Forum Jeunes Chercheurs à Inforsid 2016

Forum Jeunes Chercheurs à Inforsid 2016

Cécile Favre Chloé Artaud  Clément Duffau  Ophélie Fraisier  Roland Kotto Kombi 

Université de Lyon, Université Lyon 2, ERIC - EA 3083 5 av. Pierre Mendès-France, 69676 Bron Cedex, France

Université de La Rochelle, L3i - EA 2118 &DGA av. Michel Crépeau, 17042 La Rochelle Cedex 1, France

Université Côte d’Azur, CNRS, I3S - UMR 6070 2000 route des Lucioles, 06903 Sophia Antipolis Cedex, France

Université de Toulouse, Université Toulouse 3 Paul Sabatier, IRIT - UMR 5505 118 route de Narbonne, 31062 Toulouse, France

CEA Tech Midi-Pyrénées, 135 av. de Rangueil, 31400 Toulouse, France

INSA de Lyon, LIRIS - UMR 5205 20 av. Albert Einstein, 69100 Villeurbanne, France

Corresponding Author Email: 
cecile.favre@univ-lyon2.fr; chloe.artaud@univ-lr.fr; Ophelie.Fraisier@cea.fr; roland.kotto-kombi@liris.cnrs.fr
Page: 
121-147
|
DOI: 
https://doi.org/10.3166/ISI.22.2.121-147
Received: 
|
Accepted: 
|
Published: 
30 April 2017
| Citation
Abstract: 

The eighth edition of the Forum Jeunes Chercheurs of the INFORSID congress held in 2016 in Grenoble, France. It hosted 19 first-year or second-year PhD students, among 32 candidates, working in the Information Systems field. This article coordinated by Cécile Favre (in charge of the organisation of the Forum) presents a selection of the four best contributions. 

Keywords: 

PhD symposium, Inforsid, information systems

1. Introduction

La huitième édition du Forum Jeunes Chercheurs a été organisée à Grenoble le 31  mai  2016,  dans  le  cadre  du  34e   congrès  INFORSID 1 .  L’objectif  de  cette manifestation scientifique était double :

– permettre aux jeunes chercheuses et chercheurs en première ou deuxième année de doctorat de présenter leur problématique de recherche et d’établir des contacts avec des équipes travaillant sur les domaines similaires ou connexes,

– offrir un aperçu des axes de recherche actuels et ainsi élargir le champ des connaissances des jeunes chercheuses et jeunes chercheurs, et des participants à la conférence plus largement.

Trente-deux soumissions ont été proposées par des doctorants de première ou deuxième année. Les actes du Forum Jeunes Chercheurs (Favre, 2016) recueillent les 19 articles sélectionnés, rédigés par des doctorants issus de divers laboratoires de recherche en France et en Tunisie (figure 1). Ces articles ont fait l’objet d’une présentation lors de la session plénière du congrès consacrée au forum, session qui s’est poursuivie par un temps d’échange avec les participants de la conférence lors d’un moment dédié. Durant toute la durée du congrès, l’exposition des posters préparés par les doctorants a permis également d’offrir un espace de rencontres et de discussions avec les chercheuses et chercheurs de la communauté des systèmes d’information.

Le nombre et la qualité des articles ainsi que la diversité des thématiques, à la fois dans les soumissions et les contributions sélectionnées des participants au Forum Jeunes Chercheurs, sont autant d’éléments qui démontrent l’importance, l’actualité et la dynamique des recherches dans le domaine des systèmes d’information.

Cet article met en avant les travaux de quatre jeunes chercheuses et chercheurs ayant participé au forum2. Ces contributions ont été sélectionnées sur la base de la qualité de l’exposé et de l’article de quatre pages publié dans les actes du Forum Jeunes Chercheurs. Les doctorants sélectionnés ont été invités à détailler leur travail de doctorat sur six pages, ces dernières étant assemblées dans les sections suivantes. Chaque section présente le contexte de la recherche, un bref état de l’art, la problématique de recherche abordée, les actions réalisées, ainsi que les actions futures. Ainsi, Chloé Artaud traite du processus d’authentification de documents sur la base de vérifications d’informations textuelles. Clément Duffau aborde la question de la production de logiciels fiables à partir du recueil d’expertises, et en particulier dans le cadre des systèmes de neurostimulation médicale. Ophélie Fraisier présente l’analyse de sentiments sur Twitter en intégrant les contextes spatiotemporel et social. Et, dans la dernière section, Roland Kotto Kombi considère le traitement élastique des flux de données interrogés par des utilisateurs. Le présent article a été coordonné par Cécile Favre, responsable de l’organisation du Forum Jeunes Chercheurs 2016 se déroulant dans le cadre de la conférence INFORSID.

Figure 1. Répartition géographique des affiliations des 19 doc·torants ayant participé au Forum Jeunes Chercheurs à Inforsid 2016

2. Authentification de documents par la vérification des informations textuelles

Authentification de documents par la vérification des informations textuelles

CHLOÉ ARTAUD

Doctorante de première année au Laboratoire Informatique, Image, Interaction (L3I) 3 de La Rochelle,

sous la direction d’Antoine Doucet et de Jean-Marc Ogier, dans le cadre d’un travail réalisé avec la DGA.

1. Contexte

En 2015, 68 % des entreprises françaises interrogées dans le cadre d’une étude de PricewaterhouseCoopers4 déclarent avoir été victimes d’une fraude au cours des 24 derniers mois. Ces fraudes sont très variées (changements de RIB, fraudes comptables, fraudes aux achats, etc.) et peuvent être réalisées par des personnes externes ou internes à l’entreprise. Dans un autre registre, les administrations publiques sont également victimes de fraudes à travers de fausses déclarations. La Sécurité sociale a ainsi détecté en 2013 un préjudice de 350,5 millions d’euros lié à la fraude aux prestations sociales5. Les institutions ne sont pas les seules à être victimes de fraudes : les particuliers eux-mêmes peuvent être victimes d’arnaques. Lors d’un achat de voiture, certains fraudeurs peuvent par exemple falsifier la carte grise en changeant la date de construction de la voiture, lors de l’achat d’une maison, les diagnostics énergétiques...

