Thesis defense of Brell Péclard Sanwouo Chekam

Vers des systèmes logiciels auto-adaptatifs, configurables et pilotés par l'IA

December 3, 2026 at 2 PM (INRIA Lille)

Contexte Spirals est une équipe de recherche Inria dans le domaine des systèmes distribués et du génie logiciel. Spirals vise à introduire davantage d'automatisation dans les mécanismes d'adaptation des systèmes logiciels, en particulier lors de la transition des systèmes adaptatifs vers les systèmes auto-adaptatifs. Spirals crée les futures techniques de création de systèmes logiciels d’auto-réparation et d’auto-optimisation. Nous proposons un poste de doctorat de 3 ans dans le domaine des systèmes logiciels complexes et auto-adaptatifs Contexte d'affectation Les applications modernes actuelles sont de plus en plus grandes. Pour faciliter leur maintenance et leur évolution, ils sont décomposés en micro-services ce qui rend l'ensemble du logiciel modulaire. Si ces applications deviennent plus complexes (nécessitant généralement un orchestrateur), elles deviennent également configurables pour s'adapter instantanément aux différents besoins. Décomposer les systèmes en micro-services signifie également qu'ils peuvent éventuellement être distribués. Pourtant, ils sont encore avant tout décrits en termes de processus ou de machines (virtuelles ou physiques). Par conséquent, leur gestion du cycle de vie s’effectue à un faible niveau d’abstraction. Cela conduit au mieux à un manque d’optimisation car l’adaptation est réalisée par les applications elles-mêmes, qui ont souvent recours à des solutions simples par manque d’expertise. En conséquence, la configuration par défaut ou une configuration héritée, par exemple pour s'assurer que les exigences fonctionnelles sont satisfaites [Guégain23], sont généralement les premières à être utilisées. Exécuter une telle configuration ne garantit pas une utilisation optimale, notamment en termes d’efficacité énergétique. Au contraire, cela peut entraîner des configurations pires ou incorrectes [Alves21]. Ce manque d'abstraction rend également difficile la détection proactive des problèmes et leur résolution automatique. Les systèmes logiciels modernes, tels que le Fog Computing ou le continuum informatique Cloud-Edge-IoT, rendent ces questions plus complexes. Ils introduisent de nouveaux défis liés à la diversité et à l'hétérogénéité des ressources, à la répartition géographique, à la dynamique accrue et aux exigences de sécurité, tout en considérant les contraintes de durabilité [Shi16]. Ainsi, ils obligent les développeurs à trouver un équilibre délicat entre maximiser la satisfaction des utilisateurs et minimiser les coûts d’hébergement, tout en cherchant à réduire les dépenses et la consommation d’énergie. Cet axe de recherche aborde ce compromis complexe, en s'efforçant d'identifier les configurations qui sont presque optimales sur plusieurs indicateurs de performance. Programme et objectifs de recherche Par complexe, nous ciblons en particulier les grands systèmes variables distribués et interdépendants, par exemple les environnements cloud multicouches et multiservices. Pour aborder l'adaptation de tels environnements, nous devons d'abord mieux prendre en compte la variabilité des systèmes cloud. En effet, le déploiement de (micro)services dans le cloud repose sur un ensemble de couches, chacune avec ses propres contraintes de configuration. La configuration globale est le résultat d'un compromis de configurations locales (c'est-à-dire spécifiques à chaque couche/service), où la variabilité de plusieurs systèmes interdépendants doit être gérée simultanément pour atteindre les objectifs globaux. Nous explorerons donc les concepts de priorité et de temporalité appliqués à la variabilité pour permettre aux développeurs de définir différentes stratégies de reconfiguration (évolutive, permissive, etc.). Concernant la temporalité, nous pensons que la définition des transitions autorisées actuelles et futures entre les configurations peut être orchestrée en utilisant la logique temporelle. Des travaux préliminaires dans l'équipe Spirals sur les contraintes temporelles [Sousa17] serviront de base de départ. Une fois correctement définies, les configurations nuage/brouillard ne sont pas censées être immuables. Avec la nature changeante des environnements cloud et IoT (apparition/disparition inattendue d'un service cloud ou d'un nœud d'appareil, évolution de l'accord de niveau de service, modification des propriétés fonctionnelles, etc.), les configurations en cours d'exécution doivent continuellement s'adapter à leurs conditions de fonctionnement évolutives et incertaines. Metzger22]. La gestion de telles adaptations est un défi car lors du développement de la logique d'auto-adaptation d'un système, les développeurs de logiciels doivent anticiper (au moment de la conception) les changements possibles qu'un système auto-adaptatif peut rencontrer au moment de l'exécution afin de définir les situations que le système doit être capable de gérer. . Cependant, anticiper tous les changements pertinents au moment