieure à celle qui pourrait
être obtenue en réagissant plus tôt aux changements.
• Garder les adaptations déclenchées transparentes pour l'utilisateur final sans temps
d'arrêt, car une interruption des performances du service composite pourrait être
hautement indésirable, en particulier dans les applications sensibles au temps.

16
 L'IoT devient de plus en plus populaire dans plusieurs applications, cependant de nos
jours, si l'on prend par exemple le secteur de la santé, près de 2 millions de personnes perdent
leurs vies à travers le monde en raison de l'arriéré des services d'urgence sanitaire (problème de
circulation, de localisation, etc.). L'adaptabilité jouera un rôle très important dans cet
environnement IoT dynamique où un grand nombre de services volatils sont disponibles, elle
offrira la possibilité à l'application (ou service composite) d'évoluer en permanence afin de
répondre aux nouvelles contraintes contextuelles.

L'adaptation est importante dans la composition des services IoT, mais pour produire une
solution optimale pour toute composition de service, une gestion de la qualité de service (QoS)
doit être effectuée. Les attributs QoS nous permettent de faire la différence entre chaque service
IoT, il est donc essentiel de les évaluer pour éviter une composition de services de mauvaise
qualité.

De nombreuses architectures IoT différentes ont été proposées et l'architecture IoT-Cloud

était la méthode la plus pratique, mais à mesure que le nombre d'appareils utilisant le cloud
augmente, de plus en plus de problèmes apparaissent. Dans notre cas d'étude, la plupart des
données doivent être traitées en temps réel, cela est dû au fait que la plupart des services n'ont
pas assez de mémoire pour conserver toutes les données collectées ou qu'ils doivent prendre
eux-mêmes la décision (faible unité de calcul).

Ces problèmes rencontrés par le Cloud-IoT computing ont conduit au développement de

l'architecture Fog-IoT, le Fog représente un médiateur entre les services IoT et le cloud [4].
L'architecture Fog-IoT a été principalement introduite pour améliorer l'architecture des systèmes
Cloud-IoT [5] et elle représente une décentralisation du Cloud-IoT pour surmonter les obstacles
de l'architecture Cloud-IoT.

Compte tenu des facteurs tels que les attributs de QoS, la sélection des services IoT pour
la composition des services est réduite à un problème d'optimisation multi-objectifs.
L'optimisation consiste à utiliser la ressource de la manière la plus efficace. Cela signifie
maximiser ou minimiser certains attributs via une fonction objective [6]. Des algorithmes
heuristiques tels que les Algorithme Génétiques (GA), Les Algorithmes de colonies de fourmis
(ACO) et l’Optimisation de l'essaim de particules (PSO) sont adoptés pour trouver la
composition optimale du service IoT.

4. Objectifs et contributions
Actuellement, la communauté de recherche active sur la composition des services dans l'IoT est
encore très fragmentée et la plupart se concentre sur des domaines d'application uniques ou des
technologies uniques. Nous pensons que cette fragmentation est potentiellement néfaste pour le
développement des technologies de composition de services de l'IoT. Aussi, il y a un manque
d'études qui passent en revue les différents travaux de la composition des services dans l'IoT.

Dans cette thèse, nous visons à présenter une revue des approches existantes pour la
composition des services dans l'IoT, y compris une description et une comparaison entre eux en
tenant compte de certains critères. Ce travail aussi présente également une comparaison entre la

17
composition de services Web traditionnels et la composition de services IoT. L'objectif principal
est de donner au lecteur l'occasion de comprendre ce qui a été fait (protocoles, algorithmes,
solutions proposées) et ce qui reste encore à traiter, ce travail aussi représente un support pour
les chercheurs pour se concentrer sur leurs efforts et à fournir des solutions durables dans ce
domaine. Nous espérons que cette étude et synthèse intitulée « Service composition approaches
for internet of things : a review» [2] qu’on a publié en 2019 dans le journal international « Int. J.
Communication Networks and Distributed Systems », pourra aider à combler les communautés
existantes, à encourager les collaborations croisées et garantir que les défis liés à la composition
des services dans l'IoT seront mieux traités, afin que la recherche puisse être exploitée avec
succès.

En résumé, les principales contributions de cet article [2] sont :

• L’identification des défis les plus importants liés à la composition de services dans
l’internet des objets (IoT). Ces défis consistent à trouver la composition la plus optimale,
gérer l’évolution dynamique de l’enivrement IoT et surveiller les appareils avec des
ressources de surveillance.
• L’introduction de douze critères spécifiques, qui sont basés sur les défis fondamentaux
de la composition des services. On peut citer : l’adaptation, l’optimisation, la
performance, etc…
• Une étude comparative exhaustive entre les approches de composition de services IoT
basée sur notre ensemble de critères bien ciblés et spécifiques.
• Examiner les tendances de la recherche et à suggérer des orientations futures en mettant
l'accent sur la composition des services dans l'IoT.
• Un état de l'art actuel de la composition des services dans les IoT.

En se basant sur notre étude comparative et la synthèse présentée dans [2], où nous avons
évalué les approches de composition de services les plus populaires dans l'IoT en se basant sur
nos douze critères pertinents, nous avons conclu que très peu de travaux ont présenté une
solution adaptative de composition de services IoT qui gère des attributs de QoS, en plus dans le
domaine de la santé, qui est l'un des plus difficiles et délicats car ça concerne la précieuse vie
humaine. Et cela nous a mené dans la deuxième partie de notre travail a identifié certains
attributs de QoS associés aux composants IoT qui quantifient et analysent au mieux les services
offerts par les fournisseurs de services IoT.

De nombreuses architectures différentes ont été proposées dans la littérature, on peut

citer l'architecture IoT en trois couches [7]–[9], l'architecture en quatre couches [10] etc.., mais
en raison du défi de l'IoT concernant la sécurité et la confidentialité, l'architecture à cinq couches
[11], [12] a également été proposée. Nous considérons que l’architecture en cinq couches peut
répondre aux exigences de l'IoT et satisfaire un maximum de critères. Néanmoins, dans une
architecture à cinq couches IoT (appelée aussi IoT-Cloud), tous les traitements (Stockage,
Traitement des données, Surveillance) se font dans le cloud. Cette 'architecture IoT-Cloud est
une méthode pratique pour quelques appareils. Mais à mesure que le nombre d'appareils utilisant
le cloud augmente, l'utilisation de sa bande passante, de sa latence augmente également, et cela
implique également autres plusieurs problèmes et ces problèmes rencontrés ont conduit au
développement du Fog-IoT pour surmonter au mieux ces obstacles [13].

18
Une architecture en cinq couches se compose d’une couche Business, Application, Traitement,
Transport et Perception. Dans notre travail nous nous sommes concentrés sur la défragmentation
de la couche Traitement en quatre sous-couches (sécurité, stockage, pré-traitement et
surveillance) implémentées sur un système Fog-IoT.

La définition de cette bonne architecture Fog-IoT était un aspect important qui nous a
permis de concevoir une approche de composition de service adaptative, centrée sur l'utilisateur,
qui s'adapte aux différentes situations dans l'environnement IoT et surtout, cette approche peut
gérer notre cas d’étude « l'urgence hospitalière ». Ainsi, l'apport majeur de cette approche, qui la
rend novatrice, peut être résumé comme suit :

• Compte tenu de facteurs tels que les attributs de QoS, la sélection de services IoT pour la
composition de services est réduite à un problème d'optimisation multi-objectifs, ainsi ;
pour résoudre ce problème, un algorithme génétique parallèle multi-population (P-
MPGA) est proposé.
• L'algorithme P-MPGA implémente une méthode de sélection intelligente qui nous
permet de sélectionner le bon service.
• P-MPGA implémente également un système de surveillance qui surveille les services
pour gérer le changement dynamique des environnements IoT.
• Enfin, une évaluation expérimentale est effectuée pour vérifier la robustesse du cadre
proposé en le comparant à l'GA traditionnel [14] et à l'algorithme génétique (MGA)
proposé dans [15].

Ce travail [16] intitulé « A Multi-Population Genetic Algorithm for Adaptive Qos-Aware Service
Composition in Fog-Iot Healthcare Environment » a été publié en 2021 dans le journal
international « International Arab Journal of Information Technology (IAJIT) ».

5. Structure de la thèse
Le manuscrit de la thèse est organisé en deux parties soit six chapitres. La première partie est
consacrée à l’introduction et l’analyse de l’état de l’art. Dans la deuxième nous présenterons
notre contribution et sa validation.

• Chapitre 1
Le premier chapitre présente le cadre général et la problématique de la recherche. Ce
chapitre identifie également les objectifs de la thèse et présente brièvement les
principales contributions.

• Chapitre 2
Le deuxième chapitre est consacré à la présentation de concepts de base et fondamentaux
qui serviront à clarifier les termes utilisés tout au long du document. Aussi, nous
parlerons des défis de l’IoT avec une comparaison entre la composition de services Web
et celle de l'IoT.

19
• Chapitre 3
Le troisième chapitre traite certaines approches proposées populaires qui peuvent être
considérés pour la composition de services dans l'IoT. Puis dans sa deuxième partie, nous
présenterons une étude comparative entre les approches déjà proposées. Nous avons
commencé notre enquête en introduisant quelques critères spécifiques, qui sont basés sur
les défis fondamentaux de la composition des services cités précédemment dans le
chapitre 2.

• Chapitre 4
Dans le quatrième chapitre, nous présentons notre architecture à cinq couches basées sur
le concept Fog-IoT, le modèle QoS utilisé et notre algorithme génétique multi-population
sensible aux QoS P-MPGA.

• Chapitre 5
Dans le cinquième chapitre, nous évaluons notre algorithme génétique multi-populations
(P-MPGA) (algorithme 1) en le comparant aux algorithmes génétiques traditionnels
(GA) [14] et à l'algorithme génétique (MGA) proposés dans [15]. Nous exécutons P-
MGA, GA et MGA 10 fois et utilisons les valeurs moyennes pour l'évaluation.

• Conclusion générale
Nous terminons cette thèse par une conclusion générale et des quelques perspectives sur
des travaux futurs.

Première partie Deuxième partie

Introduction et Contribution et
Analyse de l’État de validation
l’art
CHAPITRE 1 CHAPITRE 4
Introduction Le modèle proposé

CHAPITRE 2 CHAPITRE 5
Concepts généraux Configuration
expérimentale et
évaluation

CHAPITRE 3 Conclusion générale

Etat de l’art Conclusion et perspectives
Figure 1 Structure de notre thèse

20
 CHAPITRE 2

Concepts généraux
Sommaire

1. Le service Web
2. Architecture du service Web
3. Le middleware
4. L’internet des objets (IoT)
5. Qu’est-ce qu’un objet ?
6. Fonctionnement de l’IoT L’Internet
7. Domaines d’application de l’IoT
8. La composition de service dans l’internet des objets
9. Catégorie de composition de services
1. Degré d’automatisation
2. Moment de la sélection des services
3. L’exécution de la composition de service
10. Les défis de l’internet des objets
11. L'application de la composition de services Web standard sur la composition de services
de l'IoT
12. Conclusion

Dans ce chapitre nous présentons les différents concepts de base qui serviront à clarifier les
termes utilisés tout au long du document. Cela aidera le lecteur à se familiariser plus rapidement
avec les solutions proposées pour la réalisation de notre approche de composition de service
adaptative Fog-IoT. Aussi, nous parlerons des défis de l’IoT avec une comparaison entre la
composition de services Web et celle de l'IoT.

Le service Web (1er concept de base) représente la technologie permettant l’échange de

données entre les différentes plateformes et leurs applications, bien que ces applications puissent
être hétérogènes. L'échange de données nécessite l'utilisation d’un logiciel intermédiaire, Le
Middleware (2e concept de base). Ce dernier est un logiciel qui offre une interface d’échange de
données entre les objets dans l’Internet. Finalement, tout cela se passe dans l’Internet of Things
ou IoT (3e concept de base). Ces trois concepts sont décrits brièvement dans les points suivants.

1. Service web
Étant donné que « les objets connectés ont un talon d’Achille : sans services Web associés, ils
meurent ! » [17], dans le modèle [18], l’auteur recoure aux services Web pour contourner les
problèmes de normes liés à l’interconnexion, ce qui permet un accès souple à des plateformes
logicielles et matérielles via Internet.

Les services Web sont « des applications qui relient des programmes, des objets, des
bases de données ou des processus d’affaires à l’aide de XML et des protocoles Internet
standards. Les services Web sont des compléments aux programmes et applications existants,

21
développés à l’aide de langages tel que Visual Basic, C, C++, C# (C sharp), Java ou autre, et
servent de pont pour que ces programmes communiquent entre eux » [19].

Plusieurs autres définitions des services Web peuvent être retenues. Nous pouvons citer
celle de Abouzaid qui semble la plus simple : « Un service Web est un système logiciel qui
permet de soutenir l'interaction entre les machines sur un réseau. Il dispose d'une interface écrite
en format exploitable par les machines, spécifiquement le WSDL (Web Services Description
Language) » [20]. De ce qui précède, on peut conclure que le service Web est un service
électronique, offert par des technologies universelles développées en fonction des protocoles
réseautiques mondiaux (essentiellement d’Internet) qui agit comme infrastructure de
communication.

2. Architecture des services Web

Les services Web permettent, à travers un espace de communication, d’échanger différentes
informations. Dans cette section, on tente de comprendre comment cet échange de données se
fait en présentant un modèle d’architecture classique pour les services Web appelée SOA
(Architecture orientée service).

La SOA « est une architecture d'application distribuée, de plateforme indépendante et à

couplage faible, dans laquelle les différents services communiquent les uns avec les autres par
des interfaces à définition simple et précise, et ne tient pas compte de l'interface de
programmation sous-jacente et des modèles de communication. » [21]. Comme le montre la
(Figure 2) ci-dessous, le modèle SOA met en interaction trois acteurs : un client, un fournisseur
et un intermédiaire.

Annuaire

WSDL
WSDL
WSDL

Publication Découverte

Interaction

Fournisseur Utilisateur
Figure 2 Architecture classique des services Web [22]

22
Le modèle SOA fait intervenir les trois acteurs suivants :
1) Le client, qui est le demandeur du service représenté par l’application, qui va
chercher et consommer le service.
2) Le fournisseur, qui est le propriétaire du service offert dans la plateforme
d’accueil
3) L’annuaire des services, un intermédiaire entre le client et le fournisseur, qui
offre au fournisseur la possibilité de publier ses services, et au client la capacité
de localiser les services répondant à ses besoins.
Le fonctionnement des services Web se base sur un modèle composé de trois phases
fondamentales : la publication, la découverte et l’interaction [22].

3. Le Middleware (ou intergiciel)

Nombreux sont les travaux de recherche qui s’intéressent au Middleware. Dans cette section,
nous mettons l’accent sur les éléments qui caractérisent ce concept et aussi sur l’intérêt de
l’utiliser dans une application informatique.

Zeng définit le Middleware comme étant « une couche de logiciel ou un ensemble de

sous-couches interposées entre la technologie et les niveaux d'application. Sa fonction, qui
consiste à cacher les détails des différentes technologies, est fondamentale pour éliminer les
publications non pertinentes. Le Middleware gagne de plus en plus d’importance en raison de
son rôle majeur dans la simplification du développement de nouveaux services » [23].

« La définition du Middleware généralement admise est la suivante : un Middleware est

un logiciel de communication qui permet aux processus exécutés sur une ou plusieurs machines
d’interagir à travers un réseau. » [24].

23
 Figure 3 Architecture Middleware [25]

Comme le montre la Figure 3, Le Middleware (la partie en bleu) est « le logiciel qui connecte les
composants logiciels ou les applications d’entreprise. C’est la couche logicielle qui se trouve
entre le système d'exploitation et les applications de chaque côté d'un réseau d'ordinateurs
distribué » [25].

Le Middleware est « une classe de logiciels permettant la communication entre des

applications qui n’étaient pas conçues pour dialoguer entre elles. Il homogénéise l’accès à
l’ensemble des services proposés par le réseau. Les Middlewares sont utilisés pour supporter des
applications complexes et distribuées. Ils permettent aussi de lier deux ou plusieurs logiciels
entre eux afin que les applications correspondantes puissent échanger des données. » [26].

« Le Middleware rend le développement d’une application plus facile en fournissant une

abstraction de programmation commune, en masquant l'hétérogénéité et la distribution du
matériel et du système d'exploitation, et en masquant les détails de programmation de haut
niveau. » [25].

4. L’internet des objets (IoT)

L’Internet des objets (IoT) est une concrétisation technique de l’informatique ubiquitaire où la
technologie est intégrée naturellement aux objets du quotidien. Très prometteur, ce concept
ouvre la voie vers une multitude de scénarios basés sur l’interconnexion entre le monde
physique et le monde virtuel : domotique, e-santé, ville intelligente, logistique, sécurité, etc.
Cependant, comme d’autres concepts prometteurs, celui-ci fait face à un certain nombre de
24
problématiques techniques et non techniques qui nécessitent d’être étudiées pour permettre à
l’Internet des objets d’atteindre son plein potentiel.

Figure 4 L'internet des objets (IoT) et ses nombreux domaines

L’Internet des objets est un concept concrétisant la vision de l’informatique ubiquitaire

telle qu’imaginée en 1991 par Mark Weiser [27], où la technologie s’efface peu à peu dans
l’environnement des utilisateurs, intégrée naturellement à l’intérieur des objets du quotidien1. La
technologie n’est plus alors représentée par un objet unique, l’ordinateur personnel, mais se
présente au contraire sous la forme d’appareils spécialisés et simples d’emploi, capables de
communiquer au travers de plusieurs types de réseaux sans fil : liseuses numériques, télévisions
et montres connectées, ordinateurs de bord, téléphones intelligents, etc.

À l’origine, le terme Internet des objets a été utilisé pour la première fois en 1999 par
Kevin Ashton [28] pour décrire des objets équipés de puces d’identification par radiofréquence
(ou puce RFID). Chaque objet, identifié de manière unique et universelle, peut alors être rattaché
à un ensemble d’informations le concernant, ces dernières étant lisibles par d’autres machines2.
Caractéristiques, état courant et position sont alors autant de métadonnées échangées entre les
objets, formant un nouveau réseau qui leur est dédié : l’Internet des objets.

Le concept a toutefois évolué avec le temps et s’est généralisé vers une approche
consistant à connecter un très grand nombre d’objets du quotidien au réseau Internet, les dotant
ainsi d’une identité propre et leur permettant, entre autres, d’offrir des services et de collecter
des informations de manière autonome.

1
Mark Weiser : « The most profound technologies are those that disappear. They weave themselves into the fabric
of everyday life until they are indistinguishable from it. »
2
Kevin Ashton : « RFID and sensor technology enable computers to observe, identify and understand the world. »

25
 L’objectif ambitieux derrière cette interconnexion est double, consistant en premier lieu
dans la mise en place d’une infrastructure de communication machine à machine (M2M) à
grande échelle de façon à permettre à ces machines de mieux « percevoir » le monde qui les
entoure [29]. En second lieu réside une volonté d’offrir les abstractions nécessaires aux êtres
humains pour interagir avec ces machines, et par extension avec le monde physique, aussi
simplement qu’avec le monde virtuel que nous connaissons aujourd’hui [30]. En d’autres
termes, les utilisateurs de l’Internet des objets (IoT) devraient être en mesure de manipuler
l’environnement physique de la même façon qu’ils manipulent aujourd’hui des abstractions de
haut niveau, telles que les fichiers et les dossiers, les pages Web et les hyperliens, ou encore les
profils et les relations (p. ex. sur les réseaux sociaux).

Dans le futur Internet, les objets sont connectés et intégrés de manière transparente entre
eux et avec l'environnement physique environnant selon la notion informatique omniprésente,
fournissant un accès et un support de communication à tout moment/n'importe où/n'importe quel
média. La façon dont ces différentes solutions et technologies coexistent conduit au paradigme
de l'IoT, qui est le résultat de la convergence de trois principales visions différentes [31] : les
perspectives Internet, Sémantique et Objets. L'intégration de telles approches dans le cadre de
l'Internet des objets est illustrée à la Figure 5.

Jusqu’à présent, le nouveau paradigme qu’est l’Internet des objets (IoT) émerge des
travaux issus de plusieurs communautés scientifiques : les réseaux de capteurs et d’actionneurs
sans fil, le Web, le cloud computing, l’identification par radiofréquence (Radio-Frequency
IDentification, ou RFID) ou encore la communication en champ proche (Near Field
communication, ou NFC). Cette grande diversité, couplée à la popularité croissante du concept
auprès des mondes académique et industriel, fait que, s’il existe effectivement des objectifs
communs, l’Internet des objets n’est pas clairement défini, comme le montre le Tableau 1 qui
recense quelques définitions récentes extraites de la littérature. En combinant ces définitions, on
retrouve toutefois les aspects que nous avons évoqués plus haut : identité, autonomie,
interconnexion et interaction avec l’environnement (capteurs et actionneurs).

26
 Figure 5 Perspectives du paradigme de l'internet des objets [31]

Tableau 1 Quelques définitions de l’Internet des objets (IoT)

« Un réseau qui relie et combine les objets avec l’Internet, en suivant les protocoles qui
assurent leurs communications et échange d’informations à travers une variété de dispositifs.
» [32].

« Un réseau de réseaux qui permet, via des systèmes d’identification électroniques normalisés
et unifiés, et des dispositifs mobiles sans fil, d'identifier directement et sans ambiguïté des
entités numériques et des objets physiques et ainsi, de pouvoir récupérer, stocker, transférer
et traiter les données sans discontinuité entre les mondes physiques et virtuels. » [33].

« Une extension de l'Internet actuel envers tout objet pouvant communiquer de manière
directe ou indirecte avec des équipements électroniques eux-mêmes connectés à l'Internet.
Cette nouvelle dimension de l'Internet s'accompagne avec de forts enjeux technologiques,
économiques et sociaux, notamment avec les économies majeures qui pourraient être
réalisées par l’ajout de technologies qui favorisent la standardisation de ce nouveau domaine,
surtout en matière de communication, tout en assurant la protection des droits et des libertés
individuelles » [34].

27
Le terme « Internet des objets » est utilisé comme mot-clé générique pour couvrir divers
aspects liés à l'extension d'Internet et du Web dans le domaine physique, au moyen du
déploiement généralisé de dispositifs répartis dans l'espace avec identification, détection
et/ou capacités d'actionnement. L'Internet des objets envisage un avenir dans lequel les entités
numériques et physiques peuvent être liées, au moyen de technologies de l'information et de la
communication appropriées, pour permettre une toute nouvelle classe d'applications et de
services [30].

« Internet des objets » signifie « un réseau mondial d'objets interconnectés adressables de

manière unique, basé sur des protocoles de communication standard », ou, plus
largement : « des objets ayant des identités et des personnalités virtuelles opérant dans des
espaces intelligents utilisant des interfaces intelligentes pour se connecter et communiquer au
contextes sociaux, environnementaux et utilisateurs" [35].

Une infrastructure de réseau mondiale, reliant des objets physiques et virtuels grâce à
l'exploitation de capacités de capture de données et de communication. Cette infrastructure
comprend les développements Internet et réseau existants et évolutifs. Il offrira des capacités
spécifiques d'identification d'objets, de capteurs et de connexion comme base pour le
développement de services et d'applications coopératifs indépendants. Ceux-ci seront
caractérisés par un degré élevé de capture de données autonome, de transfert d'événements,
de connectivité réseau et d'interopérabilité [36].

L'idée de base de ce concept est la présence omniprésente autour de nous d'une variété de
choses ou d'objets - tels que des étiquettes d'identification par radiofréquence (RFID), des
capteurs, des actionneurs, des téléphones portables, etc. - qui, grâce à des schémas
d'adressage uniques, sont capables interagir les uns avec les autres et coopérer avec leurs
voisins pour atteindre des objectifs communs [31].

5. Qu’est-ce qu’un objet ?

Un objet est, avant toute chose, une entité physique ; par exemple, un livre, une voiture, une
machine à café électrique ou un téléphone mobile. Dans le contexte précis de l’Internet des
objets (IoT), et ce quelle que soit la vision, cet objet possède au minimum un identifiant unique
attaché à une identité [31] exprimant d’une part ses propriétés immuables (type, couleur, poids,
etc.) et son état c’est-à-dire l’ensemble de ses caractéristiques pouvant évoluer au cours du
temps (position, niveau de batterie, etc.).

De nombreuses définitions s’accordent à dire qu’un objet possède des capacités de

calcul, d’acquisition (capteur) et d’action (actionneur) [30], [36], [37], cependant cette définition
exclut les objets inertes identifiés par RFID. En effet, une puce RFID classique ne peut pas être
considérée comme un dispositif de calcul, celle-ci se résumant à un identifiant stocké dans une
mémoire. De même, si l’on considère les cas extrêmes, un simple code-barre peut être employé
pour identifier un objet, ce dernier étant exempt d’une quelconque partie électronique ; un livre
et son code ISBN, par exemple. Ainsi, il est raisonnable de considérer que l’Internet des objets

28
est composé d’objets actifs, capables d’accomplir des calculs, d’effectuer des mesures sur
l’environnement ou d’influer sur celui-ci, et d’objets passifs qui n’ont pas d’autres aptitudes que
celles d’être suivis et détectés par des objets actifs. Par extension, l’identité d’un objet passif
n’est pas directement stockée dans celui-ci, à l’exception de l’identifiant, et nécessite
l’utilisation d’une infrastructure tierce capable de stocker ces informations. Au contraire, un
objet actif peut stocker tout ou partie de son identité et échanger directement ces informations
avec d’autres objets actifs. Cependant, cette capacité à stocker sa propre identité n’est pas
obligatoire pour un objet actif et dépend (i) de ses ressources matérielles, notamment la
mémoire, et (ii) de la complexité et du volume de ladite identité.

De manière générale, les ressources matérielles des objets actifs ont une importance
cruciale en cela qu’elles définissent quels traitements pourront être effectués par l’objet. Par
exemple, un algorithme de reconnaissance faciale nécessite plus de ressources qu’un algorithme
de recherche d’éléments dans un ensemble ordonné, ce dernier nécessitant lui-même plus de
ressources qu’une simple opération arithmétique telle que l’addition. Par ailleurs, les systèmes
embarqués offrent souvent un ensemble d’opérations spécifiques implémentées directement au
niveau du matériel, notamment sous la forme de circuits logiques programmables. Ainsi, même
des objets aux ressources CPU et mémoires limités peuvent être dotés d’un module matériel de
sécurité (hardware security module) ou d’une puce d’encodage ou de décodage vidéo. De la
même façon, les objets actifs sont aussi des objets communicants et, de fait, embarquent diverses
interfaces leur permettant d’échanger des informations sur divers réseaux filaires ou sans fil.