3. http://l3i.univ-larochelle.fr/

4. Global Economic Crime Survey 2016 « La fraude explose en France. La cybercriminalité au cœur de toutes les préoccupations », PwC.

Dans le cadre des échanges entre les individus, les entreprises et les administrations, les documents sont très importants et constituent souvent des preuves. À ce titre, il est fréquent que certains documents soient modifiés ou imités, afin d’obtenir des avantages (gagner plus d’argent ou de temps, obtenir un emploi ou une allocation) ou d’éviter des inconvénients (payer des taxes, faire des démarches pour renouveler des certificats ou des ordonnances, être expulsé d’un pays, etc.).

Chaque document doit donc être contrôlé afin de détecter les faux documents (créés de toute pièce en imitant un style ou un modèle) ou les documents falsifiés. Si des solutions existent pour sécuriser et contrôler les documents d’identité, les autres types de documents, qu’ils soient électroniques ou papier, souvent en format A4 et simplement imprimés, sont facilement modifiables.

Le sujet de notre travail s’inscrit donc dans le contexte de la lutte contre les fraudes :  détecter  les  documents  faux  ou  falsifiés,  notamment  en  vérifiant  les informations qu’ils contiennent.

2. État de l’art

La détection des fraudes sur les documents est très peu étudiée, malgré des besoins importants. Nos recherches traversent donc plusieurs domaines, de l’analyse de document à l’ingénierie des connaissances en passant par l’analyse d’image, la recherche  d’information  et  les  digital  forensics,  que  l’on  pourrait  traduire  par « informatique légale », par analogie à  « médecine légale », ou « criminalistique numérique ».  Ce  dernier  champ  disciplinaire  consiste  à  regrouper  des  preuves d’actions illégales en rapport avec l’informatique, comme la cybercriminalité ou l’usage de logiciels à des fins illégales. Trouver la preuve qu’un document nmérique a été modifié après sa date d’émission officielle, par exemple, fait partie des digital forensics : il s’agit de mener des investigations sur des outils informatiques afin de trouver les traces des modifications.

5. Chiffres extraits de la page http://www.securite-sociale.fr/La-fraude-sociale.

La plupart des travaux sur la détection des faux documents concernent des indices graphiques, comme la différence d’inclinaison, de taille, d’alignement ou de bruit d’un caractère par rapport aux autres (Bertrand et al., 2013), la différence de police ou d’espacements des caractères au sein d’un mot (Bertrand et al., 2015), le décalage d’une ligne par rapport aux marges (Beusekom et al., 2010) ou encore l’inclinaison différente des lignes les unes par rapport aux autres (Beusekom et al., 2009). Dans ces travaux, l’hypothèse de départ est que les fraudeurs doivent modifier les éléments du document de façon rapide et simple, souvent dans la précipitation, et que la modification n’est donc pas toujours parfaite, ce qui permet de la détecter.

D’autres travaux en analyse d’image permettent de détecter ou de suspecter des modifications, comme une étude sur les imprimantes et scanners utilisés dans la fabrication du document (Elkasrawi, Shafait, 2014) ou la vérification des tampons (Micenková et al., 2014). Poisel et Tjoa (2011) dressent un état de l’art des recherches de fraudes sur les données multimédias, dont celles sur les images. Plus largement, de nombreux travaux existent sur les modifications des images de scènes naturelles, comme les Copy-Move Forgeries (falsifications par copie d’un morceau de l’image et déplacement dans cette même image) ou la retouche d’image.

Parallèlement à l’analyse d’image, nous nous intéressons aux informations conte- nues dans le document. Si les journalistes s’intéressent de plus en plus au fact checking (vérification des faits), il est difficile de trouver des travaux scientifiques sur la vérification d’information. Nous pouvons cependant citer Goasdoué et al. (2013) et leur outil FactMinder, à la croisée de l’extraction d’information, de la recherche d’information sur le Web et de l’ingénierie des connaissances.

3. Problématique

La recherche sur les faux documents se concentre donc essentiellement sur des analyses graphiques. Cependant, les documents n’étant pas seulement une matrice de pixels, nous pensons qu’il est possible de lier la détection d’indices graphiques à la détection de faux contenus ou de contenus incohérents. En effet, le contenu d’un document est composé d’informations diverses, textuelles et graphiques, ayant toutes un sens. Ces informations sont liées sémantiquement les unes aux autres et peuvent être vérifiées, seules et collectivement. Par exemple, l’adresse d’une entreprise est liée à son nom, et souvent à un numéro de téléphone, un numéro de SIRET...

Aujourd’hui, lorsqu’une personne veut vérifier une information, son premier réflexe est de faire une recherche sur Internet, à l’aide de moteurs de recherche. Généralement, lorsque les mots de la requête sont bien choisis, la page de résultats (SERP, pour Search Engine Results Page) donne une idée de la véracité de l’information. Sinon, il faut explorer les liens ou reformuler la requête. Nous envisageons d’automatiser ce processus afin que tout un chacun puisse vérifier simplement les documents reçus.

Nous pensons donc qu’il serait intéressant de créer un processus capable de comparer automatiquement l’information extraite du document à vérifier avec l’information accessible en ligne, afin de donner une indication sur la fiabilité du document. Ce processus, que nous présentons dans la partie suivante, serait ensuite intégré à un système plus vaste combinant les indices graphiques aux indices de véracité de l’information et de cohérence de l’information, comme nous pouvons le voir dans la figure 2.

Figure 2. Schéma du système de détection de faux documents

4. Actions réalisées

Nous avons élaboré le plan d’un processus qui permettrait de vérifier les informations simples. Il s’agit tout d’abord d’extraire les informations du document (sur un document déjà OCRisé) et de les annoter afin d’en peupler une ontologie. Cette tâche fait partie du domaine de l’extraction d’information. Nous pouvons pour cela créer des règles d’extraction pour chaque information récurrente des documents. Cette extraction peut se faire avec des outils comme Unitex.

