Thèse « compression sans perte de données structurées par apprentissage automatique » f/h

Votre rôle

Votre rôle est d'effectuer un travail de thèse sur la « compression sans perte de données structurées par apprentissage automatique ».


Contexte global et problématique

Les réseaux modernes utilisent de nombreux compresseurs efficaces (SCHC, ROHC, HPACK/QPACK, zstd) qui exploitent les régularités structurelles du trafic via des encodages compacts opérateur-opérande. Cependant, ces solutions restent cloisonnées par domaine (LPWAN, 6LoWPAN, HTTP/3, RTP/5G) et manquent d'un framework unique pour s'adapter et coexister à travers ces environnements. Cette fragmentation limite l'optimisation globale des ressources réseau et complique le déploiement de solutions de compression cohérentes.


Objectif scientifique

L'objectif de la thèse est de développer COMCIS (Compact Compression Instruction Set), un framework agnostique aux protocoles qui unifie et met à l'échelle la compression sans perte d'en-têtes, métadonnées et charges utiles structurées. La recherche vise à créer une représentation intermédiaire abstraite et compacte pour décrire les opérations de compression, couplée à une chaîne d'outils assistée par apprentissage automatique qui apprend les modèles de trafic et génère des "programmes de compression" adaptés aux mécanismes présents dans chaque domaine.

Résultats et verrous à lever

Les principaux défis incluent:

- la formalisation d'une abstraction suffisamment générale pour mapper vers les schémas existants sans prescrire un nouveau format

- le développement d'algorithmes d’apprentissage automatique pour la découverte de templates et la sélection optimale de codeurs par champ

- la validation de l'approche sur des datasets réels avec des contraintes de déploiement (latence, CPU, mémoire) respectées