Au-delà des ressources matérielles, les objets physiques possèdent des caractéristiques
variées dues à leurs usages. Certains objets sont mobiles et, de fait, caractérisés par une position
qui évolue au cours du temps. Il peut s’agir d’objets transportables, tels qu’un téléphone mobile,
un livre ou des vêtements, ou d’objets mobiles autonomes dotés de capacités motrices, tels
qu’une voiture, un drone ou un animal domestique3. À l’inverse, de nombreux objets sont fixes
la plupart du temps : réfrigérateurs, meubles, compteurs électriques, etc. De la même façon,
certains objets sont alimentés en continu depuis une source permanente d’énergie électrique
(typiquement, les appareils électroménagers) tandis que d’autres sont alimentés par une batterie
et possèdent donc une durée de vie limitée en fonction de celle-ci. Ce facteur a une influence
variable selon si l’objet est facilement rechargeable, comme c’est le cas avec un téléphone
mobile ou un baladeur numérique, ou au contraire abandonné sur le terrain, par exemple dans le
cadre d’études des mouvements migratoires d’une population animale. De la même façon,
certains objets sont en mesure d’extraire de l’énergie depuis leur environnement (energy
harvesting) par exemple en tirant parti de l’énergie solaire ou d’un champ électromagnétique. En
outre, certains appareils dotés de capacités motrices sont capables de rechercher des points de
rechargement et de s’y rendre sans intervention humaine. C’est notamment le cas des aspirateurs
robots.

6. Fonctionnement de l’IoT L’Internet

L’Internet of Things (IoT) permet l’interconnexion des différents objets intelligents via
l’Internet. Ainsi, pour son fonctionnement, plusieurs systèmes technologiques sont nécessaires.
Citons quelques exemples de ces technologies.
3
Un animal est un objet au sens restreint d’ensemble de caractéristiques mesurables et évoluant au cours du temps.

29
 « L’IoT désigne diverses solutions techniques (RFID, TCP/IP, technologies mobiles,
etc.) qui permettent d’identifier des objets, de capter, stocker, traiter, et transférer des données
dans les environnements physiques, mais aussi entre des contextes physiques et des univers
virtuels. » [33].

En effet, bien qu’il existe plusieurs technologies utilisées dans le fonctionnement de

l’IoT, nous mettons l’accent seulement sur quelques-unes qui sont selon la littérature les
technologies clés de l’IoT. Ces technologies sont les suivantes : RFID, WSN et M2M, et sont
définies ci-dessous.

• RFID (Radio Frequency Identification) : le terme RFID englobe toutes les technologies
qui utilisent les ondes radio pour identifier automatiquement des objets ou des personnes.
C’est une technologie qui permet de mémoriser et de récupérer des informations à
distance grâce à une étiquette qui émet des ondes radio [38]. Il s’agit d’une méthode
utilisée pour transférer les données des étiquettes à des objets, ou pour identifier les
objets à distance. L’étiquette contient des informations stockées électroniquement
pouvant être lues à distance [32].
• WSN (Wireless Sensor Network) : c’est un ensemble de nœuds qui communiquent sans
fil et qui sont organisés en un réseau coopératif. Chaque nœud possède une capacité de
traitement et peut contenir différents types de mémoires, un émetteur-récepteur RF et une
source d'alimentation, comme il peut aussi tenir compte des divers capteurs et des
actionneurs [39]. Comme son nom l’indique, le WSN constitue alors un réseau de
capteurs sans fil qui peut être une technologie nécessaire au fonctionnement de l’IoT.
• M2M (Machine to Machine) : c’est « l’association des technologies de l’information et
de la communication avec des objets intelligents dans le but de donner à ces derniers les
moyens d’interagir sans intervention humaine avec le système d’information d’une
organisation ou d’une entreprise » [40].

7. Domaines d’application de l’IoT

Nous constatons que le concept de l’Internet of Things (IoT) est en pleine explosion vu que nous
avons de plus en plus besoin dans la vie quotidienne d’objets intelligents capables de rendre
l’atteinte de nos objectifs plus facile. Ainsi, les domaines d’applications de l’IoT peuvent être
variés.

Plusieurs domaines d’application sont touchés par l'IoT. Dans [41], les auteurs ont classé
les applications en quatre domaines : le domaine personnel, le domaine du transport,
l’environnement et les services publics.

Comme la Figure 6 ci-dessous le montre, on trouve alors l’IoT dans notre vie personnelle
quotidienne et également dans les services publics offerts par le gouvernement.

30
 Figure 6 Les domaines d’Internet of Things [41]

Nous pouvons affirmer que l’Internet peut être connecté à n’importe quel objet. Ainsi, les
domaines d’applications de l’IoT sont multiples. On cite, à titre d’exemples, l’industrie, la santé,
l’éducation et la recherche. Cependant, il sera possible dans le futur de trouver le concept de
l’IoT n’importe où, n’importe quand et à la disposition de tout le monde.

Tableau 2 Quelques scénarios pour l’Internet des objets

Suivi et logistique Rendre possible le suivi dans le temps et l’espace de n’importe quel
objet, pour peu que celui-ci soit identifié (p. ex. avec une étiquette
RFID). Ce scénario est aujourd’hui implémenté par les industriels
pour le suivi des objets dans une chaîne de production (fabrication,
transport, etc.) ou dans un stock, le suivi d’objets perdus ou volés, ou
encore la classification de documents [31].

Soins médicaux et Utiliser des capteurs pour obtenir des informations en temps réel sur
l’état des patients (rythme cardiaque, pression sanguine, etc.), même

31
 aide à la personne lorsque ceux-ci sont en extérieur (capteurs portatifs), pour pouvoir
réagir rapidement en cas d’anomalie [42].

Environnements Autoréguler les paramètres de l’environnement dans les logements et

intelligents les bureaux (température, luminosité, humidité, consommation
énergétique, etc.) et contrôler l’accès à certaines ressources en
fonction du contexte (p. ex. présence ou non d’un responsable). Dans
le cadre des villes intelligentes, analyser en temps réel les différents
paramètres (bruit, pollution, trafic routier) et connecter les différents
éléments de l’infrastructure urbaine pour en améliorer la gestion
[43].

Social Utiliser les capteurs portatifs pour collecter un ensemble

d’informations concernant, par exemple, la position, l’activité en
cours (courir, faire du vélo, etc.), l’humeur ou l’environnement
(bruyant, peuplé, pluie, etc.) d’un individu dans le but de les partager
automatiquement avec des groupes sociaux [44]. Par extension,
permettre aux utilisateurs et aux organisations de partager les
informations de leurs systèmes à grande échelle pour contribuer
collaborativement à de nombreuses tâches d’analyse [45] : trafic
routier, flux de population, conditions climatiques, etc.

8. La composition de service dans l’IoT

Le concept d’objet étant posé, les différentes définitions présentées dans le Tableau 2 et la
littérature que nous avons étudiée à ce sujet nous conduisent à conclure que l’Internet des objets
(IoT) consiste à connecter un grand nombre d'objets du quotidien à internet, leur donnant leur
propre identité, leur permettant, entre autres, d'offrir des fonctionnalités et de collecter des
informations sous forme de service.

32
 Figure 7 Composition de service

Afin de répondre à la demande compliquée de l'utilisateur, la plupart des périphériques

IoT ne fonctionnent pas seuls, une composition de service multiple doit être faite (Figure 7), et
elle est définie comme la composition des services. La composition des services consiste à
combiner la fonctionnalité de plusieurs services au sein d'un seul processus afin de répondre à
des demandes complexes qu’un seul service ne peut satisfaire [1]. La composition de service
offre la possibilité d'effectuer des activités complexes à partir de services existants, et les
services composés forment un nouveau service, qui peut être réutilisé dans une autre
composition [2].

9. Catégories de composition de services

Ces dernières années, plusieurs communautés, aussi bien dans la recherche académique que dans
l’industrie, se sont intéressées à la problématique de la composition de services. Cette
problématique est à l’origine d’un nombre considérable de travaux notamment dans les
communautés de l’intelligence artificielle [46], [47].

La (figure 8) présente notre classification des catégories de composition de services

rencontrées dans la littérature. Cette classification se base sur trois axes principaux :

9.1. Degré d’automatisation

En fonction du degré de participation de l’utilisateur dans la définition du schéma de

composition, trois types de composition de services sont distingués : compositions manuelles,
semi-automatiques ou automatiques.

9.1.1. Composition manuelle

Les techniques de composition manuelles reposent sur un expert en charge de définir et générer
le schéma de la composition de services. L’utilisateur joue un rôle central en définissant
manuellement l’ordre d’invocation et d’exécution des services composants. Tout d’abord,

33
l’utilisateur définit la requête qui reflète ses besoins, ensuite le schéma de la composition de
service qui repend à cette requête. Enfin, ce schéma de composition de services est soumis à un
moteur d’exécution afin de le réaliser.

9.1.2. Composition semi-automatique

Dans les approches semi-automatiques, des outils graphiques sont développés afin de guider
l’utilisateur étape par étape durant le processus de composition. Ces outils mettent à disposition
un certain nombre d’opérateurs graphiques pour aider l’utilisateur voulant construire un service
composite. Aussi, ces outils proposent à l’utilisateur des conseils et des suggestions quant à la
sélection des services à composer. Une fois le service composite est défini, le schéma de
composition est enfin soumis à un moteur d’exécution. Certains outils permettent également de
mémoriser les schémas pour faciliter leurs réutilisations.

9.1.3. Composition automatique

Dans ce type de composition, l’utilisateur ne fait que spécifier ses besoins sous forme d’une
requête de services. Par la suite, c’est le système qui prend en charge tout le processus de
composition et le réalise automatiquement de manière tout à fait transparente, sans qu’aucune
autre intervention de l’utilisateur ne soit requise.

9.2. Moment de la sélection des services

La réalisation concrète d’un schéma de composition de services est réalisée par la sélection de
services qui consiste à identifier les services concrets à invoqués lors de l’exécution. Cette
sélection peut être faite au moment de la conception, ou bien au moment de l’exécution, la
composition est dite alors statique ou dynamique.

9.2.1. Composition statique

La composition statique est une composition qui est spécifiée aux moments de la conception et
du déploiement de l’architecture du système. Les services à composer sont identifiés,
sélectionnés, interconnectés, compilés et déployés par le concepteur. Cela donne lieu à des
compositions figées, avec des services participants et des liaisons entre eux prédéfinis [48]. Ce
type de composition n’est rentable que lorsque le système et les services sont peu évolutifs. Les
approches statiques de composition de services sont en général adoptées par l’industrie.

9.2.2. Composition dynamique

Par opposition à la composition statique, la composition dynamique se caractérise par le fait que
les services candidats sont localisés par le système à l’arrivé de la requête, puis reliés à la
demande de l’utilisateur pour obtenir un service composite [48]. Les étapes de construction du
service composite sont réalisées au moment de l’exécution en fonction des services disponibles à
ce moment. Par conséquent, la composition dynamique de services est idéale pour répondre aux
exigences des environnements dynamiques où les services disponibles changent constamment et
les attentes des utilisateurs sont variables et personnalisées. Cependant sa mise en œuvre reste
difficile à cause des changements fréquents de contextes des utilisateurs et des services dans de
tels environnements.

34
 9.3. L’exécution de la composition de services

L’exécution de la composition de services peut être soit confiée à une seule entité calcule ou
bien partagée entre différentes entités de calcule, une composition est dite centralisée ou
distribuée.

9.3.1. Composition centralisée

Cette catégorie nécessite un nœud central qui agit comme un coordinateur de composition de
services et imposant de ce fait une structure centralisée. Ce nœud central, appelé aussi
coordinateur central ou moteur d’exécution. Son rôle principal consiste à gérer l’invocation des
différents services impliqués dans le schéma de composition de services.

9.3.2. Composition distribuée

Contrairement à la composition centralisée, la composition distribuée n’a pas de coordinateur

central. Ce type de composition impose une structure décentralisée dans laquelle, tous les
services participants à une composition de services doivent collaborer afin de réaliser cette
composition. C’est ainsi que la tâche de réalisation d’un service composite est, cette fois-ci,
répartie entre tous les services concernés.

9.3.3. Composition hybride

A défaut de considérer une structure purement centralisée ou purement distribuée, la

composition hybride combine ces deux structures. Dans ce cas de figure, la topologie est
partitionnée en plusieurs sous-ensembles. Chacun de ces ensembles possède son propre
coordinateur local de composition de services. Les différents coordinateurs locaux sont, à leurs
tours, rattachés à un autre coordinateur de niveau hiérarchique supérieur. [48].

Catégorie de composition de services

Degré Moment de la sélection L’exécution de la

d’automatisation des services composition de services

Composition
Composition manuelle Composition statique centralisée

Composition semi- Composition Composition distribuée

automatique dynamique

Composition Composition hybride

automatique
Figure 8 Catégories de composition de services

35
10. Les challenges de la composition de service dans l’internet des
objets (IoT)
La composition des services dans l'IoT présente de nombreux défis, les services de l'IoT sont
principalement déployés dans des appareils à ressources limitées avec une capacité de stockage
et de traitement d'énergie limitée et qui se comparent aux services Internet déployés dans des
ordinateurs dotés de ressources riches et de fonctions puissantes [49]. En outre, avec
l'augmentation rapide du nombre d'appareils, la composition doit être conçue de centralisée à
distribuée, et le coût de la composition du service dans l'IoT doit être pris en compte.

L'environnement IoT est dit dynamique, les informations du service IoT sont instables
(son état bascule entre disponibilité/indisponibilité) par rapport aux services Internet [49]. De
plus, en raison de l'indépendance de chaque entité, des problèmes d'interaction et de
communication peuvent apparaître, en plus la probabilité d'erreurs telles que des pannes et des
changements de service dans l'IoT est élevée. Un mécanisme de surveillance doit être utilisé
pour garantir la tolérance aux pannes et surveiller le système IoT ; cependant, cela peut entraîner
un coût élevé [50].

En raison de l'évolution dynamique des besoins des utilisateurs et du contexte, la

composition doit être adaptative (Figure 9) et effectue une mise à jour en temps réel, pour
assurer la continuité des services à l'utilisateur et améliorer l'interaction de l'utilisateur avec
l'environnement.

Il convient au système de composition de services de l'IoT d'introduire une stratégie de

paramètres non fonctionnels comme les attributs de qualité de service (QoS) pour choisir et
composer des services selon leurs informations sensorielles, parce que la composition de service
IoT vise à fournir à l'utilisateur des informations sensorielles [49]. Contrairement à la
composition des services Internet, qui vise à résoudre les problèmes de programmation, se
concentre sur la démonstration de la faisabilité et de la logique.

Un système IoT connecte le monde physique dans le cyberespace [51], ainsi l'un des
défis du système de composition de services de l'IoT est la gestion d’un système de protection et
de sécurité pour résister aux attaques malveillantes afin de survivre dans des environnements
hostiles.

36
 Figure 9 Relation entre les concepts d’adaptation [52]

Parmi les défis ci-dessus (résumés dans la Figure 10), les trois aspects suivants
sont considérés comme les plus difficiles :
• Trouver la composition la plus optimale, en utilisant par exemple des paramètres non
fonctionnels pour améliorer le comportement de la composition et de ses composants
• Protéger et surveiller les appareils avec des ressources de surveillance restreintes dans un
environnement dynamique
• Gérer l'évolution dynamique de l'environnement et des ressources.

Figure 10 Défi de la composition des services dans l'IoT

37
11. L'application de la composition de services Web standard sur la
composition de services de l'IoT
Il existe deux modes pour composer des services web, le mode médiation qui suit le modèle
d'orchestration, où toutes les dépendances globales sont connues pour au moins un service
(appelé le médiateur) avant exécution. De l'autre côté on parle du mode P2P qui suit le modèle
de la chorégraphie.

La composition de service par orchestration consiste à faire l’assemblage de service selon

un ordre et un flux d’exécution. L’exécution d’une composition par orchestration est réalisée par
un coordinateur de services. L’utilisation d’un tel coordinateur implique une composition, avec
une logique d’exécution qui sera interprétée par un coordinateur (Figure 11).

Figure 11 La composition de service par orchestration

La Chorégraphie de service est un effort de collaboration dans lequel chaque participant

du processus décrit l’interaction qui l’appartient. Le comportement global du processus est basé
sur l’interaction des différentes parties, chacune suivant son propre rôle de manière autonome
(Figure 12).

Invoque Service Invoque

Service Service

Service Invoque
Invoque

Figure 12 La Chorégraphie de service

38
 Tout d'abord, en architecture orientée services (SOA), la composition des services
nécessite que les services soient décrits de manière standard dans un annuaire, et offrent des
formats d'échange (ou encapsulation d'échange) riches, précis et thématiques soumis à des règles
strictes mais facilement évolutive, pour permettre l'exploitation des ressources disponibles.
D'autant que cette démarche prend tout son sens dans la construction d'un service, qui sera
proposé à de très nombreux utilisateurs, au fur et à mesure que dans l'IoT les relations évoluent,
et l'organisation est amenée à être repensée. Les applications de l'IoT impliquent des éléments
personnels, qui doivent répondre à des problèmes individuels. L'intervention d'un architecte est
alors requise pour la construction d'un ensemble solide de services destinés à une population
d'utilisateurs la plus large possible.

Chaque application IoT ne peut être utilisée que par son concepteur et sa famille, car elle
est adaptée plus spécifiquement à leur usage, et/ou à certains de leurs objets. Dans l'IoT, le
concepteur/consommateur de circuits est réduit, et parfois ces rôles sont joués par la même
personne [53]. Dans les environnements IoT et fortement contraints, il semble approprié de
disqualifier le protocole simple d'accès aux objets (SOAP), notamment par sa lourdeur pour le
service qu'il est censé rendre. La plupart des opérations actuelles peuvent être effectuées via
HTTP, de manière plus simple, plus légère et concise. La brièveté et la légèreté des échanges
sont exactement ce dont l'IoT a besoin, et c'est ce que propose l'approche RESTful [54].

La chorégraphie et l'orchestration des services sont deux approches différentes que l'on
s'interroge sur leurs récupérations ; s'ils expriment les mêmes règles et satisfirent les mêmes
besoins. Une étude [55] s'est intéressée à l'utilisation de la chorégraphie sous SOAP et REST, et
compare leurs forces et faiblesses face aux rouages de la chorégraphie. REST permet un
couplage faible et la clarté de la définition des opérations souhaitées qui apparaissent dans le
message, tandis que SOAP permet de décrire la complexité de certaines transactions et assure un
suivi des échanges, particulièrement intéressant pour déboguer la cinématique de dialogue.
L'approche chorégraphique est adaptée à l'IoT ; il permet de réduire l'utilisation des ressources
réseau impliquées dans l'IoT. La chorégraphie respecte les contraintes énergétiques, car les
interactions directes entre les nœuds nécessitent moins de réseau qu'un retour de données vers un
point central. De plus, les capacités de traitement ajoutées aux objets (certes limitées, mais
présentes) permettent la mise en œuvre des algorithmes décrivant la tâche à effectuer sur l'objet
lui-même [53].

12. Conclusion
Dans ce chapitre, nous avons présenté un aperçu global sur le concept de l’internet des objets.
Pour clarifier le concept de l’IoT, nous avons donné un ensemble de définitions montrant les
différentes visions de ce concept. Ensuite, nous avons parlé des différents challenges de l’IoT,
ensuite on a introduit le concept de la comparaison service avec une petite comparaison entre la
composition des services web standard et celle dans l’IoT.

La pratique nous a montré que l'application directe de services Web standard sur les
services de l'IoT ne convient pas et apportera de nouveaux problèmes ; car les services de l'IoT
sont différents des services traditionnels et leur environnement est dynamique. La plus grande
différence entre les services traditionnels et IoT est que le service traditionnel est une entité
virtuelle mais les services IoT sont directement liés au monde physique [56], fournissant des
services qui satisfont l'utilisateur et qui constituent l'une des problématiques colossales de l'IoT.

39
 Dans le prochain chapitre, nous abordons certaines approches proposées populaires qui
peuvent être considéré pour composer les services de l'IoT. Et nous proposerons une étude
comparative de ces propositions d'approches.

40
 CHAPITRE 3

Analyse de l’état d’art

Sommaire

1. Critères fondamentaux pour la composition de service dans l’IoT

1.1. Composition dynamique
1.2. L'adaptation
1.3. Indépendance et extensibilité
1.4. Identification et résolution automatique des pannes et problèmes d'interaction
1.5. Composition distribuée et décentralisée
1.6. Protocole de confiance, de protection et de sécurité
1.7. L'optimisation
1.8. Le modèle utilisé
1.9. La performance
1.10. Résultats obtenus
1.11. Les normes et le protocole utilisés
1.12. La représentation des services
2. Aperçu des propositions
3. Une étude comparative entre les approches
4. Discussion
5. Autres études comparatives dans la littérature
6. Conclusion

Ce chapitre traite certaines approches proposées populaires qui peuvent être considérées pour la
composition de services dans l'IoT. Puis dans la deuxième partie, nous présenterons une étude
comparative entre les approches déjà proposées dans la littérature. Nous avons commencé notre
enquête en introduisant quelques critères spécifiques, qui sont basés sur les défis fondamentaux
de la composition des services cités précédemment dans le chapitre 2.

1. Critères fondamentaux pour la composition de service dans l’IoT

1.1. Composition dynamique
La composition peut avoir lieu pendant l'exécution de l'application pour intégrer de
nouvelles caractéristiques et fonctionnalités, à la suite de l'évolution dynamique de
l'environnement et des ressources.

1.2. L'adaptation
Suite au dynamique des changements de l'environnement, des ressources et de
l'évolution des besoins des utilisateurs et du contexte, un changement peut avoir lieu
pendant l'exécution de l'application pour intégrer de nouvelles fonctionnalités, et le
système doit faire une mise à jour en temps réel et une décision sur les choix de
composition peut donc être prise lors de l'exécution en accord avec cela.

Le critère d'adaptation est basé sur les sous-critères suivants :

41
 • Type (moment) : il existe une technique d'adaptation hors ligne (lors de la
décomposition et de la précision de l'objectif de l'utilisateur, ou lors de la sélection
et de la découverte) et une technique d'adaptation online (réalisée à l'exécution).
• La technique utilisée dans le système d'adaptation.
• Les lieux de déploiement du système d'adaptation.
• La description : le comportement du système d'adaptation après détection des
changements non acceptés.
• L’optimisation utilisée pour améliorer l'efficacité du système d'adaptation.

1.3. Indépendance et extensibilité

Les entités de la composition doivent être décrites indépendamment sans supposer
l'existence ou l'absence des autres. Le mécanisme de composition doit également
permettre l'ajout et la suppression d'entités à l'exécution, la composition doit donc être
recalculée automatiquement.

1.4. Identification et résolution automatique des pannes et problèmes d'interaction

A cause de l'indépendance de chaque entité, des problèmes d'interaction et de
communication peuvent apparaître (conductivité, pannes, charge de batterie et autres...) ;
cela perturbera le résultat de la composition. La probabilité d'erreurs telles que des
pannes et des changements de service dans l'IoT est élevée. Si une exception se produit,
le système sera en mesure de recomposer la composition de service afin que la nouvelle
composition puisse probablement fonctionner avec différents services sans défaillance.

1.5. Composition distribuée et décentralisée

L'exécution de la composition doit se faire de manière décentralisée et distribuée, du fait
du nombre croissant d'appareils, ainsi que des contraintes de ressources (énergie et
capacité de traitement) de chaque appareil.

1.6. Protocole de confiance, de protection et de sécurité

Un système IoT évolue avec de nouveaux nœuds et des nœuds existants, les entités du
système IoT sont principalement portées par des humains ou des appareils actionnés par
l'homme, le système se compose essentiellement d'appareils IoT non censurés offrant
une grande variété de services, beaucoup d'entre eux (propriétaires) seront malveillants
pour leur propre profit, un protocole de gestion de confiance est donc nécessaire pour
résister aux attaques malveillantes et survivre dans des environnements hostiles.

1.7. L'optimisation
L'optimisation utilise des paramètres non fonctionnels pour améliorer le comportement
de la composition et de ses composants. Bien que la satisfaction des exigences
fonctionnelles soit importante pour la construction du système, l'optimisation des
préférences non fonctionnelles peut être tout aussi cruciale. Par exemple, une
composition qui minimise les temps de réponse et les coûts, et garantit la disponibilité,
est requise.
Ces paramètres peuvent être dynamiques ou statiques. Les paramètres statiques
sont généralement connus au moment du déploiement et ne sont généralement pas mis à
jour lors de l'exécution. Cependant, les paramètres dynamiques représentent les
caractéristiques variables d'un service donné telles que le temps de réponse, le niveau

42
 d'énergie, la disponibilité et leurs valeurs sont fournies au moment de l'appel du service
par un processus de surveillance.

1.8. Le modèle utilisé

Quel modèle est utilisé pour modéliser les relations entre les services IoT.

1.9. La performance
Le processus de composition nécessite des calculs. Ces calculs sont nécessaires pour
composer un service qui satisfasse l'objectif de l'utilisateur, cela pourrait entraîner une
grande consommation de temps, et cela est dû aux nombres de services disponibles dans
l'IoT qui augmente énormément.

1.10. Résultats obtenus

Évaluation et résultats expérimentaux pour chaque approche proposée.

1.11. Les normes et le protocole utilisés

Indique les normes et le protocole utilisés les dans le système de composition des
services.

1.12. La représentation des services

Indique quel style architectural est utilisé pour la représentation des services dans le
système IoT.

2. Aperçu des propositions

Dans cette partie, nous allons présenter plusieurs approches déjà proposées pour la composition
de services dans l'IoT.

Dans [57], une approche basée sur les réseaux sociaux distribués pour la gestion des
appareils IoT et la composition des services a été proposée. Les auteurs ont encapsulé les
appareils IoT dans des services Web à l'aide du style RESTful ; ils ont modélisé les relations
entre les services IoT par les réseaux sociaux, et les ont classés en trois dimensions qui sont
l'emplacement, le type et la corrélation. Les schémas d'enregistrement, de sélection et de gestion
des services sont soigneusement conçus pour chacune de ces trois dimensions, et ainsi le réseau
social est divisé en trois sous-réseaux distincts pour une gestion efficace et une recherche de
service accélérée. Les auteurs ont proposé un mécanisme flexible et évolutif pour la composition
des services IoT ; prenant en compte les relations sociales entre les services IoT, ce mécanisme
permet la collaboration automatique d'appareils IoT hétérogènes afin de répondre aux besoins
des utilisateurs. Toutes les expériences ont abouti en faveur des propositions des auteurs, les
résultats montrent également que les algorithmes de recherche peuvent être appliqués à la
sélection de services avec une grande efficacité.

Dans [49], une méthode QoS pour la composition des services a été proposée, les auteurs
ont utilisé une prise de décision multi-attributs (MAMD) [58] pour calculer les performances
QoS et évaluer chaque service individuellement. Selon les performances de QoS et la valeur
fonctionnelle du service, plusieurs services sont choisis pour être dans la composition. Les
auteurs divisent la composition des services en : analyse de la demande des utilisateurs,
recherche et correspondance de services, sélection de services et enfin composition de services.

43
Un algorithme génétique (GA) amélioré est utilisé pour trouver les solutions optimales de
composition de services. Par rapport à l'optimisation de la composition des services qui repose
simplement sur l'évaluation des performances QoS moyennes, les critères de l'optimisation
globale de la valeur de la fonction contribuent à une meilleure préservation des informations
sensorielles importantes. Les résultats expérimentaux démontrent la faisabilité de l'optimisation
basée sur le GA amélioré, tandis que l'efficacité du critère d'optimisation basé sur la QoS et la
valeur de la fonction de service, ce qui apporte un schéma de composition plus adapté aux
demandes de l’utilisateur.