Une fois les informations extraites et identifiées, il s’agit d’en faire des requêtes pour un moteur de recherche. Les requêtes peuvent être composées d’une seule information,  qui   correspondra  alors  à   une   instance  de   l’ontologie  (comme « 12345678901234 », instance de la classe « numéro SIRET »), ou de plusieurs mots combinant instances et classes (comme « numéro SIRET Exentrep ») qui associe la classe « numéro SIRET » et l’instance « Exentrep » de la classe « nom société ». Nous avons choisi d’utiliser une ontologie pour pouvoir justement associer des informations grâce aux propriétés.

Ces requêtes permettent de récupérer une SERP dont on peut extraire les informations, en utilisant les mêmes règles d’extraction que précédemment. Il faut ensuite vérifier que les informations extraites sont identiques en les normalisant. Si elles sont identiques, elles deviennent une information unique que nous pouvons donc comparer avec celle du document à vérifier. S’il y a plusieurs résultats différents en revanche, il faut alors les traiter selon le type d’informations recherchées. Dans le cas de l’exemple précédent, le numéro de SIRET le plus probable pour une entreprise est celui qui revient le plus fréquemment dans la recherche associée au nom de l’entreprise. Dans le cas d’une recherche de prix de produit pour la vérification d’une facture ou d’un récépissé, par exemple, il ne s’agit plus de prendre le résultat le plus probable, mais de prendre en compte l’ensemble des prix trouvés, soit en en faisant la  moyenne, soit  en  créant un intervalle acceptable. On peut également vérifier les différents résultats en les requêtant à leur tour et en analysant les résultats de la recherche.

Une fois les résultats extraits, les informations du document et celles de la SERP doivent être comparées. Lorsqu’il s’agit d’une information composée d’une suite invariable de caractères, comme une entité nommée ou un numéro, nous pouvons effectuer une comparaison caractère par caractère. De cette comparaison, nous pourrons affecter un indice de fiabilité à chaque information : plus la différence est grande, plus la fiabilité est faible.

Certaines informations sont plus complexes à traiter. Les chaînes de caractères pouvant contenir des abréviations par exemple doivent faire l’objet d’un traitement linguistique particulier : il s’agit de prendre en compte la variabilité lexicale et syntaxique pour éviter de considérer des informations vraies mais écrites différemment comme fausses. Par exemple, dans le cas de la vérification d’une adresse sur une facture de taxi, il ne faudrait pas qu’une abréviation comme « av. Gal de Gaulle » ne soit pas reconnue comme équivalente à l’expression « avenue du Général de Gaulle ». En effet, cela pourrait conduire à penser que la note de taxi présente une fausse adresse, et donc est un faux document.

Le système ne doit pas seulement vérifier que chaque information du document existe, mais également vérifier les liens entre les informations, c’est-à-dire les propriétés entre les instances et les classes de l’ontologie du document. Les informations extraites d’Internet pourront donc peupler une deuxième ontologie afin de pouvoir la comparer à celle représentant les informations du document. Cela permettra de vérifier les relations inférées lors des deux extractions d’informations en utilisant des méthodes d’alignement d’ontologies.

5. Actions futures

Le processus proposé se fera en deux phases : nous chercherons d’abord à évaluer chaque étape en les réalisant manuellement, puis nous tenterons d’automatiser inté- gralement le processus, si la première phase se révèle concluante. Il s’agira donc à terme d’automatiser le processus tout en laissant à l’utilisateur·trice la possibilité de le superviser et d’intervenir à chaque étape pour corriger d’éventuelles erreurs. Il faudra également évaluer les performances de ce système en comparant les résultats avec ceux obtenus manuellement.

Nous pensons également explorer les liens proposés dans la SERP : nous pouvons pour des informations plus complexes avoir besoin de fouiller le web plus en profondeur. Ainsi, nous pouvons imaginer un système qui tenterait d’extraire les informations sur chaque page explorée et continuer à explorer les liens tant qu’il n’a pas trouvé suffisamment d’informations pertinentes.

Dans un dernier temps, nous chercherons à associer ces indices sémantiques aux indices graphiques décrits dans l’état de l’art pour réaliser un système de détection des fraudes complet où l’utilisateur(trice) n’aura qu’à entrer le document à vérifier pour  que  le  système  lui  donne  un  taux  de  fiabilité  pour  ce  document.  La combinaison de ces indices permettra de localiser les falsifications dans le document et d’augmenter la précision et le rappel du système : si le document contient une anomalie graphique ainsi qu’une anomalie sémantique au même endroit, la probabilité que ce document soit faux sera très forte.

Il serait également intéressant de pouvoir rentrer dans le système non pas un seul document mais un lot de documents liés sémantiquement les uns aux autres pour vérifier la  cohérence des  informations d’un document à  l’autre, ainsi que  pour vérifier graphiquement que des caractères ou des mots n’ont pas été copiés-collés d’un document à l’autre. Cela permettrait de vérifier par exemple que les notes de frais de taxi ou d’hôtel présentées pour remboursement à un employeur ou une administration sont cohérentes avec les horaires et les lieux des obligations professionnelles  de   l’individu,  inscrites  dans   son   agenda   ou   dans   d’autres documents, de type invitations, ordres de mission, convocations.

