Etudiant : ZERROUDI JALAL

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. BENNANI MOHAMED TAJ

Annèe : 2026

Résumé : L’essor des réseaux de capteurs sans fil et l’émergence des Wireless Multimedia Sensor Networks (WMSN)rendent le transfert d’images vers un sink particulièrement exigeant : énergie limitée, bande passante restreinte, fragmentation accrue et Quality of Service (QoS) multi critère (délai, Packet Delivery Ratio (PDR), jitter, énergie, qualité visuelle). Ce mémoire compare trois politiques de décision réseau : une approche classique, le Q learning tabulaire (QL) et le Deep Q-Learning (DQL), implémenté au moyen d’un Deep Q Network (DQN), dans un environnement reproductible fondé sur NS-3, NS3-AI pour le scéna rio 1, Flask et la conteneurisation. Deux scénarios ont été étudiés : (i) un réseau hiérarchique de 43 nœuds avec contrôle d’intervalle UDP (NS3aiRL); (ii) la transmission d’une image JPEG sur une grille 5×5 (NS3_AI_RL_IMG). Les mesures montrent un effet contextuel de l’apprentissage. En scénario 1, la campagne comparative (10 seeds, trois politiques) a été exécutée sur le moteur synthétique demo (300s); la baseline rule a été validée partiellement sous Network Simulator 3 (NS-3) via NS3-AI (NS3-AI). Sur la campagne demo, rule et Deep Q-Learning (DQL) convergent vers une politique prudente à intervalle d’émission élevé (PDR ≈99,82%); le Q-Learning (QL) tabulaire sous-performe (PDR 86,20%). En scénario 2, les politiques QL et DQL ont été entraînées hors ligne, puis injectées dans NS-3 avec une image JPEG identique pour les trois approches. Le QL améliore le PDR (72,38% vs 62,10%), le délai (153,65 ms vs 502,66 ms) et l’efficacité de transfert; le DQL présente le PDR le plus faible (58,29%) et un taux de reconstruction complète de 90,00%. La comparaison locale JPEG vs encodeur–décodeur sur image_test.png — non utilisée dans la campagne réseau principale — favorise JPEG en taille (2,39 Ko vs 7,42 Ko) et en qualité (PSNR 39,97 dB vs 18,93 dB).