Dans [51] et [59] une approche sociale adaptative basée sur la confiance pour la composition des
services a été proposée, cette approche vise à résoudre la conception et la validation d'un
protocole de gestion de confiance adaptatif et de survie pour SOA des systèmes IoT basés sur les
réseaux sociaux [60]. Un utilisateur effectue une évaluation de la confiance sur la base de ses
expériences de satisfaction directes passées et des retours de confiance des autres utilisateurs
partageant des intérêts sociaux similaires. Les auteurs divisent les relations sociales en trois
listes et chaque utilisateur dispose d'au moins un appareil haut de gamme désigné (c'est-à-dire un
téléphone intelligent et un ordinateur portable) stockant ces listes dans le profil de l'utilisateur.
Les autres appareils du même utilisateur ont le privilège d'accéder au profil. En déléguant le
stockage et le calcul des réseaux sociaux à un appareil haut de gamme pour chaque utilisateur,
de nombreux appareils bas de gamme (c'est-à-dire des capteurs) sont capables de partager et
d'utiliser les mêmes informations sociales pour maximiser leurs performances. Pour l'évolutivité,
une stratégie de gestion du stockage est utilisée pour les petits appareils IoT afin d'utiliser
efficacement un espace de stockage limité. Les auteurs ont développé une technique de filtrage
adaptatif pour trouver le meilleur moyen de combiner dynamiquement la confiance directe et la
rétroaction de confiance indirecte, permettant à chaque nœud de sélectionner de manière
adaptative son meilleur paramètre de confiance pour minimiser le temps de convergence et le
biais de confiance. Les expériences ont évalué l'exactitude et la robustesse des modèles et des
algorithmes. Dans [61], les auteurs ont étendu leur gestion adaptative de la confiance pour être
résiliente aux attaques malveillantes. Les résultats montrent qu'il est capable d'approcher les
performances idéales lors de la convergence et peut considérablement surpasser le protocole de
sélection aléatoire non basé sur la confiance. Cependant, pour le système de surveillance, l'ajout
d'autres paramètres entraîne un problème d'optimisation plus complexe et peut ne pas convenir
aux appareils IoT à ressources limitées.

Dans [56], une méthode contextuelle pour la composition de services a été proposée, où
les auteurs ont utilisé le langage d'ontologie Web (OWL) pour construire l'ontologie de contexte
dans l'environnement de l'IoT. Afin de réduire la portée des informations contextuelles, le
nombre de concepts et d'attributs communs dans différents sous-domaines, les auteurs divisent le
champ de découverte de services en différents sous-domaines. Dans la composition des services,
le processus de sélection des services a été divisé en deux sous-processus. Premièrement, les
auteurs utilisent le contexte de calcul pour sélectionner les services appropriés. Ensuite, en
fonction de la qualité de service des attentes des utilisateurs, ils choisissent les meilleurs services
pour la composition des services afin de répondre aux besoins de l'utilisateur. Ainsi, les auteurs
ont utilisé les informations contextuelles pour optimiser la composition du service dans un
contexte particulier, pour trouver le plus compatible avec les besoins des utilisateurs du service
tout en satisfaisant les contraintes contextuelles. Cette approche peut améliorer efficacement la
satisfaction des utilisateurs, plus important encore, elle réduit la charge de traitement du contexte
des appareils de terrain et adapte les ressources aux changements dynamiques de l'IoT. Les

44
résultats montrent que l'utilisation d'informations contextuelles a optimisé la composition des
services, tout en satisfaisant les contraintes contextuelles. Un service de surveillance de
périphérique est présenté comme un test sans aucune implémentation.

Dans [62] et [63], une approche middleware pour la composition des services logistiques
dans l'IoT a été proposée. Un middleware qui se compose d'agents de ressources et d'agents de
tâches est utilisé pour désigner au moment de l'exécution des services composants candidats
pour participer à la composition d'une transaction logistique. Chaque service composant est
représenté par un agent de ressource, qui est responsable du maintien des informations de QoS
du service correspondant. Les agents de tâche représentent les instances de service composite et
sont chargés de trouver des services composants qui satisfont aux exigences de QoS de bout en
bout de l'utilisateur. Les auteurs n'utilisent que quelques moyens de surveillance pour suivre et
assurer les opérations et garantir la robustesse du système logistique. Les expériences ont évalué
l'exactitude et la robustesse des modèles et des algorithmes.

Dans [64], une approche probabiliste a été proposée pour décrire et analyser
formellement la fiabilité et les propriétés liées aux coûts de la composition des services dans
l'IoT. Les auteurs ont développé une approche pour modéliser la fiabilité et le coût de la
composition des services sur la base du processus décisionnel de Markov (MDP) avec structure
de coûts. Ainsi, la vérification de modèle probabiliste peut être appliquée pour vérifier et
analyser les propriétés de qualité de la composition du service. En utilisant cette approche, la
probabilité de succès du service composite peut être calculée avec les paramètres IoT actuels des
appareils. De plus, la valeur de coût pour chaque service composite candidat peut être obtenue.
Le développeur de services IoT peut utiliser les résultats pour prendre la décision concernant la
sélection du service et les résultats peuvent l'alerter pour décider s'il doit déployer un service
candidat alternatif en cas d'échec du service sélectionné lorsque la probabilité de succès du
service sélectionné n'est pas très élevée. Bien que les auteurs vérifient et analysent également les
propriétés des modèles de composition proposés, la façon de surveiller le système et ce qu'il faut
faire en cas de défaillance n'y sont pas gérés. Les expériences qui en ont résulté montrent que
cette approche est expressive.

Dans [65], une approche de composition dynamique des services a été proposée, basée
sur la génération en ligne et la reprogrammation des plans optimaux pour l'orchestration les
services en utilisant une technique de planification heuristique. Le mécanisme de la sélection
proposé est basé sur une technique d'optimisation qui détecte les situations où certaines
exigences de composition ne sont pas satisfaites ou certains services deviennent indisponibles ou
lorsque des défaillances/exceptions se produisent. Il a la capacité de fonctionner malgré les
changements qui se produisent dans le comportement des services sélectionnés et réduit par
conséquent le besoin d'intervention humaine dans la reconfiguration de la composition. Les
résultats expérimentaux obtenus sont encourageants et surpassent les techniques apparentées qui
sont proches de leur portée. Aussi, la simulation a montré l'efficacité de l'approche proposée en
présence d'échec grâce à la méthode de replanification.

Dans [66], une approche de composition de services Web RESTful asynchrone légère
pour la composition des services dans l'IoT, qui est basée sur l'extension BPEL (Business
Process Execution Language) a été proposé. Les auteurs ont divisé l'architecture en six couches
et ajouté une interaction asynchrone pour gagner du temps et améliorer les performances.

45
L'expérimentation montre que la combinaison asynchrone peut en effet réduire le temps. Cela
satisfera plus de demandes et améliora les performances sous une forte concurrence.

Dans [67], un Framework de composition des services REST léger pour l'IoT basé sur la
programmation fonctionnelle avec des monades (une structure pour manipuler des langages
fonctionnels purs avec des traits impératifs) a été proposé. Pour gérer les besoins dynamiques et
le grand nombre de ressources, les auteurs ont traité les ressources comme des objets distribués
avec des états locaux [68] accessibles par une interface uniforme via l'hypertexte, comme le
HTTP 1.1 GET, PUT, POST, et Méthodes DELETE. Étant donné que la sortie de ces méthodes
dépend des états des ressources, elles ne peuvent pas être modélisées comme des fonctions pures
dont la sortie ne dépend que de l'entrée. Pour cette raison, les auteurs utilisent des monades pour
accéder aux ressources REST à composer. Les résultats des tests montrent que l'approche
proposée est réalisable et qu'il est possible d'affiner et d'améliorer les implémentations.

Dans [69], un Framework pour la composition des services IoT dans l'IoT a été proposé.
Les auteurs prennent en compte la réputation du prestataire des services et la fiabilité du
prestataire de réputation afin d'identifier les meilleurs candidats à la création d'un service
composé, pour faire face à une tâche donnée. La réputation d'un fournisseur est calculée
localement, de sorte que chaque fournisseur peut calculer une réputation différente en fonction
de ses expériences personnelles antérieures avec différents fournisseurs (asymétrie). Cette
approche est coûteuse en calcul et ne gère pas les échecs de connexion, ce qui n'est pas très
adapté à un grand environnement comme un scénario de composition de service IoT.

Dans [15], une approche de composition de services Web orientée QoS basée sur un
algorithme génétique multi-population pour l'Internet des objets a été introduite. Les auteurs
formulent le problème de composition des services orientés QoS (QSC) en tant que modèle de
programmation d'objectifs multicritères (MCGP) et développent un algorithme génétique multi-
population (MGA) pour résoudre le modèle. MCGP non seulement attribue automatiquement
des services Web de haute qualité pour combiner un service composite, mais trouve également
des services composites non inférieurs en assouplissant les contraintes de QoS pour satisfaire les
exigences de QoS des utilisateurs. Leurs expériences indiquent que MGA est capable de
résoudre le problème QSC à grande échelle en termes d'efficacité et d'évolutivité en raison des
excellentes performances de MGA en termes de capacité de recherche puissante et d'excellente
capacité de convergence. De plus, les résultats illustrent une excellente performance en termes
de capacité de recherche puissante et d'excellente capacité de convergence.

Dans [70], une composition de service adaptable pour l'IoT a été proposée. Les auteurs
ont utilisé les concepts d'orchestration et de chorégraphie de services, le processus
d'orchestration fonctionne au niveau local des ressources IoT pour intégrer les résultats obtenus
à partir de plusieurs capteurs ou appareils intelligents tandis que le module de chorégraphie
globale est utilisé pour invoquer plusieurs autres services pour étendre la coopération entre
virtuel et mondes physiques. Cependant, aucun test expérimental n'a été présenté.

Dans [71], les auteurs ont présenté une architecture, une méthode et un algorithme de
composition de services basés sur une ontologie sémantique dans le contexte du Web d'objets.
Dans leur approche, les auteurs ont utilisé des ontologies pour décrire la relation entre les objets,
les services et les règles afin de composer dynamiquement de nouveaux services. Cependant,
dans le système proposé actuel, les utilisateurs doivent écrire leur propre exigence manuellement

46
dans l'interface Web en tant que langage normal pour le service composite souhaité. Évalué sur
un centre commercial en tant que cas d'utilisation de composition des services, le système
proposé est capable de traiter le langage naturel de l'utilisateur, ce qui permet aux utilisateurs de
déterminer leurs besoins en matière d'inspection et de réparation.

Dans [72], une approche middleware décentralisée pour la composition des services dans
l'IoT a été proposée, qui met l'accent à la fois sur la flexibilité et la réactivité des applications
résultantes. Les auteurs ont utilisé un système multi-agents où les agents sont interconnectés via
des relations qui leur permettent de se découvrir et d'interagir les uns avec les autres de manière
flexible. Le mécanisme de composition repose sur des arbres de décomposition d'objectifs, dans
lesquels un objectif est décomposé en sous-objectifs et ne peut être atteint qu'une fois tous ses
sous-objectifs atteints. Un arbre de décomposition de buts est distribué sur tous les agents qui
participent à sa réalisation et il est composé dynamiquement à l'aide des décompositions des buts
préprogrammées. Les résultats de l'évaluation montrent que, dans le pire des cas, la surcharge de
composition augmente linéairement avec le nombre d'agents dans la STN et suggèrent que les
applications restent réactives lorsqu'elles s'adaptent à de nombreux appareils et pour des
compositions de mashup relativement importantes.

Dans [73], une sélection des services Skyline parallèle pour la composition des services
sensibles à la QoS dans l'IoT a été proposée. Les auteurs ont appliqué le modèle MapReduce
pour la sélection des services Skyline parallèle afin d'améliorer l'efficacité de la sélection, et ils
ont proposé une méthode de sélection de services Skyline dynamique basée sur un modèle
Paper-Tape (PT), qui pourrait rapidement localiser le service variable et estimer l'influence de la
variation des services Skyline d'origine. Des expériences basées sur des données réelles
démontrent l'efficacité des propositions des auteurs.

Dans [74], un nouveau modèle architectural cloud multicouche est développé pour la
maison intelligente basée sur l'IoT, qui fournit un degré considérablement amélioré
d'interactions/interopérations entre les appareils domestiques hétérogènes et les services fournis
par différents fournisseurs. Pour mieux résoudre les problèmes d'hétérogénéité, les auteurs ont
utilisé l'ontologie comme un moyen prometteur d'aborder la représentation des données, les
connaissances et l'hétérogénéité des applications. Pour prendre en charge la sécurité et la
préservation de la confidentialité dans le processus d'interactions/interopérations, un Framework
de service de sécurité basé sur une ontologie est conçu. Les résultats expérimentaux démontrent
que dans le modèle architectural de cloud en couches proposé, les valeurs de test du temps de
réponse moyen sont justifiées pour les exigences des applications de manipulation à domicile, en
particulier pour les interactions/interopérations entre plates-formes hétérogènes.

Dans [75], une nouvelle approche d'exécution adaptative est proposée pour les
environnements de service dynamiques, qui gère efficacement les changements des services qui
se produisent au moment de l'exécution, à des fins de réparation et d'optimisation. Dans les
situations où il n'est pas possible d'empêcher un comportement indésirable avant son exécution,
l'approche permet une récupération efficace (avec presque aucune interruption), tout en
raisonnant efficacement sur le meilleur remplacement en avant disponible. Chaque fois qu'une
opportunité d'optimisation est identifiée (par exemple en raison de la disponibilité de nouveaux
services de meilleure qualité), l'adaptation est déclenchée pour améliorer la solution actuelle, par
opposition aux approches existantes où l'adaptation est principalement corrective. L'adaptation
est effectuée dès que possible et en parallèle avec le processus d'exécution, réduisant ainsi le

47
temps d'interruption, augmentant les chances d'une récupération réussie et produisant la solution
la plus optimale en fonction de l'état actuel de l'environnement. Cependant, la version actuelle de
ce travail ne fournit aucun support pour raisonner sur le degré de fiabilité des offres de services
lors de la sélection des services. Tous les services sont supposés avoir la même crédibilité en ce
qui concerne les valeurs de qualité promises. L'étude d'évaluation montre l'efficacité de
l'approche proposée dans le cadre de la composition des objets d'apprentissage, les résultats
montrent que, même avec des changements fréquents, ou dans les cas où l'interférence avec
l'exécution n'est pas évitable, l'approche parvient à se remettre de la situation avec interruption
minimale.

Dans [76], une approche d'optimisation distribuée est proposée pour résoudre le
problème de sélection des services dans le contexte de l'architecture de chorégraphie des
services. Les auteurs ont proposé une approche de sélection QoS distribuée et optimale basée sur
le paradigme multi-agent et le formalisme du problème d'optimisation des contraintes distribuées
(DCOP). L'algorithme proposé prend en compte les spécificités du contexte de composition du
service et la satisfaction des contraintes globales des utilisateurs. Les résultats des
expérimentations montrent une performance très satisfaisante de l'approche en termes de rapidité
et de nombre de messages échangés, ce qui en fait une solution appropriée aux problèmes de
sélection de services distribués en temps réel. Cependant, la taille des hypercubes générés à
chaque nœud doit être réduite.

Dans [77], un nouveau Framework de composition des services dynamiques et adaptatifs

est proposé, qui prend en charge le raisonnement dynamique sur les tâches des utilisateurs et les
comportements de service pour faire face à l'hétérogénéité des domaines IoT. Ce Framework est
basé sur wEASEL [78] un modèle de service abstrait représentant les services et les tâches des
utilisateurs en termes de signature, de spécification et de conversation. Cependant, le processus
de composition des services implique la sélection et la coordination, et non le processus
d'exécution de la composition. Pour faire face aux réalisations dynamiques des tâches utilisateur,
un processus d'adaptation hors ligne est proposé pour modifier la structure de la tâche utilisateur
afin d'augmenter la probabilité de trouver une composition. L'expérimentation montre que cette
approche permet une composition plus précise et permet aux utilisateurs finaux de découvrir et
d'étudier plus d'opportunités de composition que les autres approches.

Dans [79], un nouvel algorithme de composition de service IoT multi-Cloud sensible à

l'énergie appelé (E2C2) est proposé, où les auteurs visent à créer un plan de composition
sensible à l'énergie en recherchant et en intégrant le moins possible des services IoT, afin de
répondre aux besoins spécifiques des utilisateurs. Ce travail vise à aborder un problème clé et
émergent de l'IoT qui consiste à adopter des approches écoénergétiques pour les services et
applications basés sur le cloud. Une modélisation et une analyse formelles de la traduction et de
la transformation des besoins des utilisateurs sont adoptées pour l'algorithme proposé.
L'algorithme a été évalué par rapport à quatre algorithmes de composition de service établis dans
plusieurs environnements cloud (tous les Cloud, Cloud de base, Cloud intelligent et COM2). Les
résultats démontrent une performance favorable de l'algorithme en termes d'obtention du moins
des services recherchés pour arriver à une composition optimale et efficace en énergie.

Dans [14], un mécanisme efficace en énergie pour composer des services IoT est
proposé, où ces services sont configurables sur le co-hébergement d'objets intelligents si
nécessaire. Les auteurs ont proposé un cadre de service où les fonctionnalités fournies par les

48
objets intelligents sont encapsulées dans des services IoT. En outre, la composition des services
IoT peut être réduite à un problème d'optimisation multi-objectifs et multi-contraintes (telles que
les contraintes spatiales et temporelles, l'efficacité énergétique et la configurabilité), où des
solutions optimales sont dérivées en adoptant des méthodes heuristiques, y compris l’algorithme
génétique (GA), optimisation des colonies de fourmis (ACO) et optimisation des essaims de
particules (PSO). Les résultats expérimentaux montrent que des compositions de services IoT
approximativement optimales peuvent être dérivées et que le PSO fonctionne mieux que le GA
et l'ACO en ce qui concerne la condition physique et la consommation d'énergie.

Dans [80], un algorithme de sélection de services centré sur l'énergie et sensible à la QoS
(EQSA) est proposé pour la composition des services IoT. L'approche de sélection proposée
consiste à présélectionner les services offrant le niveau de QoS requis pour la satisfaction de
l'utilisateur en utilisant une stratégie d'optimisation lexicographique et une technique de
relaxation des contraintes de QoS. Il est basé sur l'idée qu'il est toujours possible de faire des
économies d'énergie en réduisant légèrement le niveau de QoS sans affecter la satisfaction de
l'utilisateur. La sélection des services est formulée et résolue comme un problème d'optimisation
multi-objectifs. Afin de réduire la consommation énergétique d'un service composite sans
affecter la satisfaction de l'utilisateur, les services les plus adaptés parmi ceux présélectionnés
sont alors sélectionnés en utilisant la notion de dominance relative des services au sens de
Pareto. La dominance relative d'un service candidat dépend de son profil énergétique et de ses
attributs QoS, ainsi que des préférences de l'utilisateur. L'algorithme proposé a été évalué à
travers plusieurs scénarios de simulation. Les résultats obtenus montrent clairement les bonnes
performances de l'algorithme EQSA en termes de temps de sélection, d'efficacité énergétique, de
durée de vie de la composition, d'optimalité et sa valeur ajoutée par rapport aux algorithmes
traitant séparément la QoS et la consommation d'énergie.

Dans [81], une approche de composition d'événements est proposée, où les auteurs
intègrent des événements distribués dans la SOA pour créer une infrastructure SOA pilotée par
les événements (EDSOA) pour les services IoT distribués et unifier l'accès à différents types
d'appareils. Les auteurs adoptent des principes orientés services pour concevoir un middleware
de publication/abonnement, et ses opérations réseau fonctionnent sur le protocole de service
(SOAP) pour prendre en charge le routage de service, comme l'adressage des points de
terminaison de service et la livraison d'appels de service. Les applications et les
expérimentations ont montré l'efficacité et l'applicabilité de la solution.

Dans [82], une approche de composition des services automatisée et adaptable est
proposée, dans laquelle la génération du schéma de composition est effectuée au moment de
l'exécution grâce à l'utilisation de services abstraits fournis au moment de la conception. Le
processus de composition qui prend en entrée une structure des besoins utilisateurs matérialisés
par un graphe d'intentions et enrichit ce graphe pour expliciter les relations implicites. Le graphe
enrichi est utilisé pour générer un schéma de composition initial en construisant le flux de
contrôle et en sélectionnant les services abstraits appropriés. La sélection de ces services est
basée sur la correspondance sémantique et le degré d'affinité sémantique entre les services
abstraits. Ensuite, le schéma de composition final est généré à l'aide d'un mécanisme de
raffinement des services abstraits utilisant des techniques de correspondance sémantique et
prenant en compte le contexte et les contraintes de l'utilisateur. Les résultats expérimentaux
montrent que le mécanisme de composition proposé permet de générer les compositions

49
correspondant aux besoins de l'utilisateur, grâce à l'utilisation de la correspondance sémantique
entre intention et service abstrait et grâce à l'utilisation de l'affinité sémantique entre services.

Dans [83], une approche de sélection des services QoS distribuée et optimale basée sur le
paradigme multi-agents et le formalisme d'optimisation des contraintes distribuées (DCOP) pour
le Web d'objets est proposée. Les auteurs visent à résoudre le problème de sélection de service
dans le cadre d'un service Chorégraphie au lieu d'un service central d'Orchestration. L'objectif
est de mettre en œuvre une approche pour sélectionner les meilleurs services candidats qui
maximisent la qualité de service globale tout en satisfaisant les contraintes globales de
l'utilisateur de QoS, pour cela les auteurs ont revisité un algorithme DCOP basé sur la technique
bien connue d'optimisation Branch and Bound pour développer de nouveaux algorithme
« SynchBB4QoS » cherchant à maximiser ou à minimiser les attributs de QoS, tels que la
minimisation du temps de réponse et la maximisation de la disponibilité. Et pour traiter le
compromis entre les différents objectifs, une technique de pondération additive simple (SAW) et
une méthode de fonction d'utilité ont été utilisées. SynchBB4QoS a une structure de contrôle
simple qui le rend facile à implémenter sur des systèmes à faible capacité de calcul (mémoire
limitée) mais nécessite des échanges de messages intensifs, les auteurs ont amélioré le
"SynchBB4QoS" en proposant deux techniques : élaguer les services non prometteurs de chaque
service d'agent défini à l'aide de la relation de Pareto-Dominance et d'élagage de la recherche en
ordonnant les services candidats selon une fonction de coût local. Les résultats expérimentaux
montrent que SynchBB4QoS amélioré a une meilleure scalabilité des messages échangés et donc
un meilleur temps d'exécution.

Dans [84] et [85], un modèle de composition des services décentralisés pour

l'environnement omniprésent de l'IoT est proposé, qui effectue une sélection émergente des
services atomiques basée sur des champs potentiels artificiels (APF). Les auteurs ont utilisé des
champs de potentiel artificiel (APF) pour diriger le processus de composition des services à
travers l'équilibre des forces appliquées entre les demandes des services et les nœuds des
services. Les APF sont formées en tenant compte du pourcentage des services demandés par
l'utilisateur qui peuvent être offerts par les nœuds de fourniture des services, ainsi que de la
disponibilité des nœuds des services. L'applicabilité de l'approche proposée est discutée dans un
scénario exemplaire concernant la composition dynamique et personnalisée d'un service de
guide virtuel audiovisuel dans un réseau IoT d'un lieu de salon professionnel. Cependant, aucun
test expérimental n'a été présenté.

Dans [86], un Framework orienté service, centré sur l'utilisateur et sensible aux
événements nommé FASEM, pour la surveillance des services ambiants et des événements dans
les espaces ambiants est présenté, en d'autres termes, le Framework est capable d'effectuer la
surveillance des services. Pour gérer automatiquement les événements pouvant survenir dans les
environnements ambiants. Cette surveillance est basée sur un processus dynamique de
découverte et de sélection des services pour améliorer l’auto-adaptation aux changements
imprévus et assurer la continuité des services avec la meilleure qualité. De plus, ce Framework
est basé sur quatre aspects principaux, à savoir : (1) la découverte des services ambiants ; une
approche de découverte qui est responsable du maintien d'un état cohérent de tous les services
ambiants disponibles qui peuvent apparaître et disparaître dynamiquement dans les
environnements d'intelligence ambiante (AmI). (2) Invocation des services ambiants ; une
approche d'invocation qui est responsable de la préparation, de l'invocation et de la mise à jour
des informations sur un service ambiant. (3) sélection de services ambiants locaux ; une

50
démarche de sélection locale qui est chargée de choisir le meilleur service ambiant, en termes de
qualité estimée, à partir d'une classe de service ambiant donnée. Et (4) sélection globale de
services ambiants ; la stratégie de sélection globale qui est chargée de contrôler la composition
des services, la sélection et l'invocation des services locaux afin d'atteindre efficacement
l'objectif souhaité lorsqu'un événement se produit dans un environnement ambiant. Les auteurs
ont utilisé un contrôle prenant en charge l’auto-adaptation aux changements imprévus en
utilisant le remplacement des services et la replanification en cas d'échec. De plus, les auteurs
étudient comment des changements imprévus peuvent être détectés dans l'étape de découverte de
services en considérant le degré de dynamicité de l'environnement. Les résultats expérimentaux
et les performances obtenues à partir d'essais poussés montrent l'efficacité et la faisabilité de
l'approche proposée dans le cas d'un environnement à grande échelle.

Dans [87], un nouvel algorithme de composition des services IoT est proposé, qui produit
et génère automatiquement un service IoT composite avec un temps de réponse minimal et
optimal. Premièrement, les auteurs trouvent le premier moyen de générer chaque élément de
données dans une demande d'utilisateur, et la deuxième phase ne récupère que les services IoT
nécessaires et produit un service IoT composite pour satisfaire la demande de l'utilisateur.
Cependant, cette approche ne traite que du temps de réponse alors qu’il existe différents critères
de QoS. Les expérimentations montrent des résultats prometteurs.

Dans [88], un algorithme de colonie d'abeilles artificielles à modification croisée

(CMABC) est proposé, où une solution optimale globale a été utilisée pour accélérer le taux de
convergence en imitant l'opération croisée de l'algorithme génétique (GA) pour surmonter le
problème et l’espace de solution chaotique. Les auteurs visent à fournir la tâche de service qui
satisfait l'utilisateur le plus rapidement possible. Le résultat de l'expérience de simulation montre
que CMABC présente une vitesse de convergence plus rapide et une meilleure précision de
convergence que certains autres algorithmes d'optimisation intelligents. Cependant, le modèle
d'algorithme n'est pas parfait. L'optimisation séquentielle des nœuds de tâches n'est pas prise en
compte.

3. Une étude comparative entre les approches

Dans cette section, nous présentons une étude comparative entre les différentes approches déjà
présentées. Notre comparaison est basée sur les critères cités précédemment. Nous avons essayé
de connaître leurs limites ainsi que la meilleure catégorie d'approches répondant le plus
complètement possible aux critères. Cette étude comparative [2] a été publiée dans le journal
international « Int. J. Communication Networks and Distributed Systems, vol. 23, No. 2, 2019 ».