3. Du recueil d’expertises à la production de logiciels fiables : application aux systèmes de neurostimulation médicale

Du recueil d’expertises à la production de logiciels fiables : application aux systèmes de neurostimulation médicale

CLÉMENT DUFFAU

Doctorant de première année au Laboratoire d’informatique, signaux et systèmes de Sophia Antipolis (i3S)6,

sous la direction de Mireille Blay-Fornarino

1. Contexte

La problématique portée par la société AXONIC est la production de systèmes de neurostimulation médicale (SNSM) dédiés à différentes pathologies (e.g., obésité, douleur fantôme). Un SNSM se présente comme un neurostimulateur (partie hardware), ses électrodes de stimulation et un logiciel de pilotage. Ce logiciel est un système d’information utilisé par différents corps de métiers (chirurgien, clinicien, patient). Les systèmes ainsi développés doivent répondr·e à des normes·strictes qui reposent entre autres sur un cycle de développement qui inclut de nombreuses phases de tests et en particulier, une fois la vérification & validation passée, sur des campagnes d’expérimentations mettant en jeu différents sujets (de l’animal à l’homme avec différentes caractéristiques). En fonction des phases de tests, des propriétés différentes sont recherchées (e.g. seuils de douleur, efficacité, identification des effets indésirables). On parle d’expérimentation, lorsque l’on mène sur un même sujet un ensemble de stimulations. Chaque stimulation donne lieu à des résultats physiques « bruts » (e.g. ressenti patient, imagerie médicale). Les résultats obtenus dans le cadre d’une expérimentation sont ensuite interprétés par des experts métiers (e.g. cliniciens, chirurgiens) qui en déduisent alors la validation ou non des propriétés recherchées ; l’ensemble stimulation, résultat, et interprétation devient alors une connaissance.

Sur la base de ces connaissances, il s’agit alors de contraindre les SNSM pour, par exemple, interdire les stimulations qui conduisent à de la douleur. Aujourd’hui, cette étape repose principalement sur le développeur qui doit configurer le logiciel pour traduire ces différentes « connaissances » en contraintes et recommandations. Or chaque SNSM présente ses propres caractéristiques (e.g., type de stimulateur, implantation ou non, forme de l’onde électrique), ce qui conduit à une grande variabilité des SNSM. Les systèmes eux-mêmes présentent des plages de paramétrages différentes en fonction des sujets, des pathologies, des propriétés recherchées.

Dans cette thèse nous nous intéressons à faciliter la production de SNSM adaptés aux sujets et aux pathologies en intégrant la prise en compte des expérimentations dans le cycle de production de ces SNSM. Bien qu’appliquée dans le contexte de cette thèse au domaine médical porté par la société AXONIC, cette problématique est généralisable à la mise en œuvre de grands systèmes, dès que la connaissance sur ces systèmes dépend d’expérimentations.

6. http://www.i3s.unice.fr/

2. État de l’art

Les lignes de produits logiciels (LPL) sont des solutions bien adaptées pour pro- duire des logiciels fiables, automatiquement (Pohl et al., 2005). Dans notre cas d’étude, la ligne doit évoluer pour intégrer non seulement de nouvelles fonctionnalités (e.g., nouveau stimulateur, nouvelle pathologie) mais également et surtout, s’enrichir des connaissances acquises. En cela, nous nous approchons d’une problématique d’écosystème (Bosch, 2009). Toute la difficulté est alors de faire évoluer les assets associés (au sens de la LPL, artefacts nécessaires à la production de codes) (Seidl et al., 2012).

L’évolution du logiciel a largement été étudiée (Mens et al., 2005). Plus spécifi- quement, nous nous intéressons aux évolutions au cours du cycle de vie, à quel niveau ont-elles un impact et comment les mettre en œuvre (Buckley et al., 2005). Nous axons notre travail sur l’enrichissement d’une LPL à partir d’expérimentations qui est un point, à notre connaissance, non abordé dans la littérature.

Il s’agit donc d’être capable de capitaliser les connaissances recueillies lors des expérimentations. Ainsi Polacsek (Polacsek, 2016) propose d’organiser les connaissances sous la forme de graphes d’argumentation. À partir d’évidences et conformément à des stratégies bien fondées, des conclusions sont établies (logique, responsabilité humaine). Dans le cadre de cette thèse, il s’agit d’assurer la cohérence de l’ensemble du graphe et de permettre son enrichissement dans ce processus semi- automatique. Sur la base des conclusions, le système doit automatiquement respecter les contraintes et situations apprises des expérimentations. Toute la difficulté pour nous est alors de n’autoriser que des assertions et de détecter les incohérences. Ainsi, contrairement à des approches de data mining (Donoghue et al., 2015), nous ne cherchons ni à nous substituer aux cliniciens ni à optimiser les paramètres de sélection des stimulations.

Ces  expérimentations suivent un  processus prédéfini :  1)  établissement d’un protocole clinique (e.g. nombre de sujets, taux de succès du traitement attendu, profils de sujets), 2) planification des essais (e.g., cibler des sujets disponibles, se coordonner avec la structure hospitalière), 3) traiter (e.g., pose du dispositif médical, calibrage, stimulation), 4) analyser les résultats (e.g., réactions du patient, imagerie médicale, effets secondaires), 5) présenter (e.g., écriture d’article scientifique, certification). Dans la lignée des travaux de Wohlin et al. (2000), nous nous intéressons plus spécifiquement aux étapes 4 et 5, analyse/interprétation et présentation, avec l’objectif de proposer des moyens numériques pour aider et capitaliser sur ces étapes essentielles.

3. Problématique

La figure 3 présente notre point de vue actuel sur la problématique abordée dans cette thèse : construire automatiquement un système d’information (SI) qui respecte les contraintes apprises à partir d’expérimentations. On distingue 3 catégories d’acteurs : 1) les « Experts » apportent leur expertise technique en amont du projet pour définir les contraintes globales du système en s’appuyant sur l’état de l’art, 2) les « Product Designers » sont en charge de configurer la ligne pour générer le SI dédié et, 3) les « Experimentators » sont les utilisateurs finaux. Nous identifions les défis suivants.

D1, D6 :     Alimenter    la     base    de     connaissances.    Aujourd’hui    les expérimentations sont mémorisées à travers des fiches techniques, des documents ou tableurs synthétisant les résultats d’une expérimentation. Ces données sont hétérogènes, non liées entre elles et constituent un ensemble documentaire volumineux. Les informations sont donc diffuses et peu maîtrisables par la totalité des  expert.  Le  défi  est  de  maintenir  l’expression de  ces  expertises  séparée  et incrémentale, tout en garantissant la cohérence des connaissances qui en résultent. Or une expérimentation peut être contredite ultérieurement. Il faut donc être capable de gérer ses incohérences et évolutions. La problématique du passage à l’échelle se pose aussi, notamment sur la remontée de connaissances issues d’expérimentations.

