Dans un contexte où les infrastructures de calcul et de communication consomment plus de 4% de l’énergie au niveau mondial, l’objectif est de concevoir des approches offrant un meilleur compromis entre Qualité de Service (QoS) et l'Efficience énergétique globale des infrastructures (Cloud/Fog/Edge) actuelles.

L’allocation de services dynamiques, la gestion de leur cycle de vie, le suivi de la Qualité de Service (QdS) fournie aux utilisateurs et la consommation énergétique engendrée sont devenus des problématiques récurrentes et très importantes depuis l’avènement des services à la demande. Dans les architectures innovantes d’aujourd’hui, toutes ces problématiques sont d’autant plus d’actualité tant leur utilisation, leurs possibilités et leur complexité ont augmenté. De plus, nous nous dirigeons vers des architectures de plus en plus distribuées, flexibles et reconfigurables (tant au niveau applicatif que topologique). Cela est le cas par exemple pour le paradigme du Fog computing qui, dans sa définition même, accepte le fait d'accueillir nombre de devices déployés aux quatre coins de l’architecture (et se basant sur les données générées par la couche inférieure de l’IoT). D’un point de vue énergétique cela représente une grande différence par rapport aux architectures étudiées il y a une dizaine d’années (Cloud Computing par exemple), car les ressources doivent désormais être alimentées de façon indépendante et ne dépendent plus d’un unique centré de données ou de calcul (data-center). De ce fait, les problématiques d’efficience énergétique changent due à cette première raison architecturale. De plus, un changement de vision dans la manière d’alimenter ces systèmes devra être étudié de près. Il ne s’agit plus d’essayer de minimiser la consommation d’un grand nombre de ressources filairement connectées, mais d’utiliser au mieux (le terme “d’optimisation” est souvent mal employé pour décrire cela) une quantité d’énergie disponible pour chacun (ou un ensemble) des devices

Nos travaux, qui sont menés dans le cadre du projet ANR DELIGHT, visent à évaluer finement et à réduire la consommation énergétique de l’apprentissage fédéré en utilisant différents leviers (compression de gradient, data summarization, speed-scaling, etc.). Étant donné l’hétérogénéité des données, un autre objectif sera l'étude du processus de négociation et de formation d'une coalition entre les nœuds pour comprendre dans quelle mesure un nœud a intérêt à collaborer avec d’autres. Les techniques développées seront validées empiriquement sur des tâches de vision par ordinateur et de TALN en utilisant le toolkit Flower.