Remarque : dans la série de tableau qui va suivre le (+) veut dire : Satisfait, (-) veut dire :
Insatisfait, (/) veut dire : non mentionné et (N/A) veut dire : non disponible

51
Tableau 3 Comparaison entre les approches avec le critère "Composition dynamique"

L’approche Composition Dynamique

[57] -
[49] +
Méthode Top-down [89] pour composer les services dynamiquement
[50] , [62] et [63] +
[51] et [59] +
Gestion dynamique de la confiance
[56] +
Raisonnement : modélisation de contexte avec OWL
[64] +
[65] +
[66] -
[67] +
[69] -
[15] -
[70] et [90] +
(Uniquement au moment de la conception)
[71] +
[72] +
[73] & [91] +
[74] +
[75] +

52
Tableau 4 Comparaison entre les approches avec le critère "L'adaptation"
L’approche L’adaptation
Le type Technique Les lieux de La description L'optimisation
déploiement
[57] - N/A
[49] - N/A
[50] , [62] & + Online Système de Un agent est Lorsqu'une zone est surveillée, +Gestion de la Scalabilité
[63] & surveillance affecté au service si elle comporte une erreur, ils
Offline atomique considèrent que son erreur est + Utiliser un algorithme pour
supprimée, le détail omis. utiliser le moins de ressources de
(Pas réaliser) surveillance, mais en tirer le
meilleur parti (Plus grande valeur
d'utilité)
[51] + Offline Adaptation des Le service Chaque utilisateur met à jour -L'ajout d'autres paramètres
& poids (ressource) dynamiquement les entraîne un problème
[59] "paramètres de poids" dans un d'optimisation plus complexe et
intervalle optimisé peut ne pas convenir aux appareils
IoT à ressources limitées.
[56] - N/A
[64] + Online Candidat / Candidat alternatif en cas /
& alternatif avec d'échec (lorsque la probabilité
Offline un système de de succès du service
surveillance sélectionné n'est pas très
élevée.)
[65] + Online Système de Un annuaire Resélectionner les meilleurs + Chaque service enregistré envoie
surveillance d'agents et de services efficaces et refaire une notification sur son statut
centralisé avec services (cloud) l'opération de replanification
notification + Il est plus facile de gérer une liste
(Moniteur de services indisponibles
d'état de qu'autrement.
l'appareil)

53
L’approche L’adaptation
Le type Technique Les lieux de La description L'optimisation
déploiement
- Une liste des services
indisponibles (centralisée)
[66] - N/A
[67] - N/A
[69] - N/A
[15] - N/A
[70] + Online Système de Moniteur d'état de Chaque fois qu'un périphérique - Resélectionnez au hasard un
& surveillance l'appareil ne parvient pas à envoyer un service qui peut réellement
[90] fonctionnant message de pulsation après un remplacer le service indisponible à
avec des délai d'attente donné, Device partir d'une liste de service
messages de Status Monitor signale son demandée à partir du registre des
battements de indisponibilité et avertit Service services
cœur Replacement Manager afin de
remplacer le service + Assurer la synchronisation d'état
indisponible. du BP afin qu'il reprenne son
exécution à partir du même état
qu'avant le blocage de ses activités
suite à une panne de service
[71] - N/A
[72] - N/A
[73] + Offline Paper-Tape / S'il y a de nouveaux services + Maintenir les services Skyline au
& (Méthode nécessitant un enregistrement, lieu de les recalculer
[91] de des services invalides
sélection) supprimés et des changements + Paper-Tape peut être traité
de qualité de service, maintenez comme une matrice, ou l'auteur
les services Skyline au lieu de enregistre les informations de
les recalculer une fois que service sur chaque attribut non
certains services varient. fonctionnel dans un Paper-Tape

54
 L’approche L’adaptation
Le type Technique Les lieux de La description L'optimisation
déploiement
correspondant.
[74] - N/A
[75] + Online Méthode Niveau Dans les situations où il n'est L'adaptation est effectuée dès que
(Gère les parallèle middleware pas possible d'empêcher un possible et en parallèle avec le
changemen comportement indésirable processus d'exécution, réduisant
ts de avant son exécution, l'approche ainsi le temps d'interruption,
service permet une récupération augmentant les chances d'une
survenant efficace (avec presque aucune récupération réussie et produisant
au moment interruption), tout en raisonnant la solution la plus optimale en
de efficacement sur le meilleur fonction de l'état actuel de
l'exécution remplacement disponible. l'environnement.
) Chaque fois qu'une opportunité
d'optimisation est identifiée
(par exemple en raison de la
disponibilité de nouveaux
services de meilleure qualité),
l'adaptation est déclenchée pour
améliorer la solution actuelle,
par opposition aux approches
existantes où l'adaptation est
principalement corrective.

Tableau 5 Comparaison entre les approches avec les deux critères "Indépendance et extensibilité / Identification et résolution automatique des pannes et problèmes
d'interaction"
L’approche Indépendance et Identification et résolution automatique des pannes et problèmes d'interaction
extensibilité
[57] + -

55
L’approche Indépendance et Identification et résolution automatique des pannes et problèmes d'interaction
extensibilité
[49] + -
[50] + +
Système de surveillance (FbasedMonitor)
[51] et [59] + -
[56] + -
[62] et [63] + +
Système de surveillance
(Mécanisme de coordination décentralisé)
[64] + +
Système de surveillance
(Candidat alternatif en cas d'échec)
[65] + +
Suivi de l'orchestration des services
Tolérance aux pannes
[66] + -
[67] + -
(Traitement des erreurs et surveillance des événements pour les travaux futurs)
[69] + -
(Système de suivi des travaux futurs)
[15] + -
[70] + +
[71] + -
[72] + -
[73] et [91] + -
[74] + -
[75] + +
[76] + -
[77] + -
[79] + +

56
 L’approche Indépendance et Identification et résolution automatique des pannes et problèmes d'interaction
extensibilité
[14] + -
[80] + -
[81] + -
[82] + -
[83] + -
[84] et [85] + -
[86] + +
Monitoring system
[87] + -
[88] + -

Tableau 6 Comparaison entre les approches avec les deux critères "Composition distribuée et décentralisée / Protocole de confiance, de protection et de sécurité"
L’approche Composition distribuée et décentralisée Protocole de confiance, de protection et de
sécurité
[57] + -
[49] - -
(Utilise un référentiel de services)
[50] + -
[51] et [59] + +
(Pas d'autorité de confiance centralisée) (Protocole de gestion de confiance)
[56] + -
(Divise le champ de découverte de service en différentes
sous-zones)
[62] et [63] + -
(Approche middleware avec agents)
[64] - -
(Orchestration)
[65] + -

57
L’approche Composition distribuée et décentralisée Protocole de confiance, de protection et de
sécurité
(Orchestration avec architecture multi-agents)
[66] + +
(Divise l'architecture en six couches) (Plateforme de sécurité)
[67] + -
[69] - -
(Décentraliser le calcul de la réputation pour les travaux
futurs)
[15] + -
Utilise un modèle de programmation multicritères
[70] + -
Processus d'orchestration locale et processus de
chorégraphie globale
[71] - -
[72] + -
Un arbre de décomposition des objectifs est distribué sur
tous les agents
[73] et [91] + -
Divise l'espace de données en N partitions (plusieurs blocs
de données)
[74] + +
Environnement basé Internet distribué Un Framework de service de sécurité basé sur une
ontologie
[75] + -
[76] + L'utilisation d'un paramètre de QoS statique
Architecture de chorégraphie (Sécurité), qui Représente le niveau de sécurité
assuré par un service (authentification,
chiffrement, etc.)
[77] - -
[79] + -

58
 L’approche Composition distribuée et décentralisée Protocole de confiance, de protection et de
sécurité
[14] + -
[80] + -
[81] + +
(Événements distribués) (Une politique de sécurité est efficacement
intégrée à un événement)
[82] / +
(Intention de l'utilisateur)
[83] + -
(Chorégraphie) (Juste un paramètre de niveau de sécurité QoS)
[84] et [85] + -
[86] + -
[87] - -
(approche Middleware)
[88] + -

Tableau 7 Comparaison entre les approches avec les deux critères "L'optimisation / Le modèle utilisé"
L’approche L'optimisation Le modèle utilisé
[57] + Position géographique Réseau social a 3 dimensions
[49] + Évaluation de la QoS (Prix, temps de réponse, fiabilité, réputation Algorithme génétique amélioré
et localisation géographique)

- Aucune contrainte de ressources

[50] + Évaluation utilisant la fiabilité, le temps de réponse et le coût du Modèle de Petri
dispositif atomique
[51] et [59] + Contrainte de ressources Réseaux sociaux
(Appareil haut de gamme pour chaque utilisateur) (Un environnement social IoT basé sur SOA)

+ Position géographique

59
L’approche L'optimisation Le modèle utilisé
[56] + Contrainte de ressources : réduire la charge de traitement du Modèle basé sur le contexte
contexte de l'appareil de terrain le plus faible.

+ Réduire la portée des informations contextuelles

+ L'utilisation de la QoS.
[62] et [63] + Contrainte de ressources Système multi-agents
(Modèle middleware de coordination)
+ Informations QoS (Prix, Délai, Fiabilité, Degré de Réputation,
Disponibilité)
+ Fiabilité et coût Markov Decision Process (MDP)
[64]
+ Contrainte de ressources

- Aucune contrainte de temps réel (pour les travaux futurs)

[65] + Contexte (localisation, niveau de batterie etc.) Architecture Multi-agents

+Gestion de la QoS (temps de réponse, fiabilité, disponibilité et

réputation)

- Extrêmement exigeant

- Traitement intensif
[66] - Extension BPEL asynchrone
[67] + Contrainte de ressources Programmation fonctionnelle avec monade comme
Framework
[69] + Une approche basée sur la réputation du prestataire et la fiabilité Framework de réputation
du prestataire de réputation

60
L’approche L'optimisation Le modèle utilisé
[15] + L'utilisation de trois propriétés QoS (Délai d'exécution, Fiabilité Modèle de programmation multicritères pour le
et Coût d'exécution) problème QSC
(À l'aide d'un algorithme génétique multi-populations)
[70] + Contraintes de ressources Processus d'orchestration locale et processus de
chorégraphie globale
+ Contraintes temps réel
[71] Les utilisateurs écrivent leur propre exigence dans l'interface Web Modèle basé sur une ontologie sémantique
comme un langage normal, comme rechercher quelque chose dans
un moteur de recherche Web
[72] + Temps de réponse Multi-agent
(Modèle décentralisé)
Réseau sociotechnique (RTC)
[73] & [91] Les contraintes de QoS sont définies par les exigences de MapReduce basé un Modèle Skyline
l'utilisateur (latence, temps de réponse, débit, disponibilité, fiabilité
et capacité de réussite)
[74] / Un nouveau modèle architectural cloud multicouche
[75] / Une nouvelle approche adaptative basée sur un
modèle de sélection de service réactif
[76] Contraintes de l'utilisateur QoS (minimiser le temps de réponse et Paradigme multi-agents
maximiser la disponibilité en même temps)
Énergie, disponibilité, temps de réponse, fiabilité, prix et sécurité.
[77] / Un Framework de composition basé sur WEASEL
[79] Énergie, coordonnées géographiques Une nouvelle approche de composition de services
IoT multicloud sensible à l'énergie
[14] Contraintes spatiales, temporelles et énergétiques Un mécanisme efficace en énergie avec des méthodes
heuristiques
[80] QoS (coût, temps de réponse, réputation, fiabilité et disponibilité) et Un algorithme de sélection de services centré sur
énergie l'énergie et sensible à la QoS (comme problème
d'optimisation multi-objectifs)
Méthode d'optimisation lexicographique et solution

61
 L’approche L'optimisation Le modèle utilisé
optimale de Pareto
[81] - Une infrastructure SOA événementielle (EDSOA)
[82] + Une approche de composition de service automatisée
(Intention de l'utilisateur : une combinaison d'un objectif et d'un et adaptable basée sur un modèle d'intention
ensemble de contraintes)
[83] Attributs QoS (le temps de réponse, le niveau d'énergie, la Multi-Agents
disponibilité, le prix)
[84] & [85] / Multi-agents et champs de potentiel artificiel (APF)
[86] Contraintes de qualité de service (QoS) Disponibilité, temps de Framework sensible aux événements
réponse et probabilité de réponse
[87] Temps de réponse Un modèle basé sur le temps de réponse en exploitant
le parallélisme
[88] Attributs QoS, tels que le temps de réponse, le coût, la fiabilité, la Un algorithme de colonie d'abeilles artificielles à
disponibilité et la réputation, etc. modification croisée (CMABC)

Tableau 8 Comparaison entre les approches avec les deux critères "Les normes et les protocoles utilisés/ La représentation des services"
L’approche Les normes et les protocoles utilisés La représentation des services
[57] WSDL RESTful style
Décrit par un fichier configurable XML
[49] / /
[50] / /
[51] / /
&
[59]
[56] OWL /
[62] et [63] / /
/ Machine à états finis étiquetée (FSM)
[64]
[65] / /

62
L’approche Les normes et les protocoles utilisés La représentation des services
[66] / Style RESTful
[67] XML Style RESTful
[69] / /
[15] / /
[70] BPMN to BPEL /
[71] XML/RDF /
OWL
[72] RDF Style RESTful
[73] et [91] / /
[74] Ontologie /
[75] OWL-S or WSDL-S /
[76] / /
[77] contExt Aware Web Service Modèle wEASEL
dEscription Language
OWLS-TC4-based
[79] / /
[14] Profil de périphériques pour les Modèle DPWS (Style RESTful)
services Web (DPWS) standard [92]
[80] / Concrete Versus Abstract Service
[81] SOAP /
[82] OWL-S Abstract services
[83] HTTP, XML, XMPP /
[84] et [85] / /
[86] WSDL Ambient services
[87] WSDL, OWL, WSLA, WSDL & /
BPEL
[88] / /

63
Tableau 9 Comparaison entre les approches avec les deux critères "Les performances / Résultats obtenus"
L’approche Les performances Résultats obtenus
[57] + Les processus de recherche et de sélection sont mis Expériences de simulation faisant varier le nombre d'appareils IoT de
en œuvre de manière parallèle. 100 à 1200.

+ Utilise 3 algorithmes pour chaque dimension + Avec la croissance de l'espace de recherche, le temps d'exécution
(Emplacement, type et corrélation) augmente beaucoup plus lentement par rapport à l'alternative
exponentielle.

+ La complexité temporelle est O (1) pour l'algorithme de type (utilisé

une table de hachage)

+ Les algorithmes de recherche peuvent être appliqués à la sélection de

services avec une grande efficacité
[49] + Utiliser GA comme algorithme d'optimisation + Par rapport à l'optimisation de la composition des services basée
globale simplement sur l'évaluation des performances QoS moyennes, les
critères de l'optimisation globale de la valeur de la fonction contribuent
+ GA peut aider à obtenir une solution optimale ou à une meilleure préservation des informations sensorielles importantes.
quasi-optimale à un coût de calcul relativement faible
+ Les résultats expérimentaux montrent que l'utilisation de la valeur de
+ Tant que la fonction de fitness est modélisée la fonction de service dans l'optimisation de la composition du service
mathématiquement, GA peut être utilisé pour résoudre apporte un schéma de composition plus adapté aux demandes du
un problème d'optimisation à grande échelle demandeur.

+ Les résultats expérimentaux démontrent la faisabilité de l'optimisation

basée sur le GA amélioré, aussi, l'efficacité de critère d'optimisation
basé sur la qualité de service et la valeur de la fonction de service.
[50] + Utilise « FindTOptimal » comme algorithme de + "FindTOptimal" montre un bon résultat concernant la satisfaction des
recherche de composition, qui utilise une fonction de utilisateurs.
performance complète nommée (rtc) pour évaluer la
rentabilité. + Les résultats expérimentaux ont prouvé la solidité et l'exactitude des

64
L’approche Les performances Résultats obtenus
algorithmes.
[51] et [59] + Utilise 3 listes de relations : une liste d'amis, une + Les résultats montrent qu'il est capable d'approcher les performances
liste de localisation et une liste d'appareils (services) idéales lors de la convergence et peut considérablement surpasser le
avec lesquels on interagit directement. protocole de sélection aléatoire non basé sur la confiance.

+ Stockage dans un appareil haut de gamme. + Les auteurs ont démontré par simulation la supériorité du protocole de
confiance IoT adaptatif sur EigenTrust et PeerTrust en termes de
+ Pour l'évolutivité, une stratégie de gestion du convergence de confiance, de précision et de résilience contre les nœuds
stockage est utilisée pour les petits appareils IoT afin malveillants effectuant des attaques de service d'auto-promotion, de
d'utiliser efficacement l'espace de stockage limité dénigrement, de bourrage de bulletins de vote et de service opportuniste.

+ Utilisation d'une méthode basée sur le filtrage - Pour le système de surveillance, l'ajout d'autres paramètres entraîne un
adaptatif pour ajuster dynamiquement les valeurs afin problème d'optimisation plus complexe et peut ne pas convenir aux
d'améliorer les performances d'évaluation de la appareils IoT à ressources limitées.
confiance.
[56] + L'utilisation d'une méthode de pondération simple.
+ L'utilisation d'informations contextuelles a optimisé la composition
des services, tout en satisfaisant les contraintes contextuelles
[62] et [63] +L'utilisation de l'algorithme UFBasedMonitor pour + Les expériences ont évalué l'exactitude et la robustesse des modèles et
résoudre le manque de ressources de surveillance. des algorithmes.
+Basé sur MDP. +Cette approche est expressive
[64]
+L'application des techniques de modélisation
probabiliste pour vérifier et analyser automatiquement
les propriétés

- Basé sur le modèle d'orchestration qui se concentre

uniquement sur un seul service composite.
[65] + Technique d'optimisation du mécanisme de Pour évaluer la performance de l'approche proposée, trois métriques ont
sélection, qui peut détecter des situations où certaines été utilisées : le temps de génération du plan, le temps de réponse et le
exigences de composition ne sont pas satisfaites ou taux de réussite. Ces métriques sont affectées par différents facteurs tels

65
L’approche Les performances Résultats obtenus
certains services deviennent indisponibles ou lorsque que le nombre de services dans les scénarios de simulation, les échecs et
des échecs/exceptions se produisent. le nombre de tâches de planification simultanées. Ils ont comparé leurs
résultats avec trois autres approches : HTN-DL, CDSC et FCoSC.
+ Technique de planification heuristique.
Les résultats obtenus sont encourageants et surpassent les techniques
apparentées proches de leur portée

La simulation a également montré l'efficacité de l'approche proposée en

présence d'échec grâce à la méthode de replanification.
[66] + Interaction asynchrone pour gagner du temps et L'expérimentation montre que la combinaison asynchrone peut en effet
améliorer les performances. réduire le temps. Cela satisfera plus de demandes, améliorant les
performances sous une forte concurrence.
[67] Utilisation d'une collection de nomades Les résultats des tests montrent que l'approche proposée est réalisable et
(programmation fonctionnelle) agencée pour accéder à qu'il est possible d'affiner et d'améliorer les implémentations.
un ensemble de ressources REST à composer.
[69] / - L'approche ne se concentre pas sur les mécanismes de découverte de
service ou les langages de spécification de service.

- Extrêmement exigeant
[15] + L'utilisation d'un modèle de programmation à buts + Les expériences indiquent que MGA est capable de résoudre le
multicritères (MCGP) et d'un algorithme génétique problème QSC à grande échelle en termes d'efficacité et d'évolutivité
multi-populations pour résoudre le modèle
+Excellentes performances en termes de capacité de recherche puissante
et d'excellente capacité de convergence
[70] + Parallélisme /

+ Précision et efficacité

-Humain dans la boucle pour initier le processus de

chorégraphie

66
L’approche Les performances Résultats obtenus
[71] + Réutiliser et partager les propriétés et les attributs de Les auteurs ont considéré le scénario du centre commercial comme cas
l'objet virtuel d'utilisation de la composition des services

+ Les services sont décrits dans la base de Le système proposé est capable de traiter le langage naturel de
connaissances de la couche ontologie, et des règles l'utilisateur, ce qui permet aux utilisateurs de déterminer leurs besoins
sont élaborées pour effectuer des tâches de en matière d'inspection et de réparation.
raisonnement pour la découverte et le traitement
automatiques des services.
[72] + L'utilisation de systèmes multi-agents, chaque agent
Les résultats de l'évaluation montrent que, dans le pire des cas, la
coopère entre eux lors de l'exécution surcharge de composition augmente linéairement avec le nombre
d'agents dans la STN et suggèrent que les applications restent réactives
+ Le mécanisme de composition repose sur des arbres lorsqu'elles s'adaptent à de nombreux appareils et pour des compositions
de décomposition de buts de mashup relativement importantes.
[73] et [91] +Traitement parallèle Des expériences basées sur des données réelles démontrent l'efficacité
des propositions des auteurs.
+L'utilisation d'une méthode de partitionnement par
angle (réduit de nombreux calculs redondants et
équilibre la charge de travail)
[74] / Les résultats expérimentaux démontrent que dans le modèle
architectural du cloud en couches proposé, les valeurs de test du temps
de réponse moyen sont justifiées pour les exigences des applications de
manipulation à domicile, en particulier pour les
interactions/interopérations entre plates-formes hétérogènes.
[75] / L'efficacité de l'approche proposée est démontrée à la fois
analytiquement et empiriquement à travers une évaluation d'études de
cas appliquée dans le cadre de la composition d'objets d'apprentissage.

En particulier, les résultats montrent que, même avec des changements

fréquents (par exemple 20 changements par exécution de service), ou
dans les cas où l'interférence avec l'exécution n'est pas évitable (par

67
L’approche Les performances Résultats obtenus
exemple, lorsqu'un service exécuté délivre des valeurs de qualité
imprévues), l'approche parvient à récupérer de la situation avec une
interruption minimale.
[76] Technique de pondération additive simple (SAW) et Les résultats des expérimentations montrent une performance très
utilisation de la méthode de la fonction d'utilité, qui satisfaisante de l'approche en termes de rapidité et de nombre de
permet une mesure unifiée de plusieurs objectifs. messages échangés, ce qui en fait une solution appropriée aux
problèmes de sélection de services distribués en temps réel.
[77] / Le système basé sur wEASEL effectue une composition plus précise et
permet aux utilisateurs finaux de découvrir et d'étudier plus
d'opportunités de composition que d'autres approches.
[79] / L'algorithme a été évalué par rapport à quatre algorithmes de
composition de service établis dans plusieurs environnements cloud
(tous les clouds, cloud de base, cloud intelligent et COM2). Les
résultats démontrent une performance favorable de l'algorithme en
termes d'obtention du moins de services recherchés pour arriver à une
composition optimale et économe en énergie.
[14] Pour résoudre le problème d'optimisation multi- Les résultats expérimentaux montrent que des compositions de services
objectifs et multi-contraintes, trois algorithmes IoT approximativement optimales peuvent être dérivées et que le PSO
d'optimisation, dont l'algorithme génétique (GA), fonctionne mieux que le GA et l'ACO en ce qui concerne la forme
l'optimisation des colonies de fourmis (ACO) et physique et la consommation d'énergie
l'optimisation des essaims de particules (PSO), sont
adoptés.

L'utilisation de la classe de service pour représenter la

fonctionnalité des appareils
[80] L'utilisation d'une stratégie d'optimisation L'algorithme proposé a été évalué à travers plusieurs scénarios de
lexicographique, d'une technique de relaxation des simulation. Les résultats obtenus montrent clairement les bonnes
contraintes de QoS et d'une solution optimale de performances de l'algorithme EQSA en termes de temps de sélection,
Pareto. d'efficacité énergétique, de durée de vie de la composition, d'optimalité
et sa valeur ajoutée par rapport aux algorithmes traitant séparément la

68
L’approche Les performances Résultats obtenus
QoS et la consommation d'énergie.

L'algorithme EQSA est évolutif dans le temps pour les environnements

IoT à grande échelle et est capable de trouver des solutions très proches
de l'optimum (environ 98%).
Une durée de vie de la composition proche du cas optimal en
consommant une quantité d'énergie supplémentaire raisonnable (environ
13 à 31%).
[81] Un middleware de publication/abonnement orienté Les applications et les expérimentations ont montré l'efficacité et
service pour établir un bus de service basé sur les l'applicabilité de la solution.
événements pour connecter ensemble des ressources et
des services IoT hétérogènes sur une large zone pour
des interactions transparentes sans référence aux
emplacements de service et à l'état en ligne, appelé
Unified Message Space (UMS)
[82] La génération du schéma de composition est réalisée Les résultats expérimentaux montrent que le mécanisme de composition
en partie au moment de l'exécution tout en ayant des proposé permet de générer les compositions correspondant aux besoins
services abstraits comme composants au moment de la de l'utilisateur, et ce grâce à l'utilisation de la correspondance
conception. sémantique entre intention et service abstrait et grâce à l'utilisation de
l'affinité sémantique entre services.
Cela offre une certaine flexibilité et adaptabilité dans
la composition sans avoir à gérer la composition à
partir de zéro au moment de l'exécution.
[83] Un algorithme DCOP révisé basé sur la technique Les résultats expérimentaux montrent que SynchBB4QoS amélioré a
d'optimisation bien connue Branch and Bound pour une meilleure évolutivité des messages échangés et donc un meilleur
développer un nouvel algorithme complet temps d'exécution.
"SynchBB4QoS" cherchant à maximiser ou à
minimiser les attributs de QoS, tels que la
minimisation du temps de réponse et la maximisation
de la disponibilité.

69
L’approche Les performances Résultats obtenus

Amélioration de la « SynchBB4QoS » en proposant

deux techniques : l'élagage des services non
prometteurs de chaque ensemble de services d'agent
en utilisant la relation de Pareto-Dominance et
l'élagage de la recherche en ordonnant les services
candidats selon une fonction de coût local.
[84] et [85] Les champs potentiels artificiels exerçant des forces Les résultats de la simulation indiquent que l'approche proposée
sur les demandes des utilisateurs. maintien des performances et une évolutivité satisfaisante en tant que
nombre de SPN
D'un point de vue structurel, l'approche proposée n'est
pas basée sur une organisation hiérarchique, ce qui
signifie que tous les agents logiciels du système sont
considérés comme égaux.

La découverte et la sélection de services ne sont pas

basées sur les informations stockées des recherches
précédentes.

Chaque SPN ne conserve que des informations

concernant la structure actuelle du réseau local
[86] Assure l'exécution des services composites résultants Les résultats expérimentaux et les performances obtenues à partir
en prenant en compte les changements de services au d'essais poussés montrent l'efficacité et la faisabilité de l'approche
niveau de la découverte et de la sélection proposée dans le cas d'un environnement à grande échelle.
[87] Exploite le maximum de parallélisme (exécution des L'expérience a montré des résultats prometteurs
services IoT en parallèle chaque fois que les services
sont invocables)
[88] Une solution optimale globale a été utilisée pour Le résultat de l'expérience de simulation montre que CMABC présentait
accélérer le taux de convergence en imitant l'opération une vitesse de convergence plus rapide et une meilleure précision de
croisée de l'algorithme génétique (GA) convergence que certains autres algorithmes d'optimisation intelligents

70
4. Discussion
Le (Tableau 3) nous montre que la plupart des approches sont dynamiques, au lieu de [57], [66],
[69], [15] and [80]. Le (Tableau 4) montre que des approches comme [50], [51] , [59], [62] ,
[63], [65],[67], [70], [73], [75], [77], [79],[90] and [91] sont adaptatifs.

Le (Tableau 5) montre que seuls quelques auteurs mettent en œuvre un système

d'identification et de résolution automatique des problèmes de défaillance et d'interaction,
comme dans [50], [62], [63], [65], [70], [75], [79], [86] et [64]. Aussi que toutes les approches
satisfont aux critères d'indépendance et d'extensibilité et d’après le (Tableau 6), la plupart d'entre
elles sont distribuées/décentralisation en dehors [49], [67], [69] et [71], [77], [82], [87] and [64].