Figure 3. Vision globale de la problématique

D2 : Relation entre la connaissance et la LPL. La maîtrise de la « ligne de produits logiciels » repose aujourd’hui sur l’ingénieur logiciel, à l’intersection de plusieurs corps de métiers. Pour libérer le développeur ·ou la développeuse et en même temps garantir la prise en compte des connaissances acquises, le défi principal est d’être capable d’exploiter automatiquement les connaissances au niveau des différents types d’assets qui constituent la ligne de produits et de garantir différentes propriétés sur le système résultant comme par exemple que l’ensemble des configurations de stimulation proposées pour un traitement chez l’homme ont été « testées » auparavant, avec toutes les ambiguïtés à lever derrière ce terme.

D3 :  Utiliser  la  LPL  pour  configurer  des  SI  dédiés.  Contrairement  aux approches classiques, les produits issus de la ligne, suivant leur degré de maturité, peuvent être utilisés pour des besoins différents : R&D, telle une recherche sur une nouvelle pathologie (e.g. état de l’art, affiner un traitement) ou production quand l’étape de R&D est jugée suffisamment concluante. Le SI dédié se trouve fortement impacté par cette distinction. Ainsi, suivant les besoins, le Product Designer qui sera amené à le configurer sera différent. Ceci impacte les choix dans la configuration du produit notamment sur les rôles utilisateurs. Il semble qu’il y ait un niveau intermédiaire de configuration (Hubaux et al., 2009).

D4, D5 : Générer un produit utilisable issu de la configuration. Le produit généré sera composé de deux modules qui doivent interagir : le logiciel pour réaliser les  expérimentations  et  celui  pour  effectuer  le  recueil  de  résultats d’expérimentations. Le premier pilote les expérimentations tandis que le second permet de capitaliser sur les résultats de ces expérimentations. La problématique est donc de générer ces modules en tenant compte du modèle métier et de l’usage qui en sera fait.

4. Actions réalisées

Domain Specific Languages (DSL) dédiés. Un DSL, pour le clinicien, a été défini, permettant de collecter des contraintes (D1). Nous avons également traité la transformation de ces contraintes dans un modèle exploitable par la LPL abordant ainsi le défi D2.

LPL. La caractérisation du domaine a été réalisée pour les produits existants au sein de la société via une représentation sous forme de Feature Models (Kang et al.,

1990). Nous avons aussi travaillé autour du module de recueil d’analyse d’expérimentations pour définir une maquette de la Graphical User Interface (GUI) répondant aux besoins des personnes qui expérimentent, qui sont les cliniciens et plus généralement les professions médicales dans le cadre de l’entreprise (D3, D4).

Représentation de la connaissance. Le travail sur cette GUI nous a permis de réaliser un premier modèle abstrait des informations à afficher et à recueillir (D5).

5. Actions futures

Domain Specific Languages (DSL) dédiés. Nous travaillons actuellement à définir  un  DSL,  métamodèle  et  GUI,  pour  un  autre  expert  dans  le  but  de  se confronter à l’hétérogénéité des données (D1) et à la collecte des expérimentations (D5, D6). La gestion des incohérences qui peuvent apparaître dans la base de connaissances (D1, D6) fait partie des actions futures.

LPL. La correspondance entre les contraintes issues de la base de connaissances et les assets reste un défi pour lequel les pistes envisagées portent sur des techniques de  méta-modélisation (D2) (Favre  et  al.,  2006).  Le  développement  du  premier prototype du GUI d’expérimentation doit nous permettre d’établir les bases pour la production automatique idoine des GUI (D4, D5).

Représentation de la connaissance. Il nous reste à valider ce modèle sur des expérimentations réelles puis à travailler sur leur transformation en données exploitables.

Une piste nous vient de la théorie de l’argumentation (Polacsek, 2016)(D6). Les diagrammes d’argumentation permettent de structurer l’évolution de la connaissance par des pas d’argumentation. Chaque pas représente une analyse humaine ou automatique basée sur des évidences et amenant donc à une conclusion réutilisable comme une évidence pour les pas suivants (figure 4).

Figure 4. Exemple de diagramme d’argumentation dans le contexte d’application du biomédical

4. Intégration des contextes spatiotemporel et social pour l’analyse de sentiments sur Twitter

Intégration des contextes spatiotemporel et social pour l’analyse de sentiments sur Twitter

OPHÉLIE FRAISIER

Doctorante de première année rattachée à l’Institut de recherche en informatique de Toulouse (IRIT)7, sous la direction de Mohand Boughanem, Guillaume Cabanac et Yoann Pitarch,

et au CEA Tech Midi-Pyrénées8, sous la direction de Romaric Besançon

1. Contexte

L’analyse de sentiments9 est une tâche qui mobilise la recherche depuis quelques années. Ceci est notamment dû au fait que l’explosion des médias sociaux a permis à n’importe quelle personne disposant d’un accès au net de s’exprimer publiquement. Le domaine bénéficiant d’un transfert rapide vers le monde industriel, nombreuses sont les entreprises qui peuvent aujourd’hui surveiller leur image sur le net (Viralheat, Brand24, Linkfluence, etc.).

7. https://www.irit.fr

8. http://www.cea-tech.fr

9. Les termes sentiment et opinion sont souvent utilisés de manière interchangeable dans la littérature existante. J’utiliserai ici ces termes comme des synonymes désignant l’expression d’un avis positif, négatif ou neutre de la part de l’auteur du texte.

Les sentiments sont des états privés, car ils ne sont pas observables et vérifiables de manière objective. De nombreuses méthodes ont néanmoins été développées pour détecter et catégoriser ces états privés à partir de textes, en utilisant des techniques de traitement automatique des langues, des lexiques spécialisés et des méthodes d’apprentissage automatique (Liu, 2012). Les sentiments peuvent se diviser en deux catégories : les sentiments explicites, qui sont portés par les termes employés dans le texte,  et  les  sentiments  implicites,  qui  nécessitent  de  connaître  le  contexte  du discours pour les détecter correctement (les messages ironiques par exemple). La littérature actuelle porte principalement sur la détection des sentiments explicites.

