Modèle de calcul massivement parallèle en MapReduce pour quelques problèmes en théorie des automates

Massively parallel computing model in MapReduce for some problems in automata theory

• Auteur / Autrice : Bilal El ghadyry
• Direction : Sébastien Verel, Faissal Ouardi
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information et de la Communication, spécialité Informatique et applications
• Date : Soutenance le 17/12/2022
• Etablissement(s) : Littoral en cotutelle avec Université Mohammed V (Rabat). Faculté des sciences, Centre d'études doctorales en sciences et technologies (Rabat)
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale
• Jury : Président / Présidente : Mohamed Bouhdadi
• Jury : Examinateurs / Examinatrices : Sébastien Verel, Faissal Ouardi, Jihane Alami Chentoufi, Ludovic Mignot, Yasmine Lamari
• Jury : Rapporteur / Rapporteuse : Jihane Alami Chentoufi, Ludovic Mignot

Mots clés

Mots clés contrôlés

Théorie des machines séquentielles

Algorithmes parallèles

Mots clés libres

Calcul parallèle

Automate fini

Automate pondéré

Big data

MapReduce

Parallel computing

Finite automata

Weighted automata

Big Data

MapReduce

Résumé

Dans cette thèse, nous étudions l’algorithmique parallèle à grande échelle de quelques problèmes en théorie des automates, à savoir la composition des machines à états finis pondérées, ainsi que la dérivation des séquences séparantes à partir des machines à états finis non déterministes. Nous adoptons dans notre étude, un modèle théorique de traitement parallèle récemment introduit appelé modèle de calcul massivement parallèle en MapReduce (CMP-MR) où le seul coût est donné par la quantité de communication entre les nœuds et le nombre d’itérations de l’algorithme. Nous avons proposé des algorithmes parallèles efficaces à grande échelle en MapReduce basés sur le modèle CMP-MR pour chacun des problèmes traités. Les résultats obtenus montrent clairement que le modèle CMP-MR offre un cadre théorique garanti pour le développement denouveaux algorithmes parallèles efficaces à grande échelle en théorie des automates.

In this thesis, we tackle some known problems in automata theory using parallel approaches in large scale context, namely the composition of weighted finite state machines and the derivation of distinguishing sequences for nondeterministic finite state machines. We adopt in our study a theoretical model of parallel processing called the massive parallel computing model in MapReduce (MPC-MR) where the only cost is given by the amount of communication between the nodes of a cluster and the number of iterations of the algorithm. We have proposed efficient large-scale parallel MapReduce algorithms based on MPC-MR model for each of the addressed problems. The obtained results show clearly that the MPC-MR model offers a guaranteed theoretical framework for the development of new efficient parallel algorithms in automata theory.