Concernant l'optimisation de la composition du service dans le (Tableau 7), la plupart des

approches ont utilisé des paramètres non fonctionnels pour améliorer le comportement de la
composition et de ses composants, à part [66], [74], [75], [77], [81], [84] et [85]. Enfin, la
plupart des auteurs ont utilisé différentes méthodes pour réaliser leurs approches et chacune
d'entre elles a ses avantages et ses inconvénients.

En se basant sur le (Tableau 8) et (Tableau 9), nous avons remarqué que la plupart des
approches ne satisfont pas à tous nos critères et certains aspects fondamentaux sont couramment
ignorés ou mal discutés, tels que l'adaptabilité, la protection, la sécurité, l'identification et la
résolution automatique des pannes et les problèmes d'interaction. De plus, au cours de cette
étude comparative nous avons remarqué que la plupart des recherches se concentrent sur la
façon de détecter s'il y a un échec/changement de contexte que sur le QUOI FAIRE (la réaction)
après que des changements inattendus se soient produits.

De cette comparaison des approches présentées qui a exposé les principaux avantages et
inconvénients de chaque travail, nous déduisons que les approches comme ; Approche réseau de
Petri [50], Approche contextuelle [56] (qui utilise la méthode de raisonnement OWL),
l'approche Middleware [62] & [63], L'approche Event-Aware Framework [86] et [75] qui
représente une nouvelle approche d'exécution adaptative basée sur un modèle de sélection de
service réactif, sont les meilleures approches adaptées à l'environnement IoT, cependant toutes
ces approches ne satisfassent pas les critères des protocoles de confiance, de protection et de
sécurité.

L'approche sociale basée sur la confiance adaptative [51] [59], a démontré qu'avec sa
conception de protocole de confiance adaptative, l'application est capable d'approcher les
performances idéales lors de la convergence et peut surpasser de manière significative la non-
confiance méthode basé sur un protocole de sélection aléatoire, cependant l'auteur ne s'est pas
concentré sur les autres aspects gérés par les trois approches mentionnées ci-dessus.

5. Autres études comparatives dans la littérature

À notre connaissance, seules deux revues [93] & [94] ont été produites dans le domaine de la
composition des services pour l'Internet des objets. Les autres travaux les plus proches qui ont
été réalisés se situent du côté de la composition des services Web.

71
 Dans [93], une enquête sur les modèles de calcul de la confiance des systèmes IoT pour
la gestion des services a été présentée, où les auteurs classent les modèles de calcul de la
confiance existants pour la gestion des services dans les systèmes IoT sur la base de cinq
dimensions de conception pour un modèle de calcul de la confiance : la confiance composition,
propagation de confiance, agrégation de confiance, mise à jour de confiance et formation de
confiance. Ils mettent en évidence l'efficacité des mécanismes de défense contre les attaques
malveillantes du modèle de chaque dimension et résument les techniques de calcul de confiance
les plus et les moins visitées dans la littérature et donnent un aperçu de l'efficacité des
techniques de calcul de confiance appliquées aux systèmes IoT. Enfin, les auteurs identifient les
principaux inconvénients de la recherche sur le calcul de la confiance IoT et suggèrent des
orientations de recherche futures. Par rapport à notre étude, l'article se concentrait uniquement
sur le calcul de la confiance et ne gérait pas les autres aspects de la composition des services
dans l'IoT.

Dans [94], une revue de la littérature sur la composition des services dans l'IoT a été
présentée, où les auteurs introduisent des problèmes de composition de services et de nouveaux
défis de recherche. Ils fournissent un examen des études préliminaires sur la composition des
services dans l'IoT classés par les technologies d'objets intelligents (RFID, WSN et autres) et les
approches de composition (composition SOC et Mashup). Cet article explique la faisabilité du
futur IoT full-IP avec des protocoles Web en temps réel pour énoncer formellement le problème
de la composition des services pour les objets intelligents IP ainsi que ses exigences (contrainte
de ressources, faible consommation, efficacité énergétique, services axés sur les
données/événements, Asynchrone, Découverte, Vérification des exigences de gestion et
Sensibilisation à la QoS) et certains cas d'utilisation. Cependant, toute leur étude et le problème
abordé dans cet article étaient basés sur des protocoles Web.

Dans [31], les auteurs ont étudié les aspects les plus importants de l'IoT en mettant l'accent sur
ce qui est fait et quels sont les problèmes qui nécessitent des recherches plus approfondies. Dans
une autre enquête sur les technologies, les applications et les défis de recherche pour l'IoT [30],
les auteurs ont présenté les domaines d'application les plus pertinents, et un certain nombre de
défis de recherche ont été identifiés. Toujours dans [95], les auteurs ont fourni une brève
description de l'état de l'art actuel de l'IoT, avec un accent particulier sur les concepts et
technologies liés à la mobilité et aux communications sans fil et réseautage. Cependant, ils ne se
sont pas concentrés sur la composition des services.

Dans [96], une revue des articles non techniques sur l'IoT a été présentée. Les auteurs
examinent l'état actuel des discours scientifiques et des modèles de processus de hiérarchie
analytique appliquée pour évaluer les priorités des futures recherches sur l'IoT. Cette étude a
analysé de manière sélective les options possibles pour la recherche future, et elle illustre que la
recherche sur l'IoT s'est concentrée que sur certains domaines avec des sujets et des
méthodologies limités. Aucun détail sur la composition du service n'est discuté.

Dans [97], les auteurs ont analysé le phénomène IoT d'un point de vue évolutif. Ils visent
à fournir une analyse minutieuse des technologies qui ont contribué à la naissance de l'IoT et à
sa croissance au fil du temps. À la suite de cette analyse, trois générations d'IoT ont été
identifiées : la première c’est les objets étiquetés ; la second c’est l'interconnexion des choses à
travers les technologies Web ; la troisième c’est les objets sociaux de la représentation
sémantique des données et du nuage des choses. Cependant, l'objectif principal de l'article est de

72
présenter les étapes évolutives qui ont caractérisé le développement de l'IoT, ainsi que les
motivations de leur déclenchement. Aucun détail sur la composition du service n'est discuté.

Dans [98], un modèle d'architecture IoT a été décrit dans lequel les objets, les personnes
et les services cloud sont combinés pour faciliter les tâches applicatives. Les auteurs décrivent
les composants clés de l'architecture en pensant à l'application des villes intelligentes. En outre,
un aperçu des plates-formes logicielles IoT et des technologies habilitantes, certains des défis
IoT provenant de l'immaturité des logiciels et du matériel IoT ont été décrits (disponibilité,
interopérabilité, évolutivité, gestion des performances, sécurité et confidentialité, analyse des big
data, services cloud et Smart conception des appareils). Cependant, aucun détail sur la
composition du service n'est discuté.

Dans [99], une enquête sur l'IoT a été présentée, où l'auteur se concentre sur les
architectures spécifiques à un domaine des applications IoT. Dans cet article, le contexte et la
définition de l'IoT sont donnés avec plusieurs domaines clés dans lesquels des travaux de
recherche basés sur l'IoT sont en cours. L'auteur a également présenté des analyses détaillées des
défis de la recherche avec le graphique résultant, et met en évidence les défis et les opportunités
de recherche possibles pour les futurs chercheurs en IoT qui travailleraient dans l'architecture
ainsi que dans l'IoT dans son ensemble. Cependant, l'auteur ne s'est pas concentré sur la
composition des services.

Dans [100], un aperçu des schémas de sécurité de la couche physique de faible

complexité qui conviennent à l'IoT est présenté, où les auteurs proposent une étude complète des
avancées actuelles et des défis restants dans le codage de la confidentialité des ressources
limitées et la génération de clés secrètes adaptées pour les applications dans l'Internet des objets.
L'état de l'art de la sécurité de la couche physique pour les réseaux de capteurs est passé en
revue, suivi d'un aperçu des techniques de sécurité des réseaux de communication. Ensuite, les
auteurs identifient les techniques de sécurité les plus efficaces en énergie et les moins complexes
qui conviennent le mieux aux applications de détection IoT. Ceci est suivi d'une discussion sur
les schémas candidats de faible complexité pour la sécurité des communications. L'article se
termine par une discussion sur les questions de recherche ouvertes et les pistes de travaux futurs.
Aucuns détails sur la composition du service n'est discuté.

Dans [101], une étude comparative des approches existantes pour la composition de
services Web a été décrite, les auteurs les comparent entre elles en ce qui concerne certaines
exigences clés. En outre, les auteurs donnent un aperçu des méthodes et approches de
composition des services, et ils discutent des avantages et des inconvénients de chaque article
étudié.

Dans [102], un aperçu et une comparaison des progrès récents dans la composition des
services Web ont été fournis. Les auteurs classent ces approches en trois catégories (basées sur
les workflows, basées sur XML et basées sur les ontologies). Dans chaque catégorie, ils
présentent et comparent des approches sélectionnées sur la base de certains critères (comme la
qualité de service, l'évolutivité et l'exactitude).

Dans [103], une étude de différentes techniques de composition de services Web basées
sur des plateformes et des Framework de composition actuellement existants a été réalisée. Les
auteurs comparent ces techniques en fonction des avantages et des inconvénients. Ils discutent

73
de ce qui rend la composition des services Web si spéciale et en tirent des défis pour la
communauté des affaires.

Dans [104], un aperçu de l'état de l'art de la recherche dans les approches de composition
du Web sémantique a été discuté. Les auteurs ont comparé et classé ces approches en deux
catégories ; approches de composition Web sémantique avec prise en charge QoS et approches
de composition Web sémantique sans prise en charge QoS. Six critères d'évaluation ont été
proposés dans le but de comparer systématiquement les deux catégories d'approches à la
composition des services du Web sémantique ; évolutivité, non-déterminisme, aspect
dynamique, adaptabilité, indépendance du domaine, exactitude, capacité sémantique et
conscience de la QoS. Dans chaque catégorie, ils donnent l'introduction et la comparaison des
approches sélectionnées. L'objectif de l'article était d'identifier la meilleure approche pouvant
être utilisée pour la composition de services Web sémantiques.

Dans [105], un aperçu des progrès récents réalisés dans les approches de découverte de
services Web a été fourni. De plus, les auteurs ont effectué une analyse de ces approches et ont
souligné certains de leurs mérites ainsi que leurs lacunes. Après avoir introduit une taxonomie
qui catégorise les systèmes de découverte de services Web selon différents points de vue, ils ont
présenté les avantages et les inconvénients de chaque groupe.

Dans [103], une étude des différentes techniques de sélection de services Web
disponibles dans la littérature a été réalisée. Les auteurs comparent ces méthodologies de
sélection de services Web en utilisant différents paramètres (QoS et fiabilité).

Dans [106], un Framework articulé pour analyser et comparer les approches de

composition de services Web a été proposé. Les auteurs ont proposé une taxonomie composée
des dimensions (langage, réutilisation des connaissances, automatisation, support d'outils,
plateforme d'exécution, utilisateur cible) qui caractérisent et comparent les approches de
composition de services. Ils ont fourni une analyse systématique des approches de composition
de services les plus représentatives en les évaluant et en les classant par rapport à la taxonomie
proposée.

Dans [107], une revue des enquêtes de composition automatique des services Web a été
présentée. Les auteurs ont utilisé les préoccupations de recherche précédemment identifiées par
eux pour organiser leur présentation et indiquer la portée de chaque enquête automatique sur la
composition des services Web incluse.

Dans [108], une revue systématique de la littérature sur la composition des services de
cloud computing a été proposée. Les auteurs ont divisé la recherche en quatre groupes
principaux en fonction des approches de résolution de problèmes et en identifiant les paramètres
de qualité de service étudiés, les objectifs visés et les environnements en développement, des
résultats bénéfiques et des statistiques sont obtenus qui peuvent contribuer aux recherches
futures.

6. Conclusion
Nous concluons cette comparaison en identifiant que la protection, la sécurité, l'identification et
la résolution automatique des problèmes de défaillance et d'interaction, sont les inconvénients

74
majeurs de toutes les approches. Le manque d'implémentations disponibles est un problème, car
ces aspects sont très importants. Cela ouvre des opportunités pour l'amélioration des stratégies
existantes d'approches de composition de services pour l'IoT, ainsi que pour les recherches
futures dans le domaine. Nous pensons que les mécanismes de composition de services pour
l'IoT peuvent bénéficier d'une recherche plus approfondie sur les thèmes susmentionnés.

Pour résumer, comme suit, nous identifierons les lacunes dans la composition de service
dans l’IoT et suggérerons des orientations de recherche futures.
• Il existe plusieurs problèmes ouverts qui nécessitent des efforts de recherche et de
développement supplémentaires afin d'exploiter pleinement le potentiel de l'IoT, l'un de ces
défis fait référence à l'énorme quantité d'énergie consommée lors de la diffusion
d'informations produites par un grand nombre d'appareils interconnectés à ressources
limitées, qui doivent être stockées, traitées et présentées sous une forme efficace et
facilement interprétable.
• De plus, l'IoT est extrêmement vulnérable aux attaques pour plusieurs raisons.
Premièrement, ses composants passent souvent la plupart du temps sans surveillance ; et
ainsi, il est facile de les attaquer physiquement. Deuxièmement, la plupart des
communications sont sans fil, ce qui rend l'écoute clandestine extrêmement simple. Enfin, la
plupart des composants IoT se caractérisent par de faibles capacités en termes de ressources
énergétiques et informatiques (c'est notamment le cas pour les composants passifs) et ne
peuvent donc pas mettre en œuvre des schémas complexes soutenant la sécurité.
• De nombreuses informations privées sur une personne peuvent être collectées à son insu. Le
contrôle de la diffusion de toutes ces informations est impossible avec les techniques
actuelles.
• Toutes les informations collectées sur une personne par l'IoT peuvent être conservées
indéfiniment à mesure que le coût du stockage diminue. En outre, les techniques
d'exploration de données peuvent être utilisées pour récupérer facilement n'importe quelle
information, même après plusieurs années.
• Il existe plusieurs efforts de normalisation mais ils ne sont pas intégrés dans un cadre global.
• Un autre problème que l'on peut également rencontrer est que certaines des données doivent
être traitées en temps réel dans l'IoT. La raison pourrait être que le capteur ne dispose pas de
suffisamment de stockage pour conserver toutes les données collectées ou que le capteur
doit prendre une décision par lui-même.

Dans ce qui suit, on se focalisera le plus sur l’aspect du traitement de donnée en temps
réel avec notre architecture proposé Fog-IoT en cinq couches et notre algorithme P-MPGA
sensible aux QoS, qui gère la sélection des services IoT de manière adaptative grâce à son
module de surveillance. Ce travail va être plus détaillé dans le chapitre qui suit.

75
 Deuxième partie

Contribution et validation

76
 CHAPITRE 4

Notre approche proposée

Sommaire

1. Approches proches de notre travail dans la littérature

2. Architecture à cinq couches
3. Le modèle QoS utilisé
4. L’algorithme génétique
1. L’algorithme génétique multi-population (MGA)
2. Fonction de Fitness
3. Codage chromosomique et opérateurs génétiques
5. Conclusion

Dans ce chapitre, nous présentons notre architecture en cinq couches basées sur le concept Fog-
IoT, le modèle QoS utilisé et notre algorithme génétique multi-population sensible aux QoS P-
MPGA. Cette architecture Fog-IoT nous a permis de décentraliser le processus de la
composition de services comme le montre la (Figure 16) et de bénéficier de plusieurs avantages
(qu’on va invoquer ci-dessous). Aussi, notre algorithme adaptatif P-MPGA permet d’utiliser les
ressources de la manière la plus efficace pour l'optimisation en maximisant ou minimisant
certains attributs QoS [16].

1. Approches proches de notre travail dans la littérature

D'après notre étude dans le chapitre 3, où nous avons évalué les approches de composition de
services les plus populaires dans l'IoT en se basant sur plusieurs critères, nous avons vu que très
peu de travaux ont présenté une solution de composition de services adaptative gérant les
attributs de QoS, de plus dans le domaine de la santé, qui est l'un des plus difficiles et délicats
car il concerne la précieuse vie humaine, nous pouvons citer les travaux suivants :

Dans [70], [90], une composition de service adaptative a été proposée pour un système
d'assistance à la vie (ALS) [109], le système est censé soutenir les personnes atteintes d'une
maladie chronique ou celles qui en ont besoin pour un suivi médical constant (par exemple, les
personnes âgées) afin qu'elles puissent continuer à vivre de manière autonome à la maison.
L'architecture proposée utilise un mécanisme de gestion des événements pour propager les
informations contextuelles des appareils IoT, une fonction de remplacement de service
dynamique est utilisée en cas de panne de service, ce qui rend le système adaptatif et un candidat
potentiel pour les environnements IoT où des pannes de service fréquentes sont observées,
cependant, le la latence due à la gestion des événements augmente linéairement avec
l'augmentation du nombre de capteurs. De plus, il n'y a pas de gestion de la qualité de service et
leur système de surveillance ne signale que les pannes matérielles et ne détecte pas les données
de capteur incorrectes ou les pannes logicielles.

77
 Dans [110], une sélection de services IoT basée sur la QoS est proposée pour le système
de surveillance Electro Cardio Graphy (ECG). Les auteurs ont considéré le cadre IoT comme
une composition de trois composants principaux : les objets, l'informatique et la communication,
les attributs de QoS sont associés à chacun des trois composants. Le cadre de sélection évalue
l'importance relative des critères de QoS pour classer les services IoT. Cependant, seule la partie
sélection de la composition du service a été présentée, aucun cadre d'adaptabilité n'a été illustré.

En dehors du domaine de la santé, d'autres approches adaptatives ont été proposées dans
les approches qui vont suivre.

Dans [50], un nouvel algorithme de composition de service basé sur le réseau de Petri a
été proposé. Pour gérer le changement dynamique des environnements, les auteurs ont proposé
un algorithme de surveillance pour surveiller le système IoT de manière moins coûteuse. Une
évaluation QoS est utilisée, mais ne concerne que trois propriétés de qualité, à savoir la fiabilité,
le temps de réponse et le coût. Les résultats expérimentaux ont prouvé la solidité et l'exactitude
des algorithmes, mais il n'y a eu aucune évaluation dans le système de service du monde réel
dans l'IoT.

Dans [62], [63], une approche middleware pour la composition de services IoT a été
proposée. Les auteurs utilisent un système de surveillance avec seulement quelques ressources
de surveillance pour surveiller et assurer le fonctionnement et la robustesse du système. Chaque
service composant est représenté par un agent, qui est responsable du maintien des informations
QoS (prix, temps, fiabilité, degré de réputation, disponibilité) de chaque service. Les expériences
ont évalué l'exactitude et la robustesse des modèles et des algorithmes, mais il n'y a eu aucune
évaluation dans le système de service du monde réel dans l'IoT.

Dans [64], une approche probabiliste de composition de services a été proposée. Pour
surveiller le système et rendre cette approche adaptative, les auteurs utilisent des candidats
alternatifs en cas de défaillance (lorsque la probabilité de succès du service sélectionné n'est pas
très élevée). Aussi, lors de la sélection du service, les auteurs décrivent et analysent les attributs
QoS (fiabilité et coût). Cependant, cette approche est centralisée et ne traite pas la contrainte du
temps réel.

Dans [65], une approche adaptative pour la composition de services dans l'IoT a été
proposée. Le mécanisme de sélection proposé est basé sur une technique d'optimisation pour
détecter les situations où certaines exigences de composition ne sont pas satisfaites ou certains
services deviennent indisponibles ou lorsque des défaillances/exceptions se produisent. Cette
méthode essaie de réduire le besoin d'intervention humaine dans la reconfiguration de la
composition. Cependant, le système de surveillance est centralisé et utilise une liste de services
indisponibles. L'auteur gère également certains attributs QoS (temps de réponse, fiabilité,
disponibilité, localisation, niveau de batterie et réputation) mais c'est extrêmement exigeant et
demande un calcul intensif.

Dans [82], une approche de composition de service adaptative pour l'IoT est proposée. La
génération du schéma de composition est partiellement réalisée au moment de l'exécution à
l'aide de services abstraits fournis au moment de la conception, ce qui permet une flexibilité et
une adaptabilité sans avoir à créer un ensemble de services à partir de zéro. Cependant, aucun

78
système de suivi pour l'identification et la résolution n'a été proposé. De plus, aucune gestion
spécifique de la QoS n'a été citée dans ce travail.

Dans [86], une approche de composition de service sensible aux événements pour l'IoT
est proposée. Les auteurs présentent un système de surveillance avec un mécanisme de
dérogation basé sur une stratégie d'événement, dans cette approche, la détection des
changements est effectuée au niveau de la découverte pour économiser plus de temps et
d'énergie lors de la sélection et pour s'assurer que les services fonctionneront avec succès,
certains changements peuvent se produire à l'exécution. L'apprentissage bayésien est utilisé pour
mettre à jour la QoS dynamique (disponibilité, temps de réponse et temps de réponse) et la
recomposition automatique du service en cas de panne du service. Cependant, il n'y a pas eu
d'évaluation dans le système de service du monde réel dans l'IoT.

Dans [75], une approche de composition de service adaptative pour l'IoT est proposée.
L'approche gère efficacement les changements de services pendant l'exécution, une adaptation
est effectuée dès que possible et en parallèle du processus d'exécution, réduisant ainsi les temps
d'arrêt, augmentant les chances de réussite de la récupération et fournissant la solution la plus
optimale en fonction de l'état actuel de l'environnement. Cependant, aucune gestion de QoS
spécifique n'a été citée dans cette version actuelle de ce travail.

Dans [111], une nouvelle composition de services multi-objectifs pour l'IoT est proposée.
Les auteurs au lieu d'optimiser un seul objet, ils prennent la maximisation de la QoS et la
minimisation des coûts comme deux objets. Pour résoudre ce problème d'optimisation complexe,
un algorithme de colonie d'abeilles artificielles multi-objectifs est utilisé. Cependant, la méthode
proposée est conçue pour la composition des services cloud, et aucun cadre d'adaptabilité n'a été
illustré.

Dans [112], [113], une méthode de sélection de service hybride pour l'IoT a été proposée.
Les auteurs utilisent une approche d'optimisation et des attributs de QoS pour trouver le meilleur
service candidat, le problème de sélection de service IoT est transformé en un problème
d'optimisation à objectif unique adoptant une méthode de pondération simple. L'expérimentation
montre que l'algorithme proposé peut satisfaire les besoins de l'utilisateur, cependant, la
consommation d'énergie n'est pas prise en compte dans la sélection du service et aucun cadre
d'adaptabilité n'a été illustré.

En comparaison avec les travaux ci-dessus, nous avons identifié certains attributs de QoS
associés aux composants IoT qui quantifient et analysent au mieux les services offerts par les
fournisseurs de services IoT. De plus, des problèmes d'architecture IoT-cloud nous ont amenés à
utiliser l'architecture à 5 couches implémentée sur un système Fog-IoT. Nous pensons que cet
aspect important du cadre de sélection et d'architecture de service doit être nécessairement défini
avant de concevoir un algorithme de composition de service.

2. Architecture en cinq couches

Il n'y a pas d'accord unique ou général sur l'architecture IoT qui soit accepté dans le monde de la
recherche [114]. De nombreuses architectures différentes ont été proposées et selon certains
chercheurs, l'architecture IoT comporte trois couches [7]–[9], mais certains chercheurs

79
privilégient l'architecture à quatre couches [10]. Les auteurs pensent qu'en raison du
développement de l'IoT, l'architecture à trois couches est basique et ne peut pas répondre aux
exigences des applications.

L'architecture à quatre couches a joué un rôle important dans le développement de l'IoT,

mais en raison d'un autre défi de l'IoT concernant la sécurité et la confidentialité, l'architecture à
cinq couches [11], [12] a également été proposée. Cette architecture comporte trois couches
comme les architectures précédentes dont les noms sont couche de perception, couche de
transport et couche d'application. Elle a également deux couches supplémentaires. Les noms de
ces nouvelles couches proposées sont Couche de traitement et Couche « Business ». On
considère que cette architecture a la capacité de répondre aux exigences de l'IoT, elle a
également la capacité de sécuriser les applications IoT. Voici les 5 couches de cette
architecture :

• Couche « Business » : Gère l'ensemble du système, y compris les applications ainsi que
la confidentialité des utilisateurs. (Gestion & suivi)
• Application : Responsable de la fourniture de services spécifiques à l'application pour
l'utilisateur (Interface).
• Traitement : Stocke, analyse et traite l'énorme quantité de données à l'aide de bases de
données etc.… selon les besoins des utilisateurs.
• Transport : Transfert des données des capteurs entre les différentes couches via des
réseaux tels que sans fil, 3G, LAN, Bluetooth, RFid et NFC
• Perception : Détecte et collecte les informations sur l'environnement (par des capteurs…)

La hiérarchie de toutes les architectures de couches proposées de l'Internet des objets

(IoT) est illustrée à la (Figure 13), qui montre les architectures de couche IoT composées
respectivement de trois couches, quatre couches et cinq couches. Nous considérons également
que l’architecture à 5 couches peut répondre aux exigences de l'IoT et satisfaire au maximum les
critères cités dans le chapitre 3.
Architecture de l'IoT

3 couches 4 couches 5 couches

Application Application Business

Réseau Réseau Application

Perception Support Traitement

Perception Transport

Perception

Figure 13 Architectures en couches IoT dans la littérature

Dans notre travail, nous nous intéressons plus particulièrement à la couche de traitement
(Figure 14), cette couche est également appelée couche middleware. Elle collecte les
informations envoyées par la couche de transport, en effectuant un traitement sur les

80
informations collectées. Elle est chargée de supprimer les informations supplémentaires qui
n'ont pas de sens et d'extraire les informations utiles. Toutefois, cela supprime également le
problème des BigData dans l'IoT, ou une grande quantité d'informations est reçue, ce qui peut
affecter les performances de l'IoT.

Business

Application

Traitement

Transport

Perception

Cloud (Tous les traitements

se font ici : Stockage,
Traitement des données,
Surveillance…)

Capteurs

Figure 14 La relation entre la couche de traitement et le Cloud

En général, les informations sont envoyées du stockage local au stockage en cloud où

tous les objets envoient les informations collectées (Figure 13). Enfin, en utilisant les
informations collectées, les mesures appropriées sont prises. Il n'est pas nécessaire que l'action
soit toujours effectuée à l'aide de ces informations, mais nous pouvons également gérer et
contrôler à distance des objets et des machines et utiliser les informations pour conserver des
enregistrements pour une utilisation future.

L'architecture IoT-Cloud est une méthode pratique pour quelques appareils. Mais à
mesure que le nombre d'appareils utilisant le cloud augmente, l'utilisation de sa bande passante,
de sa latence augmente également, et cela implique également :
• Ne rentre pas dans les systèmes qui doivent recevoir des actions immédiates et en temps
réel.
• Il y aura de la latence pendant les transferts de données.
• Risque de surcharge du Cloud (nombre d'objets en croissance...).
• Nécessite une bande passante élevée (trop de données à transmettre).
• Nécessite d'être toujours connecté à Internet.
• Problème de sécurité Cloud (Vie privée).
• Problème d'évolutivité.