Les données analysées sont souvent issues de plateformes de microblogs, dont la plus  connue  et  la  plus  utilisée  est  Twitter.  Les  messages  qui  y  sont  publiés s’appellent  des  tweets  et  sont  limités  à  140  caractères.  Un  utilisateur  peut mentionner d’autres membres du réseau dans ses tweets et retweeter leurs messages, c’est-à-dire les diffuser à son propre réseau. Ces interactions forment un contexte social qui peut être exploité pour une meilleure analyse du contenu.

Par ailleurs, les sentiments d’une personne peuvent évoluer au cours du temps  et être influencés par de nombreux facteurs. Ma thèse porte sur la problématique de détection de sentiments à partir de tweets, tout en considérant des éléments contextuels tels que la localisation de l’auteur, l’horodatage des messages ainsi que les relations sociales qu’il/elle a établies avec les autres membres du réseau.

2. État de l’art

La recherche d’information est un domaine ayant toujours accordé une grande importance à l’évaluation des modèles développés. De nombreuses campagnes d’évaluation permettent de comparer son système de classification de sentiments à celui d’autres équipes de recherche et d’industriels sur des jeux de données communs. Parmi les campagnes d’évaluation internationales, les plus importantes sont TREC et SemEval. Il existe également des campagnes francophones, telles que DEFT.

Les approches de classification rencontrées dans ces campagnes peuvent se diviser en deux grandes familles : les approches lexicales basées sur des lexiques tels que Senti-WordNet (Feldman, 2013) et celles à base d’apprentissage utilisant des corpus annotés (Xia et al., 2011). Parmi ces dernières, les approches distributionnelles (Irsoy, Cardie, 2014) – définissant le sens d’un mot par rapport à son contexte – sont particulièrement populaires.

Ces approches sont centrées sur le texte et ne tiennent donc pas compte du contexte social – c’est-à-dire des interactions entre utilisateurs. Or, ces interactions sont primordiales dans les réseaux sociaux tels que Twitter. Certaines équipes de recherche ont donc tenté d’enrichir leur analyse en utilisant des théories sociales (Tang et al., 2014):

– l’influence des pairs (Zhang et al., 2014) et l’homophilie (Kuo et al., 2016 ; Wu et al., 2016) : une personne aura tendance à se rapprocher des personnes avec qui elle partage des caractéristiques (genre, âge, points de vue, etc.) et ses sentiments seront influencés par les sentiments exprimés par ces personnes,

– les théories de l’équilibre et du statut (West et al., 2014) modélisent l’équilibre et la transitivité des sentiments exprimés dans une triade (« l’ami de mon ami est mon ami » ou « l’ennemi de mon ami est mon ennemi »),

– la consistance du sentiment (Hu et al., 2013) : les sentiments d’une personne sont liés aux sentiments qu’elle aura précédemment exprimés vis-à-vis du sujet.

Ces interactions sociales – explicitement disponibles sur Twitter – peuvent être utilisées pour détecter des communautés. De nombreux algorithmes de détection de communautés existent, notamment l’algorithme de Louvain (Blondel et al., 2008) qui est particulièrement efficace sur de très grands graphes.10

Pour ce qui est du contexte spatial, plusieurs travaux ont déjà mis en relation  les sentiments avec les régions desquelles ils émanaient. Allisio et al. (2013) ont notamment visualisé la répartition géographique des sentiments de leur corpus en les représentant sur une carte de l’Italie, afin de repérer les villes et régions dans lesquelles les utilisateurs exprimaient les sentiments les plus positifs ou les plus négatifs.

3. Problématique

Comme nous l’avons vu dans la section précédente, plusieurs modèles de détection des sentiments ont déjà été proposés pour prendre en compte le contexte social des auteurs. Néanmoins, ces modèles présentent plusieurs limites, dont la principale est le fait que l’analyse de sentiment et l’analyse sociale soient menées séparément.

Or, le sentiment éprouvé vis-à-vis de certains termes peut être intimement lié au point de vue de l’auteur (par exemple pour des termes tels que capitalisme ou IVG). Pour ces termes-là, le se· ntiment ne peut pas être déterminé sans prendre en compte le contexte social. L’hypothèse d’homophilie nous permet de considérer que les points de vue de personnes appartenant aux mêmes communautés sont similaires. Notre démarche est donc de détecter, pour un sujet donné, la communauté d’appartenance de l’auteur e afin de repérer les sentiments exprimés dans ses tweets de manière·plus précise.

L’évolution des communautés au cours du temps pourrait permettre de voir si les utilisateurs sont réceptifs aux arguments adverses, et donc prêts à changer d’avis, ou tendent au contraire à rester dans leur camp d’origine.

10. L’analyse d’un réseau de 2 millions de nœuds prend 2 minutes sur un ordinateur standard.

Cette analyse sociale pourrait donc apporter un éclairage nouveau sur certains messages,  et  notamment  permettre  de  révéler  certains  sentiments  implicites invisibles pour les autres modèles de détection de sentiments. La problématique de ma thèse consiste donc à assembler ces deux composantes que sont l’analyse de sentiments et l’analyse sociale afin de proposer une synthèse multi-factorielle utile et lisible.

4. Actions réalisées

Afin de me familiariser avec les méthodes d’évaluation du domaine de la recherche d’information, j’ai réalisé un état de l’art des campagnes d’évaluation et des tâches proposées par celles-ci. Ceci a également permis de repérer quelles tâches pourraient être intéressantes, qu’il s’agisse de tâches actuelles auxquelles il serait possible de participer dans le futur ou de tâches passées pour lesquelles les jeux de données et les résultats sont disponibles (Fraisier, 2016). L’étape suivante a été de définir le front de recherche actuel afin de savoir où situer mon travail et mes potentielles contributions dans le domaine (voir section 4.2).