de la conception n'est pas simple, voire impossible, en raison d'une connaissance incomplète (c'est-à-dire l'incertitude) de l'environnement du système [Weyns23]. Nous envisageons donc d'étudier i) comment gérer la propagation de l'incertitude entre les services et les couches, ii) comment acquérir et analyser des connaissances sur cette incertitude, et iii) comment exploiter ces connaissances pour atténuer l'incertitude. Bien que les approches basées sur l'apprentissage semblent efficaces pour l'acquisition de connaissances (comme nous l'avons montré dans [Metzger22]), nous devons explorer davantage d'autres étapes pour proposer un processus complet et automatisé de gestion de l'incertitude. Notre objectif est de proposer une architecture de référence pour les systèmes autonomes auto-adaptatifs. Les systèmes logiciels modernes évoluent dans des environnements où les charges de travail, les dépendances et les conditions d’exécution ne peuvent pas être entièrement anticipées dès la conception. Les systèmes auto-adaptatifs répondent à cette incertitude en adaptant leur comportement ou leur structure à l’exécution. Cependant, leurs mécanismes d’adaptation reposent encore largement sur des connaissances, des règles et des capacités définies avant le déploiement. Les avancées récentes en intelligence artificielle générative et agentique offrent de nouvelles capacités de raisonnement, d’utilisation d’outils et de collaboration, ouvrant ainsi de nouvelles possibilités pour l’adaptation logicielle tout en soulevant des défis liés à l’organisation, à la configuration et au contrôle des systèmes agentiques. Cette thèse étudie comment l’intelligence artificielle agentique peut soutenir l’adaptation à l’exécution de systèmes logiciels complexes, et comment les systèmes agentiques qui supportent cette adaptation peuvent eux-mêmes être organisés et conçus. Elle aborde cette problématique à travers quatre contributions complémentaires. La première contribution propose une étude de cartographie systématique caractérisant l’utilisation de l’IA générative pour l’adaptation des architectures de microservices. Parmi 2 740 publications candidates, 22 études ont été sélectionnées. Les résultats montrent que les travaux existants se concentrent principalement sur la surveillance et l’analyse réactives, tandis que l’adaptation proactive, la planification, l’exécution et la validation industrielle restent moins explorées. La deuxième contribution introduit AWARE (Assess, Weigh, Act, Reflect, and Enrich), une organisation agentique du système de gestion dans laquelle les responsabilités d’adaptation sont réparties entre des agents spécialisés. La troisième contribution instancie la capacité Assess de AWARE pour l’analyse des causes racines dans les architectures de microservices, à travers une approche de génération dynamique d’agents qui adapte l’organisation des agents de diagnostic à chaque incident. Des évaluations menées avec sept grands modèles de langage sur les jeux de données Nezha et OpenRCA montrent des améliorations allant jusqu’à 12 % et 22 %, respectivement, par rapport aux références rapportées. Ces résultats indiquent que l’organisation du système de gestion peut elle-même devenir une dimension de l’adaptation. Enfin, GEAR propose une approche fondée sur les modèles de fonctionnalités pour spécifier et configurer des systèmes multiagents basés sur l’IA, indépendamment des frameworks utilisés pour leur implémentation. Afin d’étendre ses capacités de transformation, nous avons étudié comment chacune des 32 fonctionnalités du modèle GEARWorkflow pouvait être traduite dans dix frameworks agentiques. Cette démarche a donné lieu à 320 comparaisons, parmi lesquelles 271 correspondances ont été identifiées (84,69 %). Ces correspondances servent de base au développement et à l’enrichissement des connecteurs de GEAR. Ensemble, ces contributions suivent une progression allant de la compréhension de la manière dont les capacités génératives soutiennent l’adaptation logicielle, à leur organisation sous forme d’agents, puis à l’adaptation dynamique de cette organisation et à l’ingénierie de sa variabilité de configuration. Elles montrent que l’adaptation logicielle agentique ne concerne pas uniquement le système géré, mais également l’organisation du système de gestion lui-même, dont la flexibilité croissante nécessite des représentations explicites, des contraintes et des mécanismes de validation afin de rester contrôlable et reproductible

Jury

  • M. Clément QUINTON Professeur des universités Université de Lille Directeur de thèse,
  • M. Olivier BARAIS Professeur des universités Université de Rennes Examinateur,
  • Mme Amel BENNACEUR Professeure The Open University Rapporteure,
  • M. Alain TCHANA Professeur des universités Université Grenoble INP – UGA Rapporteur,
  • M. Romain ROBBES Directeur de recherche CNRS Examinateur,
  • M. Paul TEMPLE Maître de conférences Université de Rennes Co-encadrant de thèse,
  • Mme Anne ETIEN Professeure des universités Université de Lille Examinatrice.

Voir l'agenda complet »