81
 Les problèmes rencontrés par l'architecture IoT-Cloud ont conduit au développement du
Fog pour surmonter au mieux ces obstacles [13]. Le Fog Computing est une couche qui réside
entre le service cloud et les appareils locaux. Les nœuds de Fog seront répartis
géographiquement pour fournir des services à leurs appareils locaux requis. Chaque nœud
pourra effectuer des tâches de calcul et pourra fournir des services liés aux données collectées
dans la zone sous leur contrôle. En résumé, le Fog Computing représente une décentralisation du
Cloud Computing (Figure 15).

CLOUD
Stockage et analyse

Couche Transport

Sécurité

Stockage
Fog
Fog Passerelle intelligente
(Couche Pré-traitement)
Pré-traitement

Surveillance

Perception
Capteurs Capteurs
Objets IoT

Figure 15 Notre Architecture Cloud-Fog-IoT adoptée après la défragmentation de la

couche traitement

Comme nous l'avons dit dans les chapitres précédents, le secteur de la santé est l'un des
plus difficiles et des plus délicats car il concerne la vie des personnes. L'IoT avec le Cloud
Computing a amélioré la qualité de vie des patients ; cependant, cette architecture est souvent
trop réductrice et inadaptée à de nombreuses applications de santé émergentes avec des
exigences critiques. Le Fog Computing peut être la solution au problème [115], il permet des
temps de réponse faibles et prévisibles, ce qui peut souvent faire la différence entre la vie et la
mort des patients ; il garantit qu'au moins la partie la plus critique du service global est toujours
disponible pour le patient, même en présence d'environnements hostiles avec une connectivité
réseau intermittente ou inexistante au Cloud ; il protège les données sensibles liées à la santé en
les stockant localement plutôt que de les envoyer dans le cloud via Internet.

L'utilisation du Fog computing et la défragmentation de la couches Traitement en quatre

sous-couches (sécurité, stockage, pré-traitement & surveillance) comme le montre la (Figure 14)
nous permet d'avoir les avantages suivants :

82
 • Travaillez directement sur les réseaux locaux donc c'est plus rapide (faible latence).
• Pas besoin de consulter le cloud et d'être connecté à Internet.
• Interactions en temps réel (presque).
• Mobilité.
• Distribution et décentralisation.
• Localisation.
• Sécurité (Réduire le risque d'attaques).
• Système Intelligent et efficace (efficace).
• Seules les informations nécessaires sont envoyées au Cloud pour être analysées.

CLOUD

Couche Transport

Sécurité Services IoT

Stockage L’annuaire
des services

Découverte des services

Pré-traitement

Sélection des services

P-MPGA

Fog 1 Fog 2 Schéma de la

Génération du service composition de services
composite
IoT
Surveillance

Perception

Objets IoT

Figure 16 Notre architecture Fog-IoT adoptée en cinq couches pour la composition de services dans l’IoT
(détaillée)

83
La (figure 16) détaille la couche « Pré-Traitement » de notre architecture adoptée Fog-IoT, tout
le processus de la composition de service se fait dans cette couche, de la découverte de service
jusqu’à l’exécution du service composite. La couche surveillance est responsable de surveiller
tous les services disponibles pour gérer le changement dynamique des environnements IoT et
assurer que notre approche proposée soit adaptative.

3. Le modèle QoS utilisé

Chaque objet de l'IoT peut fournir un certain nombre de services spécifiques. Certains services
IoT peuvent être similaires ou identiques. Cependant, les performances QoS peuvent être
différentes les unes des autres. Par conséquent, l'évaluation de la qualité de service (QoS) permet
de différencier un service d'un autre. Ainsi, il aide les demandeurs de service à reconnaître le
meilleur service IoT pour son application.

Pour traiter les services IoT séparément, l'exploration de ces trois composants de l'IoT ;
l’objet, la communication et le calcul sont nécessaires, avec leurs métriques de qualité de service
respectives [110]. Les attributs clés de la QoS dans l'IoT peuvent être dynamiques ou statiques
[83]. Les services dans l'IoT sont liés au monde physique, donc les informations de localisation
géographique des appareils affectent la satisfaction des utilisateurs, sans oublier que cet
environnement dynamique, qui affecte la disponibilité de ces services [2]. Fournir un niveau
acceptable de QoS est un problème important dans Fog-IoT [116] et pour la sélection de services
du système de santé basé sur Fog-IoT, nous avons pris douze attributs QoS qui ont le plus
d'impact sur ce cas d'étude, et ces attributs peuvent être modélisé comme suit :

3.1. Disponibilité (A)

C'est un pourcentage de temps, et indique quand le service est disponible.
3.2. Coût (C)
Représente le coût que l'utilisateur doit payer pour l'acquisition du service.
3.3. Documentation (D)
Mesure de la documentation (c.-à-d. balises de description)
3.4. Emplacement / Portée (L)
C’est la distance entre le service et la destination spécifiée par l'utilisateur.
3.5. Précision (P)
C’est la capacité des capteurs à mesurer l'écart obtenu dans la sortie lorsque le même
signal ou les mêmes données sont mesurés à plusieurs reprises dans des conditions
similaires [117]. Les auteurs dans [118] définissent la précision pour décrire exactement
comment les informations de contexte fournies reflètent la réalité.
3.6. Fiabilité ou Reliability (R)
C’est le taux de réussite d'une demande de service. Les auteurs dans [119] définissent la
Fiabilité pour indiquer dans quelle mesure le contexte peut être considéré comme crédible.
3.7. Temps de réponse (Rt)
C’est le temps moyen entre la soumission d'une demande de l'utilisateur et l'acceptation de
la réponse du service.
3.8. Réputation (Rp)
C’est le score moyen de multi-évaluation du service par l'utilisation de n'importe quel
système de notation.
3.9. Sécurité (S)

84
 Représente le niveau de sécurité assuré par un service (authentification, cryptage, etc.). La
sécurité permet de protéger les utilisateurs contre les accès interdits illégaux [120].
3.10. Classification de service (Sc)
La classification de service représente divers niveaux de qualité d'offre de service. Il existe
quatre classifications de service : Platine (Haute qualité), Or, Argent et Bronze (Basse
qualité).
3.11. Taux de réussite (Sr)
C’est le nombre de réponses/nombre de messages de demande (%)
3.12. Débit (T)
Le débit d'un service désigne la quantité de données traitables par unité de temps.
Habituellement, le débit est donné en octets/sec et est interprété comme une dimension
croissante

La différence de performance QoS entre chaque service d'information IoT est la clé de la
sélection et de la composition du service, il est donc essentiel de faire une évaluation
quantitative de la performance QoS de chaque service [121]. On suppose qu'un service
composite est constitué de (n) services abstraits, notés : CS= {S1, S2, ..., Sn}. Pour chaque
service abstrait Si, il possède plusieurs services concrets candidats, notés : Si= {Si1, Si2, ...,
Sim} (m représente le nombre de services candidats de Si).

𝑆1

𝑆0 𝑆1 𝑆0 AND

𝑆2
(1) (3)

k fois 𝑆1

𝑆0 𝑆0 XOR
𝑆2
(2) (4)

Figure 17 Modèles structurels en composition de service (séquence, boucle, parallèle-AND et parallèle-XOR)

[122]
Il existe quatre modèles structurels dans la composition des services (Figure 17), c'est-à-
dire séquence (1) , boucle (2), parallèle-AND (3) et parallèle-XOR (4) [122]. Nous identifions
cinq types différents de types d'attributs qui sont catégorisés par leur fonction d'agrégation
(Tableau 11).

Le modèle séquence (1) est un modèle d'exécution dans lequel les services sont exécutés
les uns après les autres et il n'y a pas de chevauchement entre les périodes d'exécution des
services. Pour calculer la valeur d'agrégation du temps de réponse et du coût d'exécution, chaque
valeur de service doit être ajoutée l'une à l'autre. De plus, afin de calculer la valeur d'agrégation
de la disponibilité et taux de réussite, les valeurs des services doivent être multipliées les unes
par les autres car les services sont indépendants les uns des autres. La valeur globale de la
réputation est obtenue en prenant la moyenne des valeurs de réputation des services.

85
 Le modèle boucle (2) est une sorte de modèle séquentiel dans lequel le service s'exécute
pendant des cycles limités.

Le modèle parallèle-AND est un modèle d'exécution dans lequel, après l'achèvement du

service précédent, tous les services suivants sont exécutés simultanément. Notez que par
exemple, pour obtenir un temps de réponse agrégé, nous utilisons la fonction Max, car tous les
composants suivants sont exécutés simultanément.

Le modèle parallèle-XOR est un modèle d'exécution dans lequel, après l'achèvement du

service précédent, l'un des services suivants s'exécute. Dans ce modèle, l'exécution de chaque
composant est non déterministe ; par conséquent, pour calculer l'effet QoS d'agrégation de ce
modèle, le pire des cas doit être calculé.

Tableau 10 Classes d'attributs QoS

Type Fonction d'agrégation
𝑛
Addition ∗
𝑞 = ∑ 𝑞𝑖
𝑖=1
𝑛
Multiplication
𝑞 ∗ = ∏ 𝑞𝑖
𝑖=1
𝑛
Moyenne 1
𝑞 ∗ = . ∑ 𝑞𝑖
𝑛
𝑖=1

Minimum 𝑞 ∗ = min(𝑞1 , 𝑞2 , … , 𝑞𝑛 )
Maximum 𝑞 ∗ = max(𝑞1 , 𝑞2 , … , 𝑞𝑛 )

Les fonctions d'agrégation [15] du service composite pour les 12 attributs de QoS sont formulées
dans le (Tableau 11) respectivement.

Tableau 11 Fonction d'agrégation des propriétés QoS basée sur le modèle du groupe de travail W3C [123]
Attribue QoS Séquentiel Boucle Parallèle-AND Parallèle-XOR
𝑛 𝑛
𝒇𝟏 𝐴𝑐𝑠 = 𝐴𝑖𝑗 𝐴𝑐𝑠
Disponibilité (A) 𝐴𝑐𝑠 = ∏ 𝐴𝑖𝑗 𝐴𝑐𝑠 = ∏ 𝐴𝑖𝑗 = min(𝐴1𝑗 , 𝐴2𝑗 , … , 𝐴𝑖𝑗 )
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟐 Coût (C) 𝐶𝑐𝑠 𝐶𝑐𝑠 = max(𝐶1𝑗 , 𝐶2𝑗 , … , 𝐶𝑖𝑗 )
𝐶𝑐𝑠 = ∑ 𝐶𝑖𝑗 = 𝑘 ∗ 𝐶𝑖𝑗 𝐶𝑐𝑠 = ∑ 𝐶𝑖𝑗
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟑 Documentation (D) 𝐷𝑐𝑠 = 𝐷𝑖𝑗 𝐷𝑐𝑠
𝐷𝑐𝑠 = ∏ 𝐷𝑖𝑗 𝐷𝑐𝑠 = ∏ 𝐷𝑖𝑗 = min(𝐷1𝑗 , 𝐷2𝑗 , … , 𝐷𝑖𝑗 )
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟒 Emplacement (L) 𝐿𝑐𝑠 𝐿𝑐𝑠 = min(𝐿1𝑗 , 𝐿2𝑗 , … , 𝐿𝑖𝑗 )
𝐿𝑐𝑠 = ∑ 𝐿𝑖𝑗 = 𝑘 ∗ 𝐿𝑖𝑗 𝐿𝑐𝑠 = ∑ 𝐿𝑖𝑗
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟓 Précision (P) 𝑃𝑐𝑠 = 𝑃𝑖𝑗 𝑃𝑐𝑠 = min(𝑃1𝑗 , 𝑃2𝑗 , … , 𝑃𝑖𝑗 )
𝑃𝑐𝑠 = ∏ 𝑃𝑖𝑗 𝑃𝑐𝑠 = ∏ 𝑃𝑖𝑗
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟔 𝑅𝑐𝑠 = 𝑅𝑖𝑗 𝑅𝑐𝑠
Fiabilité (R) 𝑅𝑐𝑠 = ∏ 𝑅𝑖𝑗 𝑅𝑐𝑠 = ∏ 𝑅𝑖𝑗 = min(𝑅1𝑗 , 𝑅2𝑗 , … , 𝑅𝑖𝑗 )
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖

86
 Attribue QoS Séquentiel Boucle Parallèle-AND Parallèle-XOR
𝑛
𝒇𝟕 𝑅𝑡𝑐𝑠 𝑅𝑡𝑐𝑠 = 𝑅𝑡𝑐𝑠 =
Temps de réponse 𝑅𝑡𝑐𝑠 = ∑ 𝑅𝑡𝑖𝑗 max(𝑅𝑡1𝑗 , 𝑅𝑡2𝑗 , , 𝑅𝑡𝑖𝑗 ) max(𝑅𝑡1𝑗 , 𝑅𝑡2𝑗 , , 𝑅𝑡𝑖𝑗 )
(Rt) 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 = 𝑘 ∗ 𝑅𝑡𝑖𝑗

𝒇𝟖 𝑅𝑝𝑐𝑠 𝑅𝑝𝑐𝑠 𝑅𝑝𝑐𝑠 𝑅𝑝𝑐𝑠

𝑛 𝑛
Réputation (Rp) 1 = 𝑅𝑝𝑖𝑗 1 = min(𝑅𝑝1𝑗 , 𝑅𝑝2𝑗 , … , 𝑅𝑝𝑖𝑗 )
= . ∑ 𝑅𝑝𝑖𝑗 = . ∑ 𝑅𝑝𝑖𝑗
𝑛 𝑛
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝒇𝟗 Sécurité (S) 𝑆𝑐𝑠 S𝑐𝑠 = S𝑖𝑗 𝑆𝑐𝑠 𝑆𝑐𝑠 = min(𝑆1𝑗 , 𝑆2𝑗 , … , 𝑆𝑖𝑗 )
= min(𝑆1𝑗 , 𝑆2𝑗 , … , 𝑆𝑖𝑗 ) = min(𝑆1𝑗 , 𝑆2𝑗 , … , 𝑆𝑖𝑗 )
𝑛 𝑛
𝒇𝟏𝟎 Classification des 𝑆𝑐𝑐𝑠 𝑆𝑐𝑐𝑠
services (Sc) 𝑆𝑐𝑐𝑠 = ∏ 𝑆𝑐𝑖𝑗 = 𝑆𝑐𝑖𝑗 𝑆𝑐𝑐𝑠 = ∏ 𝑆𝑐𝑖𝑗 = min(𝑆𝑐1𝑗 , 𝑆𝑐2𝑗 , … , 𝑆𝑐𝑖𝑗 )
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝑛 𝑛
𝒇𝟏𝟏 Taux de réussite (Sr) 𝑆𝑟𝑐𝑠 𝑆𝑟𝑐𝑠
𝑆𝑟𝑐𝑠 = ∏ 𝑆𝑟𝑖𝑗 = 𝑆𝑟𝑖𝑗 𝑆𝑟𝑐𝑠 = ∏ 𝑆𝑟𝑖𝑗 = min(𝑆𝑟1𝑗 , 𝑆𝑟2𝑗 , … , 𝑆𝑟𝑖𝑗 )
𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖 𝑖=1 ∆ 𝑆𝑖𝑗 ∈𝑆𝑖
𝒇𝟏𝟐 Débit (T) 𝑇𝑐𝑠 𝑇𝑐𝑠 = 𝑇𝑖𝑗 𝑇𝑐𝑠 𝑇𝑐𝑠 = min(𝑇1𝑗 , 𝑇2𝑗 , … , 𝑇𝑖𝑗 )
= min(𝑇1𝑗 , 𝑇2𝑗 , … , 𝑇𝑖𝑗 ) = min(𝑇1𝑗 , 𝑇2𝑗 , … , 𝑇𝑖𝑗 )

Remarque : 𝑘 est le nombre de répétition de la boucle.

Le problème est de trouver une composition optimale des services, avec un faible coût et
temps de réponse, une haute classification des services, disponibilité, documentation, précision,
fiabilité, réputation, taux de réussite, débit et sécurité en en moins de temps que possible, compte
tenu de l'emplacement des services.

Par conséquent, en accordant un poids égal à chaque propriété de QoS décrite dans le (Tableau
11) ; Par conséquent, le problème de composition de service consiste à optimiser les 12 objectifs
suivants.

• Disponibilité (A) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟏 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝐴) (1)

• Coût (C) : il est censé être aussi minimal que possible.

𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟐 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝐶) (2)

• Documentation (D) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟑 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝐷) (3)
• Emplacement (L) : il est censé être le plus maximal que possible.
𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟒 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝐿) (4)

• Précision (P) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟓 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑃) (5)

• Fiabilité (R) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟔 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑅) (6)

• Temps d’exécution (Rt) : il est censé être aussi minimal que possible.
𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟕 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑅𝑡) (7)

87
 • Réputation (Rp) : il est censé être le plus maximal que possible.
𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟖 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑅𝑝) (8)

• Sécurité (S) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟗 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑆) (9)

• Classification des services (Sc) : il est censé être le plus maximal que possible.
𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟏𝟎 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑆𝑐) (10)

• Taux de réussite (Sr) : il est censé être le plus maximal que possible.
𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟏𝟏 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑆𝑟) (11)

• Débit (T) : il est censé être le plus maximal que possible.

𝑚𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒇𝟏𝟐 = 𝑎𝑔𝑔𝑟𝑒𝑔𝑎𝑡𝑖𝑜𝑛 (𝑇) (12)

Les 12 fonctions objectives ci-dessus peuvent être combinées en une seule fonction objective
« 𝑓 », comme suit :

𝑓 = maximiser(𝑤1 𝑓1 + 𝑤3 𝑓3 + 𝑤4 𝑓4 + 𝑤5 𝑓5 + 𝑤6 𝑓6 + 𝑤8 𝑓8 + 𝑤9 𝑓9 + 𝑤10 𝑓10 +

𝑤11 𝑓11 + 𝑤12 𝑓12 − 𝑤2 𝑓2 − 𝑤7 𝑓7 ) (13)

Ici, 𝑤𝑖 est le poids de chaque propriété QoS, tel que :

12

∑ 𝑤𝑖 = 1
𝑖=1

4. L’algorithme génétique

Compte tenu de facteurs tels que les contraintes d'espace et de temps, l'efficacité énergétique et
la configurabilité des services IoT, la sélection des services IoT pour la composition des services
est réduite à un problème d'optimisation multi-objectifs et multi-contraintes.

L'optimisation consiste à utiliser la ressource de la manière la plus efficace. Cela signifie

maximiser ou minimiser certains attributs via une fonction objective [6], des algorithmes
heuristiques tels que l'algorithme génétique (GA), l'optimisation des colonies de fourmis (ACO)
et l'optimisation des essaims de particules (PSO) sont adoptés pour trouver la composition
optimale du service IoT.

Certains algorithmes d'optimisation globale sont couramment utilisés aujourd'hui, tels

que l'algorithme d'énumération, l'algorithme glouton, la méthode Backtracking, la
programmation dynamique et les algorithmes génétiques [124] etc…. Cependant, l'efficacité
temporelle et spatiale de la méthode d’énumération est relativement faible, un algorithme
glouton ne peut garantir l'acquisition d'une solution optimale, le coût en temps de la méthode
Backtracking et de la programmation dynamique augmente de façon exponentielle en fonction
de l'ampleur du problème.

88
 Par rapport aux algorithmes ci-dessus, l’algorithme génétique (GA) peut aider à obtenir
une solution optimale ou quasi optimale à un coût de calcul relativement faible. Tant que la
fonction de fitness est modélisée mathématiquement, GA peut être utilisé pour résoudre un
problème d'optimisation à grande échelle et il est donc préféré lorsque nous voulons rechercher
dans un grand espace d'états.

Ces algorithmes d'optimisation sont basés sur les théories de l'informatique évolutive et
génétique, et ils sont utilisés pour optimiser les configurations d’une application (ensemble de
services qui constituent l'application). Les algorithmes effectuent l'optimisation sur la base des
exigences de l’utilisateur en termes de qualité de service et les critères spécifiés pour
l’optimisation. Par exemple, une configuration de l'application peut être optimisée afin de
minimiser la consommation globale de l'application en termes de bande passante et de
maximiser les propriétés de la QoS spécifiée par l’utilisateur.

Ces algorithmes sont génériques et supportent :

1. Les critères personnalisables qui peuvent inclure plusieurs objectifs d'optimisation
simultanés.
2. Les différents types de propriétés de la QoS d’une application qui peuvent être
ajoutées ou supprimées des descriptions des services au moment de l'exécution selon
les besoins.

L'algorithme génétique (GA) est le choix relativement judicieux pour résoudre le

problème d'optimisation globale de la composition du service. L’GA est un algorithme
heuristique utilisé pour rechercher la solution optimale en simulant le processus naturel [14],
dans l'GA classique [125], le critère d'arrêt de l'algorithme est pris comme étant N= Nmax, N
étant le nombre d’itérations. Cependant, pour certains scénarios d'application en temps quasi réel
dans le contexte de l'Internet des objets, il est nécessaire d'accélérer le processus de composition
des services d'information. Pour gérer cela, la préservation de l'élitisme est utilisée pour
améliorer l'efficacité de l'algorithme. Sinon, la similarité de population est utilisée comme
conditions de terminaison supplémentaires de l'algorithme. Il est tout à fait possible de créer des
individus au hasard. Et cette méthode apporte un concept très utile dans les algorithmes
génétiques : la diversité. Plus les individus de la population initiale sont différents les uns des
autres, plus nous aurons la chance d'y trouver, non pas la solution parfaite, mais de quoi
fabriquer les meilleures solutions possibles.

4.1. L’algorithme génétique multi-population (MGA)

L'algorithme génétique multi-population (MGA) [126] divise les individus en plusieurs groupes
ou sous-populations en fonction des valeurs de fitness. Les individus d'une même communauté
ont la possibilité de se jumeler. Si une personne produit une forme physique très bien ajustée, la
personne migre de son groupe d'origine vers le groupe approprié avec une valeur de forme
physique plus élevée, et vice versa. Ainsi, tous les individus de la population bénéficient des
mêmes chances, quelle que soit leur condition physique ou leur condition physique élevée. Cela
permet à MGA de maintenir la diversité de la population. Aussi, MGA est facile à paralyser car
toute la population est déjà divisée en plusieurs sous-populations (Figure 18).

89
 Individus Individus Individus

Sélection Sélection Sélection

Croisement Croisement Croisement

Mutation Mutation Mutation

Progéniture Progéniture Progéniture

Figure 18 Le Framework de MGA

4.2. La Fonction de Fitness

Dans le modèle de Darwin, les individus présentant les meilleures caractéristiques ont de
meilleures chances de survivre et de se reproduire. Pour déterminer cette capacité de survie,
nous utiliserons une fonction mathématique appelée fonction de fitness ou fonction objectif (14).

𝑓 =𝑤1 𝑓1 + 𝑤3 𝑓3 + 𝑤4 𝑓4 + 𝑤5 𝑓5 + 𝑤6 𝑓6 + 𝑤8 𝑓8 + 𝑤9 𝑓9 + 𝑤10 𝑓10 + 𝑤11 𝑓11 + 𝑤12 𝑓12 − 𝑤2 𝑓2 −

𝑤7 𝑓7 ) (14)

Ici, 𝑤𝑖 est le poids, et 𝑓𝑖 est l'agrégation de chaque propriété QoS citée dans le (Tableau 11),
telle que :
12

1 > 𝑤𝑖 > 0 𝑎𝑛𝑑 ∑ 𝑤𝑖 = 1

𝑖=1

4.3. Codage chromosomique et opérateurs génétiques

L'encodage définit la représentation des variables du problème à leur manipulation par

l'algorithme évolutif, ainsi chaque chromosome représente une composition de service possible.

Nous supposons que tous les services ont été numérotés avec des nombres entiers, le
chromosome est représenté par un tableau dont la taille est égale au nombre de tâches, et la
valeur de chaque position dans le vecteur indique l'ordre du service candidat pour la tâche. Par
exemple, dans notre cas d’étude ; le processus d'encodage de la solution est illustré à la (Figure

90
19). Ici (3,5,1,2,4,7,6) indique qu'il y a 7 tâches dans le service composite (basé sur notre service
composite pour l'urgence hospitalière Figure 21).

Pour bien illustrer notre cas d’étude qui contient des services qui s’exécutent en parallèle, une
deuxième colonne est donc ajoutée pour représenter l’ordre d’exécution en parallèle, par
exemple dans la (figure 19) le service 5 et 1 s’exécute au même temps. Pareille pour les services
4,7 et 6.

Identifiant du service 3 5 1 2 4 7 6
L’ordre d’exécution en parallèle 1 2 2 3 4 4 4

Figure 19 Encodage des Chromosomes

L'opérateur de sélection est l'opérateur le plus important, son objectif est de trouver les
meilleurs individus pour la sélection de la nouvelle population et la reproduction, c'est-à-dire la
sélection des individus pour le croisement et la mutation. Nous avons utilisé la roue de loterie
biaisée (roulette wheel) de Goldberg (1989). Selon cette méthode, chaque chromosome sera
dupliqué dans une nouvelle population proportionnellement à sa valeur d'adaptation.

On effectue, en quelque sorte, autant de tirages avec remises qu'il y a d'éléments dans la
population. Cette méthode consiste en la distribution de la conversation de sélection
proportionnellement à la valeur de fitness.

La probabilité avec laquelle le chromosome sera réintroduit dans la nouvelle population de taille
𝑛 est :
𝒇(𝒙𝒊 )
𝝋(𝒙𝒊 ) = 𝑛 (15)
∑𝑖=1 𝒇(𝒙𝒊 )

𝑺𝒖𝒎 = ∑𝑛𝑖=1 𝜑𝑖 = 1 (16)

𝒇 Est la valeur de fitness pour chaque individu, et 𝒏 est la taille de la population, 𝑺𝒖𝒎 est la
somme des 𝝋(𝒙𝒊 ).

Algorithme 1 Fonction (roulette wheel) pour le tirage proportionnel à la valeur fitness des chromosomes
Input Population of Individual (xi ) of current generation
Output 2 Individuals (xi ) chosen for the next population
// 𝑛_𝑠𝑒𝑙𝑒𝑐𝑡𝑥𝑖 is the number of times that the individual has been selected
Step 1 i is integer = 1
Step 2 For y=1 to 2 (repeat the process 2 times)
Step 3 S is a real = 0 (Cumulative probability)
Step 4 r is a real = Random (0, 1) « 0 <r <1»
Step 5 For each individual (xi )
Step 6 Calculate φ(xi )

91
Step 7 If (S < r)
Step 8 S=S+ φ(xi )
Step 9 else
Step 10 n_select xi =n_select xi +1
Step 11 End
Step 12 i++
Step 13 End
Step 14 End
Step 15 Chose the most selected 2 Individuals (xi )

Les 2 individus qui ont été choisi plusieurs fois à l'aide de l’algorithme 1, ont la
possibilité de participer à la population suivante ou au croisement en un point, il a le même
principe que la Roulette du casino. Un croisement en un point (Algorithme 5) est utilisé, en
appliquant les deux règles de la fonction (17).

Offspring_1=begin_father+end_mother
Offspring_2=begin_mother+end_father (17)

Une mutation aléatoire (Algorithme 6) a été appliquée pour maintenir la diversité des
individus, en changeant les valeurs du service sélectionné au hasard, le service sélectionné doit
être dans la même classe de service que celui modifié.