J’ai effectué une première expérimentation pour découvrir les algorithmes clas- siques, avec une approche à base d’apprentissage supervisé sur une tâche de classifi- cation automatique de tweets en opinions positives/négatives/neutres. Les données d’évaluation proviennent de la tâche 2 de la campagne SemEval 2013 et sont composées de 9 655 tweets d’entraînement et de 3 813 tweets de test. Les résultats, présentés dans la figure 5, montrent que l’on obtient de bons résultats avec cette approche assez simple, le meilleur des modèles testé permettant d’obtenir un F- score  de  0,60  alors  que  le  meilleur  résultat  obtenu  par  les  participant  de  la campagne est de 0,69.

Tableau 1. Résultats des expérimentations sur la classification des tweets de la tâche 2 de la campagne SemEval 2013 (le score F1 du meilleur participant était de 0,69)

Afin d’étudier les liens entre sentiments et communautés, j’ai décidé d’analyser un jeu d’environ 330 000 tweets provenant du mouvement #Gamergate (Baio, 2014). Ce hashtag rassemblait les Gamergaters qui affirmaient vouloir dénoncer le manque de déontologie des journalistes du monde du jeu vidéo et leurs détracteurs qui soutenaient qu’il s’agissait d’un mouvement de harcèlement des femmes du milieu. Les interactions entre utilisateurs ont été modélisées grâce à un graphe de mentions, un graphe de retweets et un graphe global prenant en compte ces deux interactions. L’algorithme de Louvain a été utilisé pour détecter les communautés (voir tableau 2).

Tableau 2. Synthèse des communautés détectées (un graphe est considéré comme ayant une structure de communauté significative à partir d’une modularité ≥ 0,3)

Afin de catégoriser les sentiments exprimés, j’ai constitué un jeu d’entraînement équilibré de 6 millions de critiques négatives, neutres et positives tirées de Leskovec et Krevl (2014)11  Ce jeu de données a servi à entraîner un SVM à noyau linéaire. Une fois appliqué sur notre jeu de données, nous obtenons 62 % de tweets négatifs, 20 % positifs et 18 % neutres. En aggrégeant les sentiments au niveau auteur e avec une règle de majorité, nous avons 61 % d’auteurs exprimant des sentiments négatifs, 15 % des sentiments positifs et 24 % des sentiments neutres.

En analysant ces données au niveau des communautés, bien que les sentiments exprimés soient majoritairement négatifs et qu’on retrouve le même vocabulaire employé, le sujet de ces sentiments n’est pas le même selon qu’on se trouve dans une communauté pro ou anti Gamergate 12. Les personnes de la communauté pro Gamergate expriment des sentiments négatifs principalement envers les journalistes et  les  féministes  alors  que  les  personnes  de  la  communauté  anti  Gamergate expriment des sentiments négatifs envers les Gamergaters.

5. Actions futures

Les premiers travaux réalisés ont mis en évidence la nécessité de détecter le sujet des sentiments afin d’exploiter au mieux les communautés. Il sera donc nécessaire de  rajouter  cet  élément  au  modèle  en  plus  d’autres  caractéristiques  pouvant améliorer la classification (présence de ponctuation, d’émoticône, de négation, etc.). Je tenterai d’appliquer ce nouveau modèle à un jeu de tweets portant sur la loi travail ou le Brexit afin d’étudier les communautés présentes sur ce sujet sur Twitter, leurs préoccupations et leurs interactions.

Je déterminerai également comment évaluer les différentes composantes de ce nouveau modèle. Afin de comparer notre modèle à d’autres, une participation à une campagne  d’évaluation  est  fortement  envisagée.  Il  pourrait  s’agir  de  la  tâche « Sentiment  Analysis  in  Twitter »  de  SemEval  ou  la  nouvelle  tâche  TREC combinant  « Microblog »  et   « Temporal  Summarization ».   L’une  des  limites rencontrée par rapport aux jeux de données disponibles est liée à la nouveauté de notre tâche : nous avons à la fois besoin des annotations liées aux sentiments et des interactions sociales entre utilisateurs.

À plus long terme, ce modèle pourra être enrichi par une première étape de détection des thèmes. En effet, il paraît peu probable que les communautés des membres Twitter restent les mêmes quel que soit le sujet abordé.

11. Le choix d’un jeu d’entraînement composé d’un grand nombre de critiques plutôt que d’un nombre plus restreint de tweets se base sur Mansour et al. (2013) qui indiquent qu’un classifieur bien entraîné sera robuste aux changements de domaines. Le jeu de données de Leskovec et Krevl (2014) étant reconnu pour sa qualité, j’ai choisi de m’appuyer sur celui-ci.

12. Malgré un vocabulaire et des sentiment similaires, le camp est facilement identifiable grâce aux utilisateurs les plus influents et aux tweets les plus représentatifs de la communauté (déterminés grâce à IraMuTeQ (Ratinaud, 2009)).

Remerciements

Ce travail a été réalisé grâce à l’obtention d’un financement Contrat Laboratoire - Entreprise numéro 14050975 soutenu par la Région Midi-Pyrénées.

5. Traitement élastique des flux de données guidées par les flux et par les ressources

Traitement élastique des flux de données guidées par les flux et par les ressources

ROLAND KOTTO KOMBI

Doctorant de deuxième année au Laboratoire d’InfoRmatique en Image et Systèmes d’Information (LIRIS)13 à l’INSA de Lyon,

sous la direction de Philippe Lamarre et

Nicolas Lumineau

1. Contexte

Avec la prolifération de sources de flux de données (capteurs, objets connectés, etc.), les méthodes d’acquisition, stockage et traitement de ces données ont évolué. Ces sources émettent des données éphémères qui nécessitent un traitement à la volée en temps réel. Un flux de données est une séquence d’items potentiellement infinie et imprévisible en termes de débit et de distribution des valeurs parmi les items. L’interrogation de ces flux via des requêtes, dites continues14, représente un défi majeur en  termes de  performance pour  le  traitement en  temps réel :  passage à l’échelle pour la gestion de flux massifs et robustesse pour permettre le traitement continu des données. Afin de répondre à ces enjeux, des systèmes de gestion de flux de données (Schneider et al., 2009 ; Peng et al., 2015 ; Xu, Peng, 2016) ont été développés. Dans la suite de cette section, nous nous intéressons aux approches qui permettent l’exécution de requêtes continues de manière parallèle et distribuée.