Aussi, une méthode de surveillance (Algorithme 3) est utilisée pour surveiller chaque
point (gène) de chaque chromosome, chaque point (gène) représente un service donné, si un
service devient indisponible ou lorsque des pannes/exceptions surviennent, ce service est
instantanément remplacé par un autre de sa classe de service. Cela nous permettra de nous
remettre de la situation inattendue afin que l'application continue son exécution sans
interruption. Pour gagner du temps d'exécution, l'idée est d'exploiter la boucle de notre
algorithme de sélection (Algorithme 4) lors du calcul de la valeur de fitness.

Pour résumer, notre algorithme génétique multi-population (P-MPGA) (Algorithme 2), consiste
tout d’abord à diviser la population globale (GP) en (m) sous population (Pi) en fonction du
nombre d’individus global (N). Pour chaque sous population (Pi) en parallèle, on calcule la
valeur fitness de chaque individu de la population courante (Pi), tous les individus doivent être
triés en fonction de leurs valeurs locales. Ensuite, notre algorithme de sélection
(improved_select), notre algorithme de croissement (improved_crossover) et notre algorithme de
mutation (improved_mutation) sont alors exécuter jusqu’à ce qu’on arrive au nombre maximum
de génération (T) ou au critère d’arrêt tout simplement.

Algorithme 2 Notre algorithme génétique multi-population (P-MPGA)

Input Available IoT services
Output An approximately optimal chromosome
//GP Global population
//P The population of current generation
//N The number of individuals (global)
//m The number of sub-populations

92
//n The number of individuals of each sub-population
//t The number of current generations
//T The maximum number of generations
//𝑝𝑚 , 𝑝𝑐 The probability of mutation and crossover
Step 1 Divide (GP) to (m) sub-population according to (N)
Step 2 initialize each population randomly
Step 3 t=0
Step 4 for i = 1 to m in parallel
Step 5 while (t<=T) and not ‘stopping criterion’ do
Step 6 Fitness (Pi) using (14)
Step 7 Sort (Pi) according to local values
Step 8 Improved_Select(Pi)
Step 9 Improved_Crossover(Pi) according to pc
Step 10 Improved_Mutation(Pi) according to pm
Step 11 Update_population(Pi )
Step 12 t = t+1
Step 13 end while
Step 14 end for

Algorithme 3 Notre algorithme de surveillance (Monitoring)

Input Individual (xi )
Output A safe Individual (xi )
//p A point of (pj) or the gene
//Sc Service class
Step 1 for each (pj)
Step 2 If (pj) is not safe ()

93
Step 2 Replace (pj) with another service picked up from same (Sci)
Step 3 End
Step 4 End

Population initiale

Deviser en sous- population

Pour chaque sous

population
Oui
Critères de
Solution optimale
terminaison??

Non

Improved_Select

Improved_Crossover

Improved_Mutation

Update_population

Algorithme 4 Notre algorithme de sélection amélioré (improved_select)

Input Population of Individual (xi ) of current generation
Output 2 Individuals (xi ) chosen for the next population
// 𝑛_𝑠𝑒𝑙𝑒𝑐𝑡𝑥𝑖 is the number of times that the individual has been selected
Step 1 i is integer = 1
Step 2 For y=1 to 2 (repeat the process 2 times)
Step 3 S is a real = 0
Step 4 r is a real = Random (0, 1) « 0 <r <1»
Step 5 For each individual (xi )
Step 6 Monitoring (xi )
Step 7 Calculate φ(xi ) (Cumulative probability)
Step 8 If (S < r)
Step 9 S=S+ φ(xi )
Step 10 else
Step 11 n_select xi =n_select xi +1
Step 12 End
Step 13 i++
Step 14 End
Step 15 End
Step 16 Chose the most selected 2 Individuals (xi )

94
 Population initiale

Deviser en sous- population

Pour chaque sous

population
Oui
Critères de
Solution optimale
terminaison??

Non

Improved_Select

Improved_Crossover

Improved_Mutation

Update_population

Algorithme 5 Notre algorithme de croisement amélioré (improved_crossover)

Input Population (𝐏𝐢)
Output 2 new individuals
//P The population of current generation
// x Individual of (𝐏𝐢)
//po The one point
// x_father Individual father for the crossover
// x_mother Individual mother for the crossover
//b_father The begin of the father according to po
//e_father The end of the father according to po
//b_mother The begin of the mother according to po
//e_mother The end of the mother according to po
//os_1 Offspring 1
//os_2 Offspring 2
Step 1 Choose the two-best induvial for x_father & x_mother respectively
Step 2 Choose a random one point
Step 3 os_1= b_father + e_mother
Step 4 os_2=b_mother + e_father

95
 Population initiale

Deviser en sous- population

Pour chaque sous

population
Oui
Critères de
Solution optimale
terminaison??

Non

Improved_Select

Improved_Crossover

Improved_Mutation

Update_population

Algorithme 6 Notre algorithme de mutation amélioré (improved_mutation)

Input Individual (xi )
Output Individual (xi ) with a mutation for the new generation
//p The random point (gene) for the mutation
//Sc Service class of (xi )
// x_service New service from (Sci)
Step 1 po = random (1,7)
Step 2 x_service= service picked up from (Sci)
Step 3 Replace p with x_service

5. Conclusion
Dans ce chapitre, Notre étude nous a montré que l’architecture Fog-IoT en cinq couches peut
répondre aux exigences de l'IoT et satisfaire au maximum les critères cités dans le chapitre 3.

Aussi L'utilisation du Fog computing et la défragmentation de la couche Transport en

quatre sous-couches (sécurité, stockage, pré-traitement & surveillance) comme le montre la
(Figure 16) nous permet d'avoir plusieurs avantages essentiels à l’environnement IoT.

Compte tenu de facteurs tels que les contraintes d'espace et de temps, l'efficacité
énergétique et la configurabilité des services IoT, la sélection des services IoT pour la
composition des services est réduite à un problème d'optimisation multi-objectifs et multi-
contraintes. Un algorithme génétique multi-population sensible aux QoS P-MPGA est proposé

96
qui pour but d’utiliser les ressources de la manière la plus efficace pour l'optimisation. Cela
signifie maximiser ou minimiser certains attributs QoS.

Dans le prochain chapitre, nous évaluerons notre algorithme génétique multi-populations (P-
MPGA) en le comparant aux algorithmes génétiques traditionnels (GA) [14] et à l'algorithme
génétique (MGA) proposés dans [15].

97
 CHAPITRE 5

Configuration expérimentale et
évaluation
Sommaire

1. Configuration utilisée
2. Résultat de l’expérimentation et discussion
3. Conclusion

Dans ce chapitre, nous évaluons notre algorithme génétique multi-populations (P-MPGA)

(algorithme 2) en le comparant à l’algorithme génétique traditionnel (GA) [14] et à l'algorithme
génétique (MGA) proposés dans [15].

La comparaison entre notre algorithme génétique multi-populations (P-MPGA) qui fait

des traitements en parallèles avec un algorithme génétique traditionnel, a pour but de montrer
l’efficacité et la performance en termes de temps d'exécution entre un GA traditionnel et un GA
parallèle. Ensuite, c’est judicieux de comparer notre algorithme P-MPGA avec l'algorithme
génétique multi-population (MGA) proposés dans [15] qui est lui-même un algorithme multi-
objectifs QoS pour la composition de services dans l'IoT.

Nous exécutons P-MPGA, GA et MGA 10 fois et utilisons les valeurs moyennes pour
l'évaluation.

1. Configuration utilisée
Les algorithmes ont été implémentés avec Java à l'aide de PC-Soft Windev23 IDE et
fonctionnaient sur un ordinateur portable Intel i7-6820HQ 2.71Ghz, SDD, 16 Go de RAM,
ordinateur portable avec Windows 10.

Pour illustrer l'idée de notre composition de service, un exemple de l'urgence hospitalière

est utilisé, qui consiste aux processus de secourir une personne au cas de besoin en passant du
trajet de l’ambulance jusqu’à l’hôpital x.

Nous supposons que notre système est équipé de différents dispositifs, dont des capteurs
et une caméra, toutes les expériences sont basées sur le processus présenté dans la (Figure 21),
qui représentent un exemple de service composite pour notre cas d'étude. Il contient environ sept
services et chacun peut être lui-même un service composite, comme la sélection de la route ou le
contrôle automatique des feux de circulation sur le parcours de l'ambulance, qui consiste à
laisser passer l'ambulance en donnant le feu vert. Le tableau 12 énumère la signification de
chacun d'eux.

98
 Dans notre approche, une classe de service (Sc) pour un service IoT est un tuple (nm,
dsc, op) où :
• nm est le nom du service
• dsc est la description textuelle du service
• op est une opération du service. Ici, nm, dsc et op sont les mêmes que ceux
spécifiés pour les services.

Nos expériences sont basées sur une base de données de service disponible publiquement
QWS Dataset (2.0) [127], nous étendons la taille du jeu de données QWS de manière aléatoire.
Le nombre de services est finalement étendu à 10 000 et 12 attributs QoS sont sélectionnés pour
nos expérimentations, à savoir Disponibilité (A), Coût (C), Documentation (D), Emplacement
(L), Ressources mémoire (M), Précision (P), Fiabilité (R), Temps de réponse (Rt), Réputation
(Rp), Sécurité (S), Classification de service (Sc), Taux de réussite (Sr), Débit (T), ils sont liés au
2e, 8e, 9e, 6e, 5e, 12e, 1er, 7e, 10e, 11e, 4e, 3e, champs de la base de données QWS
respectivement.

Tableau 12 Service classes (Sc).

Sc Id Nom et description du Sc
Sc1 Choisir un hôpital : comme le nom l’indice, ces
services (ou services composés) ont pour but de
trouver l’hôpital le plus optimal selon certains
critères précis (distance, disponibilité, etc..)
Sc2 Ramasser une ambulance : l’ensemble de services et
services composés qui consiste à trouver
l’ambulance la plus adéquate pour ramasser le
patient et l’emmener à l’hôpital.
Sc3 Envoyer les informations du patient à l'hôpital
Sc4 Choisir le meilleur chemin de l'ambulance vers
l'hôpital
Sc5 Feux de circulation : l’ensemble de services et
services composés qui consiste à faciliter la
circulation routière en utilisant des feux de
circulation, ces services composés se basent sur
plusieurs capteurs et caméras.
Sc6 Notifier les voitures publiques : l’ensemble de
services et services composés qui consiste à faciliter
la circulation routière en notifiant les voitures
publiques par exemple.
Sc7 Avertir les autorités : l’ensemble de services et
services composés qui consiste à faciliter la
circulation routière en avertissant les autorités
comme la police par exemple.
Initialisation et fin du processus
Init Urgence signalée : grâces soit ; à des capteurs, des
caméras, des objets intelligents (comme les
smartphones ou smart-Watch ou tout simplement
l’intervention humaine.)
End L’arrivée du patient à l'hôpital choisi

99
 Figure 20 QWS Dataset (2.0) [127]
Dans la (Figure 20), chaque ligne représente un service IoT et chaque colonne c’est une valeur
QoS du même service.

Dans notre expérimentation, nous supposons que le schéma de composition est déjà défini
(figure 21). Chaque lieu Sci comme dans Sc1, est une représentation de la sélection entre les
services « Ramasser une ambulance » qui sont disponible dans le service classe (Sc2).

Sc5

Sc2 Sc4 Sc6

Init Sc1 End

Sc7

Sc3

Ambulance 1

P.A2

P.A j

Figure 21 Le schéma de la composition de services pour l'urgence

hospitalière Fog-IoT

100
 Init
1
Détection de l’urgence
Trouver un hôpital

Smart phones / smart

Caméras
Watch

Différents Capteurs Interventions humaines

2

Ramasser l’ambulance

3
Transférer les
Urgence informations du patient

Passerelle
(Fog)
Cloud

Surveillance 4
Demande pour un
7 itinéraire optimal
Envoyer l’alerte pour
tous les postes et aux
autorités, ainsi que les
véhicules
6

Figure 22 Urgence hospitalière Fog-IoT

101
 La (Figure 22) est une représentation de l’ensemble des processus de composition de
services IoT pour notre cas d’étude “l’urgence hospitalière”, pour commencer l’urgence est
détectée soit par des capteurs qui se situent sur le corps de la personne (par exemple des capteurs
intégrés dans une Smart-Watch ou un smartphone), ou bien par le biais des caméras de
surveillance, une intervention humaine peut être aussi un déclencheur de se processus (par un
appel téléphonique par exemple). Dés que l’urgence est signalée, une notification est alors
envoyée vers notre Fog-IoT (passerelle de la zone ou se situe l’incident). Apres l’analyse de la
situation, plusieurs services alors sont déclenchés soit en séquentielle ou bien en parallèle tout en
gardant contacte avec notre centre de calcule (Fog-IoT) qui a pour rôle de gérer l’ensemble des
opérations, le processus de composition se poursuit jusqu’a l’arriver du patient à l’hôpital choisi.
Chaque Fog-IoT dispose d’un système de surveillance qui a pour but de surveiller tous les
services autour de lui.

Figure 23 Notre environnement de simulation développé

Tableau 13 Paramètre P-MPGA

Nombre de services disponibles 10 000
Taille de la population 5 000
Nombre de générations 2 000

Méthode de sélection Roulette wheel

Type de croisement Un point
Probabilité de croisement 90%
Type de mutation Choix aléatoire parmi un
Sc spécifique
Probabilité de mutation 10%
Nombre d'itérations 40

102
2. Résultat de l’expérimentation et discussion
Dans cette section, nous présentons les résultats obtenus par notre P-MPGA par rapport à GA et
MGA, nous avons utilisé les mêmes opérateurs génétiques, paramètres (présentés dans le
Tableau 13) et la même fonction de fitness pour tous les algorithmes, nous avons également
utilisé quatre sous-populations pour P- MPGA.

La (Figure 24) montre qu'avec P-MPGA, le temps d'exécution est considérablement

réduit par rapport à GA & MGA. La (Figure 25) montre que le P-MPGA fonctionne mieux que
GA et MGA, le P-MPGA converge mieux vers la valeur de fitness maximale.

200 000,00
180 000,00
Execution time (ms)

160 000,00
140 000,00 P-MPGA

120 000,00
MGA
100 000,00
80 000,00 GA
60 000,00
40 000,00
20 000,00
0,00
1 3 5 7 9 111315171921232527293133353739
Number of iterations

Figure 24 Comparaison entre-MPGA, MGA & GA (temps d'exécution)

103
 0,600

Average fitness value

0,500

0,400
P-MPGA
0,300
MGA
0,200
GA
0,100

0,000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Number of iterations

Figure 25 Comparaison des valeurs de fitness obtenues par P-MPGA, MGA et GA

Tableau 14 Ratio (Durée d'exécution / Meilleure valeur de fitness) après 40 itérations.

Méthode Meilleur valeur fitness Temps d'exécution (ms) Ratio
Avec 5 000 Services
MGA 0,5555995702744 179590,0000 323236,3911
GA 0,5517482757568 172156,0000 312019,0992
P-MPGA 0,4922352731228 16775,7500 34080,7555
Avec 10 000 Services
MGA 0,5178905129433 191 823,0000 370392,9599
GA 0,5178905129433 173699,0000 335397,1460
P-MPGA 0,5178905129433 16 752,2500 32347,0880
Avec 15 000 Services
MGA 0,4989299476147 219 689,0000 440320,3316
GA 0,4989299476147 195192,0000 391221,2545
P-MPGA 0,4989299476147 18 655,7500 37391,5218
Avec 20 000 Services
MGA 0,6055026650429 234 021,0000 386490,4541
GA 0,5641102790833 201543,0000 357275,8864
P-MPGA 0,5641102790833 18 946,2500 33586,0747

Le (tableau 14) représente la valeur de fitness optimale obtenue après 40 itérations avec
le temps d’exécution, malgré l'augmentation du nombre de services (5000,10000,15000 &
20000), le P-MPGA montre un meilleur ratio (temps d'exécution/valeur de fitness optimale).

Sur la (Figure 26), malgré l'augmentation de la population initiale, le P-MPGA obtient

toujours une bonne valeur de fitness optimale, ce qui rend notre algorithme évolutif.

104
 0,518400

Optimal fitness value

0,518200

0,518000

0,517800

0,517600

0,517400

0,517200

0,517000
5000 10000 15000 20000 25000
Population

Figure 26 Valeurs de fitness optimales obtenues par P-MPGA en fonction de la population

3. Conclusion
Dans ce chapitre, nous avons évalué notre algorithme génétique multi-populations (P-MPGA) en
le comparant aux algorithmes génétiques traditionnels (GA) [14] et à l'algorithme génétique
(MGA) proposés dans [15]. Les résultats expérimentaux montrent les excellents résultats de P-
MPGA en termes de temps d'exécution, la moyennes de la valeurs fitness et un rapport temps
d'exécution / meilleure valeur de fitness malgré l'augmentation de la population initiale.

Dans la section prochaine, nous conclurons et discuterons les perspectives de ce travail.

105
 CONCLUSION GENERALE

Conclusion et perspective
Sommaire

1. Récapitulatif du travail réalisé et des contributions

2. Perspectives

1. Récapitulatif du travail réalisé et des contributions

L'internet des objets (IoT) est une technologie émergente qui devient de plus en plus populaire.
L’IoT est une fusion entre l'espace d'information et l'espace physique, connue sous le nom
d'interconnexion d'ordinateurs embarqués, de capteurs, d'appareils mobiles ou d'autres objets
identifiables de manière unique, qui sont capables d'interagir les uns avec les autres et de
coopérer avec l'environnement pour atteindre des objectifs communs, en exploitant
l'infrastructure Internet existante.

L’IoT consiste à connecter un grand nombre d'objets quotidiens à Internet, en leur

donnant leur propre identité, leur permettant ainsi d'offrir des fonctionnalités et de collecter des
informations sous la forme d'un service. Afin de répondre à la demande compliquée de
l'utilisateur, la plupart des périphériques IoT ne fonctionnent pas seuls, une composition de
service multiple doit être faite, et elle est définie comme la composition des services.

La composition des services consiste à combiner la fonctionnalité de plusieurs services

au sein d'un seul processus afin de répondre à des demandes complexes qu’un seul service ne
peut satisfaire [1]. La composition de service offre la possibilité d'effectuer des activités
complexes à partir de services existants, et les services composés forment un nouveau service,
qui peut être réutilisé dans une autre composition [2].

La croissance de l'Internet des Objets (IoT) implique la disponibilité d'un très grand
nombre de services qui peuvent être similaires ou identiques, la gestion de la Qualité de Service
(QoS) permet de différencier un service d'un autre. Dans cette thèse, nous avons présenté une
approche de composition de service adaptative basée sur la QoS en utilisant un algorithme
génétique multi-population dans un environnement Fog-IoT-Healthcare.

Cette Thèse est organisée en deux partie soit six chapitres. La première partie est
consacrée à l’introduction et l’analyse de l’état de l’art. Dans la deuxième nous présenterons
notre Contribution et sa validation.

Le premier chapitre présente le cadre général et la problématique de la recherche. Ce

chapitre identifie également les objectifs de la thèse et présente brièvement les principales
contributions.
Le deuxième chapitre est consacré à la présentation de concepts de base et fondamentaux
qui serviront à clarifier les termes utilisés tout au long du document. Aussi, une partie de ce

106
chapitre parle des défis de l’IoT avec une comparaison entre la composition de services Web et
celle de l'IoT.

Le troisièmes chapitre traite certaines approches proposées populaires qui peuvent être
considéré pour la composition de services dans l'IoT. Puis dans sa deuxième partie, nous avons
présenté une étude comparative entre les approches déjà proposées. Nous avons commencé notre
enquête en introduisant quelques critères spécifiques, qui sont basés sur les défis fondamentaux
de la composition des services cités précédemment dans le chapitre 2.

Dans le quatrième chapitre, nous avons présenté notre architecture à cinq couches basées sur le
concept Fog-IoT, le modèle QoS utilisé et notre algorithme génétique multi-population sensible
aux QoS P-MPGA.

Dans le cinquième chapitre, nous avons évalué notre algorithme génétique multi-
populations (P-MPGA) (algorithme 1) en le comparant aux algorithmes génétiques traditionnels
(GA) [14] et à l'algorithme génétique (MGA) proposés dans [15]. Nous exécutons P-MPGA, GA
et MGA 10 fois et utilisons les valeurs moyennes pour l'évaluation. Enfin dans ce dernier
chapitre qui est le sixième, nous terminons cette thèse par une conclusion générale et des
quelques perspectives sur des travaux futurs.

Pour conclure, cette thèse nous a permis de comprendre ce qui a été fait (protocoles,
algorithmes, solutions proposées) et ce qui reste à traiter. Les problèmes d'architecture IoT-cloud
nous ont amenés à utiliser l'architecture à 5 couches implémentée sur un système informatique
Fog-IoT, particulièrement la couche de traitement. Notre travail s'est concentré sur cette couche
traitement (Processing) où nous l'avons divisée en quatre sous-couches (sécurité, stockage, pré-
traitement et surveillance), cela nous permet d'avoir des avantages prometteurs, et en se basant
sur cela, nous avons mis en œuvre un algorithme génétique multi-population sensible à la QoS
(P-MPGA), et nous avons considéré 12 attributs QoS, c'est-à-dire la disponibilité (A), le coût
(C), la documentation (D), l'emplacement (L), les ressources mémoire (M), Précision (P),
Fiabilité (R), Temps de réponse (Rt), Réputation (Rp), Sécurité (S), Classification de service
(Sc), Taux de réussite (Sr), Débit (T).

P-MPGA met en œuvre une méthode de sélection intelligente qui nous permet de
toujours sélectionner le bon service. En outre, une fonction est utilisée pour surveiller les
services afin de gérer le changement dynamique des environnements IoT. Les résultats
expérimentaux montrent les excellents résultats de P-MPGA en termes de temps d'exécution, la
moyennes de la valeurs fitness et un rapport temps d'exécution / meilleure valeur de fitness
malgré l'augmentation de la population initiale. P-MPGA peut rapidement atteindre un service
composite satisfaisant les besoins de QoS de l'utilisateur, ce qui le rend approprié pour un
environnement IoT à grande échelle.

2. Perspectives
À la suite des réalisations que nous avons réussi à mener à bien, dans le cadre de cette thèse,
plusieurs perspectives peuvent être planifiées afin d’optimiser et améliorer la démarche proposée
:

107
 • Se concentrer davantage sur le système de surveillance, la consommation d'énergie du
Framework et évaluer notre modèle dans le système de service du monde réel (urgence
d'ambulance), qui est un cas d'étude important pour la vie humaine.
• Implémenter l’approche proposée en utilisant éventuellement des simulations dans le
monde réel et l’appliquer sur un véritable ensemble de données

Pour finir, l’Interne des objets (IoT) est un domaine récent et émergeant. Ainsi, plusieurs axes de
recherche restent à étudier.

108
 Bibliographie

[1] D. Berardi, D. Calvanese, G. D. Giacomo, M. Lenzerini, and M. Mecella, “A foundational

vision of e-services,” C. Bussler, D. Fensel, M. E. Orlowska, J. Yang, Ed. Vol. 3095 Lect.
Notes Comput. Sci., pp. 28–40, 2003.
[2] I. Aoudia, S. Benharzallah, L. Kahloul, and O. Kazar, “Service composition approaches
for internet of things : a review,” Int. J. Commun. Networks Distrib. Syst., vol. 23, no. 2,
pp. 194–230, 2019, doi: 10.1109/TASE.2016.2539240.
[3] I. Aoudia, S. Benharzallah, L. Kahloul, and O. Kazar, “A comparative analysis of IoT
service composition approaches,” Int. Arab Conf. Inf. Technol. Yassmine Hammamet,
Tunis., pp. 1–7, 2017.
[4] D. E. D. Abou-Tair, S. Büchsenstein, and A. Khalifeh, “A fog computing-based
framework for privacy preserving IoT environments,” Int. Arab J. Inf. Technol., vol. 17,
no. 3, pp. 306–314, 2020, doi: 10.34028/iajit/17/3/4.
[5] A. Sarhan, “Fog Computing as Solution for IoT-Based Agricultural Applications,” in
Smart Agricultural Services Using Deep Learning, Big Data, and IoT, no. January 2021,
IGI Global, Ed. 2021, pp. 46–68.
[6] N. Kashyap, A. C. Kumari, and R. Chhikara, “Service Composition in IoT using Genetic
algorithm and Particle swarm optimization,” Open Comput. Sci., vol. 10, no. 1, pp. 56–64,
2020, doi: 10.1515/comp-2020-0011.
[7] I. Mashal, O. Alsaryrah, T. Y. Chung, C. Z. Yang, W. H. Kuo, and D. P. Agrawal,
“Choices for interaction with things on Internet and underlying issues,” Ad Hoc Networks,
vol. 28, pp. 68–90, 2015, doi: 10.1016/[Link].2014.12.006.
[8] O. Said and M. Masud, “Towards internet of things: Survey and future vision,” Int. J.
Comput. Networks, vol. 5, no. 1, pp. 1–17, 2013, [Online]. Available:
[Link]
[9] M. Yun and B. Yuxin, “Research on the architecture and key technology of Internet of
Things (IoT) applied on smart grid,” 2010, doi: 10.1109/ICAEE.2010.5557611.
[10] D. G. Darwish and E. Square, “Improved Layered Architecture for Internet of Things,”
Int. J. Comput. Acad. Res., vol. 4, no. 4, pp. 214–223, 2015, [Online]. Available:
[Link]
[11] S. Madakam, R. Ramaswamy, and S. Tripathi, “Internet of Things (IoT): A Literature
Review,” J. Comput. Commun., vol. 03, no. 05, pp. 164–173, 2015, doi:
10.4236/jcc.2015.35021.
[12] P. Sethi and S. R. Sarangi, “Internet of Things: Architectures, Protocols, and
Applications,” J. Electr. Comput. Eng., vol. 2017, 2017, doi: 10.1155/2017/9324035.
[13] S. M. A. Oteafy and H. S. Hassanein, “IoT in the Fog: A Roadmap for Data-Centric IoT
Development,” IEEE Commun. Mag., 2018, doi: 10.1109/MCOM.2018.1700299.
[14] M. Sun, Z. Shi, S. Chen, Z. Zhou, and Y. Duan, “Energy-Efficient Composition of
Configurable Internet of Things Services,” IEEE Access, vol. 5, pp. 25609–25622, 2017,
doi: 10.1109/ACCESS.2017.2768544.

109
[15] Q. Li, R. Dou, F. Chen, and G. Nan, “A QoS-oriented Web service composition approach
based on multi-population genetic algorithm for Internet of things,” Int. J. Comput. Intell.
Syst., vol. 7, no. SUPPL.2, pp. 26–34, 2014, doi: 10.1080/18756891.2014.947090.
[16] I. Aoudia, S. Benharzallah, L. Kahloul, and O. Kazar, “A Multi-Population Genetic
Algorithm for Adaptive Qos-Aware Service Composition in Fog-Iot Healthcare
Environment,” Int. Arab J. Inf. Technol., vol. 18, no. 3, pp. 464–475, 2021, doi:
10.34028/iajit/18/3a/10.
[17] G. Hubert, “L’internet des objets ‘web,’” 2015. [Link]
[Link].
[18] R. Saad, “Modèle collaboratif pour l ’ Internet of Things ( IoT ),” 2016.
[19] G. Babin and M. Leblanc, “Impact Sur Le Commerce B2B,” Distrib. Comput., no. Août,
2003.
[20] Mohammed Faical Abouzaid, “ANALYSE FORMELLE D’ORCHESTRATIONS DE
SERVICES WEB MOHAMMED,” 2010.
[21] H. Liu, “Study and Application of Urban Flood Risk Map Information Management
System Based on SOA,” J. Softw., vol. 10, no. 2, pp. 180–189, Feb. 2015, doi:
10.17706/jsw.10.2.180-189.
[22] B. Soukkarieh, “Technique de l’internet et ses langages: vers un système d’information
web restituant des services web sensibles au contexte,” 2010.
[23] D. Zeng, S. Guo, and Z. Cheng, “The web of things: A survey,” J. Commun., vol. 6, no. 6,
pp. 424–438, 2011, doi: 10.4304/jcm.6.6.424-438.
[24] J. M. Alliot, “Qu’est ce que le ‘Middleware,’” pp. 1–17, 2003, [Online]. Available:
[Link]
[25] Oracle, “Fusion Middleware Concepts Guide,” p. 4, 2015, [Online]. Available:
[Link]
[26] T. I. Crew, “Conseil en Systèmes d’Information, Urbanisation, Architectures et Expertise
JEE The Best Way to Predict The Future Is To Invent ITTM,” 2015. .
[27] M. Weiser, “The computer for the 21st Century,” Sci. Am., vol. 256, no. 3, pp. 94–105,
1991.
[28] A. Kevin, “That ’ Internet of Things ’ Thing- In the real world, things matter more than
ideas,” RFiD J., p. 4986, 2010, [Online]. Available:
[Link] Internet of Things [Link].
[29] C. C. Aggarwal, N. Ashish, and A. Sheth, “The Internet of Things: A Survey from the
Data-Centric Perspective,” in Managing and Mining Sensor Data, vol. 9781461463, no.
February 2014, Boston, MA: Springer US, 2013, pp. 383–428.
[30] D. Miorandi, S. Sicari, F. De Pellegrini, and I. Chlamtac, “Internet of things: Vision,
applications and research challenges,” Ad Hoc Networks, vol. 10, no. 7, pp. 1497–1516,
2012, doi: 10.1016/[Link].2012.02.016.
[31] L. Atzori, A. Iera, and G. Morabito, “The Internet of Things: A survey.,” Comput.
Networks, vol. 54, no. 15, pp. 2787–2805, 2010.
[32] H. Mei and Zhanghang, “Business intelligence architecture based on internet of things,” J.
Theor. Appl. Inf. Technol., vol. 50, no. 1, pp. 90–95, 2013.
[33] P.-J. Benghozi, S. Bureau, F. Massit-Folléa, C. Waroquiers, and S. Davidson, L’internet

110
 des objets: quels enjeux pour l’Europe, Éd. de la. 2009.
[34] M. Weill and M. Souissi, “L’Internet des objets : concept ou réalité ?,” in Annales des
Mines - Réalités industrielles, vol. Novembre 2, no. 4, 2010, p. 90.
[35] “INFSO D.4 Networked Enterprise & RFID INFSO G.2 Micro & Nanosystems, in: Co-
operation with the Working Group RFID of the ETP EPOSS, Internet of Things in 2020,
Roadmap for the Future, Version 1.1, 27 May 2008,” Internet Things 2020, Roadmap
Futur., 2008.
[36] Casagras, “CASAGRAS Final Report: RFID and the Inclusive Model for the Internet of
Things,” Sci. Am., vol. 291 (4), pp. 10–12, 2009, [Online]. Available:
[Link]
[37] T. Teixeira, S. Hachem, V. Issarny, and N. Georgantas, “Service oriented middleware for
the internet of things: A perspective (invited paper),” Lect. Notes Comput. Sci. (including
Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 6994 LNCS, no.
January, pp. 220–229, 2011, doi: 10.1007/978-3-642-24755-2_21.
[38] les experts Ooreka, “Système RFID : définition et fonctionnement d’un système RFID,”
2015. [Link]
[39] J. A. Stankovic, “Wireless sensor networks,” IEEE Comput. Soc., vol. 41, no. 10, pp. 92–
95, 2008.
[40] N. Daniel, R. Marcel, and K. Daniel, “Livre blanc Machine To Machine enjeux et
perspectives: Orange Business Services,” in Syntec informatique, Fing, Ed. 2006, p. 40.
[41] J. Gubbi, R. Buyya, S. Marusic, and M. Palaniswami, “Internet of Things (IoT): A vision,
architectural elements, and future directions,” Futur. Gener. Comput. Syst., vol. 29, no. 7,
pp. 1645–1660, 2013, doi: 10.1016/[Link].2013.01.010.
[42] D. Niyato, E. Hossain, and S. Camorlinga, “Remote patient monitoring service using
heterogeneous wireless access networks: Architecture and optimization,” IEEE J. Sel.
Areas Commun., vol. 27, no. 4, pp. 412–423, 2009, doi: 10.1109/JSAC.2009.090506.
[43] A. Zanella, N. Bui, A. Castellani, L. Vangelista, and M. Zorzi, “Internet of things for
smart cities,” IEEE Internet Things J., vol. 1, no. 1, pp. 22–32, 2014, doi:
10.1109/JIOT.2014.2306328.
[44] W. Z. Khan, Y. Xiang, M. Y. Aalsalem, and Q. Arshad, “Mobile phone sensing systems:
A survey,” IEEE Commun. Surv. Tutorials, vol. 15, no. 1, pp. 402–427, 2013, doi:
10.1109/SURV.2012.031412.00077.
[45] A. Kansal, S. Nath, J. Liu, and F. Zhao, “SenseWeb: An infrastructure for shared
sensing,” IEEE Multimed., vol. 14, no. 4, pp. 8–13, 2007, doi: 10.1109/MMUL.2007.82.
[46] J. Cao, M. Li, S. Zhang, and Q. Den, “Composing web services based on agent and
workflow,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect.
Notes Bioinformatics), vol. 3032, pp. 948–955, 2004, doi: 10.1007/978-3-540-24679-
4_157.
[47] I. Müller, R. Kowalczyk, and P. Braun, “Towards agent-based coalition formation for
service composition,” Proc. - 2006 IEEE/WIC/ACM Int. Conf. Intell. Agent Technol. (IAT
2006 Main Conf. Proceedings), IAT’06, pp. 73–80, 2006, doi: 10.1109/IAT.2006.122.
[48] A. Yachir, “Composition dynamique de services sensibles au contexte dans les systèmes
intelligents ambiants,” 2015.
[49] Z. Yang and D. Li, “IoT information service composition driven by user requirement,”

111
 Proc. - 17th IEEE Int. Conf. Comput. Sci. Eng. CSE 2014, Jointly with 13th IEEE Int.
Conf. Ubiquitous Comput. Commun. IUCC 2014, 13th Int. Symp. Pervasive Syst., pp.
1509–1513, 2015, doi: 10.1109/CSE.2014.280.
[50] R. Yang, B. Li, and C. Cheng, “A petri net-based approach to service composition and
monitoring in the IOT,” in Proceedings - 2014 Asia-Pacific Services Computing
Conference, APSCC 2014, 2014, pp. 16–22, doi: 10.1109/APSCC.2014.11.
[51] I. R. Chen, J. Guo, and F. Bao, “Trust management for service composition in SOA-based
IoT systems,” in IEEE Wireless Communications and Networking Conference, WCNC,
2014, vol. 4, no. 4, pp. 3444–3449, doi: 10.1109/WCNC.2014.6953138.
[52] Y. BENAZZOUZ, “Context discovery for the automatic adaptation of services in ambient
intelligence,” 2011.
[53] S. Cherrier, “Architecture and application protocols for services choreography in the
Internet of Things,” École doctorale MSTIC, Université Paris-Est, 2013.
[54] R. T. Fielding and R. N. Taylor, “Principled design of the modern Web architecture,”
ACM Trans. Internet Technol., vol. 2, no. 2, pp. 115–150, 2002, doi:
10.1145/514183.514185.
[55] M. zur Muehlen, J. V. Nickerson, and K.D, “Swenson, Developing web services
choreography standards-the case of rest vs. soap,” Decis. Support Syst. 40, vol. 1, pp. 9–
29, 2005.
[56] K. Li and L. Jiang, “The research of web services composition based on context in
Internet of Things,” 2012 IEEE Int. Conf. Comput. Sci. Autom. Eng., vol. 1, pp. 160–163,
2012, doi: 10.1109/CSAE.2012.6272570.
[57] G. Chen, J. Huang, B. Cheng, and J. Chen, “A Social Network Based Approach for IoT
Device Management and Service Composition,” 2015 IEEE World Congr. Serv., pp. 1–8,
2015, doi: 10.1109/SERVICES.2015.9.
[58] K. Hwang, C., Yoon, “Multiple Attribute Decision Making: Theory and Applications,”
Tsinghua Univ. Press, p. 1, 1981.
[59] I. R. Chen, J. Guo, and F. Bao, “Trust Management for SOA-Based IoT and Its
Application to Service Composition,” IEEE Trans. Serv. Comput., vol. 9, no. 3, pp. 482–
495, 2016, doi: 10.1109/TSC.2014.2365797.
[60] D. Guinard, V. Trifa, S. Karnouskos, P. Spiess, and D. Savio, “Interacting with the SOA-
based internet of things: Discovery, query, selection, and on-demand provisioning of web
services,” IEEE Trans. Serv. Comput., vol. 3, no. 3, pp. 223–235, 2010, doi:
10.1109/TSC.2010.3.
[61] I. R. Chen, F. Bao, and J. Guo, “Trust-Based Service Management for Social Internet of
Things Systems,” IEEE Trans. Dependable Secur. Comput., vol. 13, no. 6, pp. 684–696,
2016, doi: 10.1109/TDSC.2015.2420552.
[62] R. Yang, B. Li, and C. Cheng, “Adaptable service composition for intelligent logistics: A
middleware approach,” in Proceedings - 2014 International Conference on Cloud
Computing and Big Data, CCBD 2014, 2014, pp. 75–82, doi: 10.1109/CCBD.2014.10.
[63] B. Li, R. Yang, and Y. Hu, “An Experimental Study for Intelligent Logistics: A
Middleware Approach,” Chinese J. Electron., vol. 25, no. 3, pp. 561–569, 2016, doi:
10.1049/cje.2016.05.024.
[64] L. Li, Z. Jin, G. Li, L. Zheng, and Q. Wei, “Modeling and analyzing the reliability and

112
 cost of service composition in the IoT: A probabilistic approach,” Proc. - 2012 IEEE 19th
Int. Conf. Web Serv. ICWS 2012, pp. 584–591, 2012, doi: 10.1109/ICWS.2012.25.
[65] A. Kouicem, A. Chibani, A. Tari, Y. Amirat, and Z. Tari, “Dynamic services selection
approach for the composition of complex services in the web of objects,” in 2014 IEEE
World Forum on Internet of Things, WF-IoT 2014, 2014, pp. 298–303, doi: 10.1109/WF-
IoT.2014.6803176.
[66] L. Zhang, S. Yu, X. Ding, and X. Wang, “Research on IOT RESTful web service
asynchronous composition based on BPEL,” Proc. - 2014 6th Int. Conf. Intell. Human-
Machine Syst. Cybern. IHMSC 2014, vol. 1, pp. 62–65, 2014, doi:
10.1109/IHMSC.2014.23.
[67] L. Li, T. Tang, and W. Chou, “An XML Based Monadic Framework for REST Service
Compositions,” in Proceedings - 2015 IEEE International Conference on Web Services,
ICWS 2015, 2015, pp. 487–494, doi: 10.1109/ICWS.2015.71.
[68] H. Abelson, G. J. Sussman, and J. Sussman, Structure and Interpretation of Computer
Programs, second edition, 2nd ed. Cambridge, Massachusetts London, England: MIT
Press, 1996.
[69] L. Bossi, S. Braghin, and A. Trombetta, “Multidimensional reputation network for service
composition in the internet of things,” Proc. - 2014 IEEE Int. Conf. Serv. Comput. SCC
2014, pp. 685–692, 2014, doi: 10.1109/SCC.2014.95.
[70] K. Dar, A. Taherkordi, R. Vitenberg, R. Rouvoy, and F. Eliassen, “Adaptable service
composition for very-large-scale Internet of Things systems,” Proc. Work. Posters Demos
Track - PDT ’11, no. DECEMBER, pp. 1–2, 2011, doi: 10.1145/2088960.2088971.
[71] S. S. Ara, Z. U. Shamszaman, and I. Chong, “Web-of-objects based user-centric semantic
service composition methodology in the internet of things,” Int. J. Distrib. Sens.
Networks, vol. 2014, 2014, doi: 10.1155/2014/482873.
[72] A. Ciortea, O. Boissier, A. Zimmermann, and A. M. Florea, “Responsive Decentralized
Composition of Service Mashups for the Internet of Things,” Proc. 6th Int. Conf. Internet
Things - IoT’16, pp. 53–61, 2016, doi: 10.1145/2991561.2991573.
[73] L. Chen, L. Kuang, and J. Wu, “MapReduce based skyline services selection for QoS-
aware composition,” in Proceedings of the 2012 IEEE 26th International Parallel and
Distributed Processing Symposium Workshops, IPDPSW 2012, 2012, pp. 2035–2042, doi:
10.1109/IPDPSW.2012.253.
[74] M. Tao, J. Zuo, Z. Liu, A. Castiglione, and F. Palmieri, “Multi-layer cloud architectural
model and ontology-based security service framework for IoT-based smart homes,”
Futur. Gener. Comput. Syst., vol. 78, pp. 1040–1051, 2018, doi:
10.1016/[Link].2016.11.011.
[75] L. Barakat, S. Miles, and M. Luck, “Adaptive composition in dynamic service
environments,” Futur. Gener. Comput. Syst., vol. 80, pp. 215–228, 2018, doi:
10.1016/[Link].2016.12.003.
[76] N. Temglit, A. Chibani, K. Djouani, and M. A. Nacer, “A Distributed Agent-Based
Approach for Optimal QoS Selection in Web of Object Choreography,” IEEE Syst. J., pp.
1–12, 2017, doi: 10.1109/JSYST.2016.2647281.
[77] A. Urbieta, A. González-Beltrán, S. Ben Mokhtar, M. Anwar Hossain, and L. Capra,
“Adaptive and context-aware service composition for IoT-based smart cities,” Futur.
Gener. Comput. Syst., vol. 76, pp. 262–274, Nov. 2017, doi:

113
 10.1016/[Link].2016.12.038.
[78] A. Urbieta et al., “Hybrid service matchmaking in ambient assisted living environments
based on context-aware service modeling,” Clust. Comput, vol. 18, no. 3, pp. 1171–1188,
2015, doi: 10.1007/s10586-015-0469-1.
[79] T. Baker, M. Asim, H. Tawfik, B. Aldawsari, and R. Buyya, “An energy-aware service
composition algorithm for multiple cloud-based IoT applications,” J. Netw. Comput.
Appl., vol. 89, pp. 96–108, 2017, doi: 10.1016/[Link].2017.03.008.
[80] M. E. Khanouche, Y. Amirat, A. Chibani, M. Kerkar, and A. Yachir, “Energy-Centered
and QoS-Aware Services Selection for Internet of Things,” IEEE Trans. Autom. Sci. Eng.,
vol. 13, no. 3, pp. 1256–1269, 2016.
[81] Y. Zhang, J. L. Chen, and B. Cheng, “Integrating Events into SOA for IoT Services,”
IEEE Commun. Mag., vol. 55, no. 9, pp. 180–186, 2017, doi:
10.1109/MCOM.2017.1600359.
[82] E. Fki, S. Tazi, and K. Drira, “Automated and flexible composition based on abstract
services for a better adaptation to user intentions,” Futur. Gener. Comput. Syst., vol. 68,
no. March, pp. 376–390, 2017, doi: 10.1016/[Link].2016.07.008.
[83] N. Temglit, A. Chibani, K. Djouani, and M. A. Nacer, “Distributed Approach for QoS
Service Selection in Web of Objects,” Procedia Comput. Sci., vol. 83, pp. 1170–1175,
2016, doi: 10.1016/[Link].2016.04.240.
[84] E. Rapti, A. Karageorgos, and V. C. Gerogiannis, “Decentralised service composition
using potential fields in internet of things applications,” Procedia Comput. Sci., vol. 52,
no. 1, pp. 700–706, 2015, doi: 10.1016/[Link].2015.05.079.
[85] E. Rapti, A. Karageorgos, C. Houstis, and E. Houstis, “Decentralized service discovery
and selection in Internet of Things applications based on artificial potential fields,” Serv.
Oriented Comput. Appl., vol. 11, no. 1, pp. 75–86, 2017, doi: 10.1007/s11761-016-0198-
1.
[86] A. Yachir, Y. Amirat, A. Chibani, and N. Badache, “Event-Aware Framework for
Dynamic Services Discovery and Selection in the Context of Ambient Intelligence and
Internet of Things,” IEEE Trans. Autom. Sci. Eng., vol. 13, no. 1, pp. 85–102, 2015, doi:
10.1109/TASE.2015.2499792.
[87] H. Kil, W. Nam, and R. Cha, “Optimal algorithm for Internet-of-Things service
composition based on response time,” Int. J. Web Grid Serv., vol. 12, no. 4, p. 388, 2016,
doi: 10.1504/IJWGS.2016.10001004.
[88] L. Huo and Z. Wang, “Service composition instantiation based on cross-modified
artificial Bee Colony algorithm,” China Commun., vol. 13, no. 10, pp. 233–244, 2016,
doi: 10.1109/CC.2016.7733047.
[89] Jue Wang, Chaocan Xiang, Meng Wang, Chang Tian, Wendong Zhao, Deng-po Dai, “A
Survey on Semantic Web Services Discovery,” Appl. Res. Comput., vol. 30, no. 1, pp. 7–
12, 2013.
[90] K. Dar, A. Taherkordi, H. Baraki, F. Eliassen, and K. Geihs, “A resource oriented
integration architecture for the Internet of Things: A business process perspective,”
Pervasive Mob. Comput., vol. 20, no. November 2014, pp. 145–159, 2015, doi:
10.1016/[Link].2014.11.005.
[91] J. Wu, L. Chen, Q. Yu, L. Kuang, Y. Wang, and Z. Wu, “Selecting skyline services for

114
 QoS-aware composition by upgrading MapReduce paradigm,” Cluster Comput., vol. 16,
no. 4, pp. 693–706, Dec. 2013, doi: 10.1007/s10586-012-0240-9.
[92] S. N. Han, S. Park, G. M. Lee, and N. Crespi, “Extending the devices profile for web
services standard using a REST proxy,” IEEE Internet Comput., vol. 19, no. 1, pp. 10–17,
2015, doi: 10.1109/MIC.2014.44.
[93] J. Guo, I. R. Chen, and J. J. P. Tsai, “A survey of trust computation models for service
management in internet of things systems,” Comput. Commun., vol. 97, pp. 1–14, 2017,
doi: 10.1016/[Link].2016.10.012.
[94] S. N. Han, I. Khan, G. M. Lee, N. Crespi, and R. H. Glitho, “Service composition for IP
smart object using realtime Web protocols: Concept and research challenges,” Comput.
Stand. Interfaces, vol. 43, pp. 79–90, 2016, doi: 10.1016/[Link].2015.08.006.
[95] A. B. M. Zorzi, A. Gluhak, S. Lange, M. Zorzi, A. Gluhak, S. Lange, and A. Bassi, “From
today’s INTRAnet of things to a future INTERnet of things: a wireless- and mobility-
related view,” IEEE Wirel. Commun, vol. 17 (6), no. 6, pp. 44–51, 2010, doi:
10.1109/MWC.2010.5675777.
[96] S. E. Lee, M. Choi, and S. Kim, “How and what to study about IoT: Research trends and
future directions from the perspective of social science,” Telecomm. Policy, vol. 41, no.
10, pp. 1056–1067, 2017, doi: 10.1016/[Link].2017.09.007.
[97] L. Atzori, A. Iera, and G. Morabito, “Understanding the Internet of Things: definition,
potentials, and societal role of a fast evolving paradigm,” Ad Hoc Networks, vol. 56, pp.
122–140, 2017, doi: 10.1016/[Link].2016.12.004.
[98] I. Khajenasiri, A. Estebsari, M. Verhelst, and G. Gielen, “A Review on Internet of Things
Solutions for Intelligent Energy Control in Buildings for Smart City Applications,”
Energy Procedia, vol. 111, no. September 2016, pp. 770–779, 2017, doi:
10.1016/[Link].2017.03.239.
[99] P. P. Ray, “A survey on Internet of Things architectures,” J. King Saud Univ. - Comput.
Inf. Sci., no. October, 2016, doi: 10.1016/[Link].2016.10.003.
[100] A. Mukherjee, “Physical-Layer Security in the Internet of Things: Sensing and
Communication Confidentiality Under Resource Constraints,” Proc. IEEE, vol. 103, no.
10, pp. 1747–1761, 2015, doi: 10.1109/JPROC.2015.2466548.
[101] N. Hesami Rostami, E. Kheirkhah, and M. Jalali, “Web Services Composition Methods
and Techniques: A Review,” Int. J. Comput. Sci. Eng. Inf. Technol., vol. 3, no. 6, pp. 15–
29, 2013, doi: 10.5121/ijcseit.2013.3603.
[102] S. G. H. Tabatabaei and S. Ibrahim, “A Review of Web Service Composition
Approaches,” 2011.
[103] K. N. Shah, S. Santoki, H. Ghetia, and K. Ra, “A Review on Web Service Composition
Techniques,” Int. J. Eng. Res. Appl., vol. 3, no. 3, pp. 929–934, 2013.
[104] M. Abbas, E. Sabeil, and A. Abdul Manaf, Comparative Evaluation of Semantic Web
Service Composition Approaches, vol. 180, no. PART 2. Berlin, Heidelberg: Springer
Berlin Heidelberg, 2011.
[105] S. Pakari, E. Kheirkhah, and M. Jalali, “Web Service Discovery Methods and
Techniques : a Review,” Int. J. Comput. Sci. Eng. Inf. Technol., vol. 4, no. 1, pp. 1–14,
2014, doi: 10.5121/ijcseit.2014.4101.
[106] A. L. Lemos, F. Daniel, and B. Benatallah, “Web Service Composition: A Survey of

115
 Techniques and Tools,” ACM Comput. Surv., vol. 48, no. 3, pp. 1–41, 2015, doi:
10.1145/2831270.
[107] Y. Syu, Y. Y. Fanjiang, J. Y. Kuo, and S. P. Ma, “A review of the automatic web service
composition surveys,” Proc. - 2014 IEEE Int. Conf. Semant. Comput. ICSC 2014, pp.
199–202, 2014, doi: 10.1109/ICSC.2014.41.
[108] A. Jula, E. Sundararajan, and Z. Othman, “Cloud computing service composition: A
systematic literature review,” Expert Syst. Appl., vol. 41, no. 8, pp. 3809–3824, 2014, doi:
10.1016/[Link].2013.12.017.
[109] NEXOF-RA. Deliverable D10.1: Requirements Report IST- FP7-216446, NESSI Open.
2009.
[110] M. Singh and G. Baranwal, “Quality of Service (QoS) in Internet of Things,” Proc. - 2018
3rd Int. Conf. Internet Things Smart Innov. Usages, IoT-SIU 2018, 2018, doi:
10.1109/IoT-SIU.2018.8519862.
[111] Y. Huo, P. Qiu, J. Zhai, D. Fan, and H. Peng, “Multi-objective service composition model
based on cost-effective optimization,” Appl. Intell., vol. 48, no. 3, pp. 651–669, 2018, doi:
10.1007/s10489-017-0996-y.
[112] X. Zhang, J. Geng, J. Ma, H. Liu, S. Niu, and W. Mao, “A hybrid service selection
optimization algorithm in internet of things,” Eurasip J. Wirel. Commun. Netw., vol. 4,
no. 1, 2021, doi: 10.1186/s13638-020-01883-2.
[113] X. Zhang, J. Geng, J. Ma, H. Liu, and S. Niu, “A QoS-driven Service Selection
Optimization Algorithm for Internet of Things,” Researchsquare, 2020.
[114] M. Burhan, R. A. Rehman, B. Khan, and B. S. Kim, “IoT elements, layered architectures
and security issues: A comprehensive survey,” Sensors (Switzerland), vol. 18, no. 9, pp.
1–37, 2018, doi: 10.3390/s18092796.
[115] C. Puliafito, E. Mingozzi, F. Longo, A. Puliafito, and O. Rana, “Fog computing for the
Internet of Things: A survey,” ACM Trans. Internet Technol., vol. 19, no. 2, 2019, doi:
10.1145/3301443.
[116] M. Haghi Kashani, A. M. Rahmani, and N. Jafari Navimipour, “Quality of service-aware
approaches in fog computing,” Int. J. Commun. Syst., vol. 33, no. 8, pp. 1–34, 2020, doi:
10.1002/dac.4340.
[117] M. Chalmers, D., & Sloman, “A survey of quality of service in mobile computing
environments,” IEEE Commun. Surv. Tutorials, vol. 2, pp. 2–10, 1999, doi:
10.1109/comst.1999.5340514.
[118] T. Buchholz, A. Küpper, and M. Schiffers, “Quality of Context: What it is and why we
need it,” Proc. 10th Work. OpenView Univ. Assoc. OVUA’03, no. January 2003, pp. 1–14,
2003, doi: [Link].565.
[119] A. Manzoor, H.-L. Truong, and S. Dustdar, “Quality of Context: Models and Applications
for Context-aware Systems in Pervasive Environments,” Knowl. Eng. Rev., vol. 20, no. 2,
pp. 117–125, 2004, doi: 10.1017/S000000000000000.
[120] Z. Houhamdi and B. Athamena, “Identity identification and management in the internet of
things,” Int. Arab J. Inf. Technol., vol. 17, no. 4 Special Issue, pp. 645–654, 2020, doi:
10.34028/iajit/17/4A/9.
[121] N. Kashyap and C. A. Kumari, “Hyper-heuristic approach for service composition in
internet of things,” Electron. Gov., vol. 14, no. 4, pp. 321–339, 2018, doi:

116
 10.1504/EG.2018.095546.
[122] X. Zhao, B. Song, P. Huang, Z. Wen, J. Weng, and Y. Fan, “An improved discrete
immune optimization algorithm based on PSO for QoS-driven web service composition,”
Appl. Soft Comput. J., vol. 12, no. 8, pp. 2208–2216, 2012, doi:
10.1016/[Link].2012.03.040.
[123] “W3C.” [Link]
[124] W. Qiufen and D. Liang, “A HEURISTIC GENETIC ALGORITHM FOR SOLVING 0-1
KNAPSACK PROBLEM,” Comput. Appl. Softw., vol. 30, no. 2, pp. 33–37, 2013,
[Online]. Available: [Link]
[Link].
[125] D. E. Goldberg, “Genetic algorithms in search, optimization, and machine learning,”
Choice Rev. Online, vol. 27, no. 02, pp. 27-0936-27–0936, 1989, doi: 10.5860/choice.27-
0936.
[126] S. Siva Sathya and M. V. Radhika, “Convergence of nomadic genetic algorithm on
benchmark mathematical functions,” Appl. Soft Comput. J., vol. 13, no. 5, pp. 2759–2766,
2013, doi: 10.1016/[Link].2012.11.011.
[127] E. Al-Masri and Q. H. Mahmoud, “Investigating web services on the world wide web,”
2008, doi: 10.1145/1367497.1367605.

117