13. http://liris.cnrs.fr/

14. Requêtes émettant des résultats au fur et à mesure que des items arrivent.

Figure 5. Fonctionnement d’une communauté d’utilisateurs

Dans le cadre du projet ANR Socioplug15, un ensemble d’utilisateurs sou·haite interroger des services générant des flux de données (voir figure 5). Pour cela, chaque utilisateur dispose d’une unité de traitement aux ressources limitées en terme de capaci·té de calcul et de stockage. Dans notre approche, les utilisateurs sont organisés ·en  groupes,  appelés  communautés. Chaque  communauté regroupe  les utilisateurs intéressés par le résultat de requêtes équivalentes (Dufromentel et al., 2015). Une fois la communauté constituée, la requête continue peut alors être exécutée de manière parallèle et distribuée sur l’ensemble des unités de traitement associées aux utilisateur trices de la communauté. Cela permet donc de mutualiser les ressources des utilisateur trices afin de permettre le traitement de la requête qui n’aurait pu être géré individuellement.

2. Problématique

Dans un contexte de traitement parallèle et distribué de requêtes continues sur des flux  à  débit  et  distribution  variant,  trois  principaux  problèmes  se  posent :  la performance du traitement (latence), la qualité des résultats (en fonction des pertes de données) et la consommation des ressources (adéquation entre ressources et traitements).

15. http://socioplug.univ-nantes.fr/index.php/SocioPlug_Proj·ect

D’un point de vue de la performance du traitement, le système doit être en mesure  de  renvoyer  des  résultats  à  l’utilisateur  dans  un  délai  acceptable.  En considérant par exemple une requête continue calculant, toutes les 30 secondes, la moyenne d’une valeur sur les cinq dernières minutes. Si le calcul de la moyenne prend 45 secondes, alors les résultats observés par l’utilisateur trice ne correspondront plus à son besoin car ils auront été calculés avec des valeurs obsolètes.

D’un point de vue de la qualité des résultats, le système doit être en mesure d’évaluer voire maîtriser les pertes de données. En effet, les items d’un flux étant éphémères, des pertes irréversibles peuvent subvenir. Ces pertes peuvent être volontaires, par exemple si le système dispose d’une stratégie d’échantillonnage. Dans le cas contraire, des pertes involontaires peuvent subvenir si les ressources allouées pour les traitements ne sont pas adaptées.

Au niveau de la consommation des ressources, il est important que le système n’alloue que les ressources nécessaires pour l’exécution de chaque requête continue. Au-delà de l’aspect Green IT qui vise à économiser des ressources et donc de l’énergie, il est nécessaire de rappeler que les utilisateurs peuvent appartenir à plusieurs communautés, ce qui impliquera une gestion partagée des ressources.

Enfin, dans le contexte Socioplug, l’utilisateur t·rice n’a pas une connaissance complète sur la ou les communautés auxquelles il/elle appartient. Il ne peut donc pas avoir une influence sur les critères précédents en guidant le système. Il est donc nécessaire que le système soit capable de prendre des décisions d’auto-adaptation sans intervention d’un tiers.

L’adaptation des ressources par rapport aux traitements, dit traitement élastique (Hirzel et al., 2014), a pour objectif de maintenir une qualité et une performance satisfaisante du système quelles que soient les variations des flux d’entrée. Ce sont sur ces aspects liés à l’élasticité que nous nous focaliserons ici.

3. État de l’art

Une requête continue peut être représentée comme un graphe orienté acyclique. Chaque nœud correspond à un opérateur atomique et les arêtes définissent l’ordre d’exécution des opérateurs. Nous considérons les flux de données comme une séquence potentiellement infinie d’items. Chaque item est décrit par un schéma S et une estampille. Par exemple, les items d’un flux de messages sur un réseau social, peuvent  être  décrit  par  le  schéma  S :   <auteur,sujet,destinataire,message>  et l’estampille correspond à la date d’émission du message avec une précision de l’ordre de la seconde. Ainsi, plusieurs items peuvent donc partager une même estampille. Les flux que  nous considérons ont  un débit et  une  distribution des valeurs variant au cours du temps.

Le défi auquel nous nous attaquons consiste à adapter les ressources allouées à une requête continue par rapport aux variations du débit des flux et l’évolution de leurs  distributions.  Deux  niveaux  d’adaptation  dynamique  pour  le  traitement élastique  en  environnement  distribué  sont  considérés  :  la  parallélisation  et  le placement des opérateurs.

D’un côté, (Schneider et al., 2009 ; Xu, Peng, 2016) se sont intéressés à la parallélisation des opérateurs. En effet, en modifiant le nombre de répliques d’un même opérateur, ces systèmes influent sur sa capacité d’absorption des flux. Par exemple, un opérateur exécuté par une seule réplique et étant capable de traiter 50 items par seconde, devrait pouvoir traiter près de 100 items par seconde s’il est exécuté par deux répliques sur deux unités de traitement distinctes. La parallélisation des opérateurs permet donc d’adapter dynamiquement la capacité de traitement. Cependant, augmenter le nombre de répliques d’un opérateur peut engendrer des échanges réseaux (Xu et al., 2014) plus importants, si les répliques sont distribuées sur plusieurs unités de traitement, ce qui peut dégrader les performances. De plus, les solutions existantes ne prennent pas en compte la sélectivité des opérateurs. La sélectivité d’un opérateur se définit comme le rapport entre le nombre d’items renvoyés en sortie et le nombre d’items traités. En effet, de nombreux opérateurs effectuent un filtrage des items reçus en entrée par rapport à leurs valeurs. L’algorithme présenté par Xu et Peng (2016) permet d’évaluer l’effet de la réplication d’un opérateur sur la requête continue mais ne prend pas en compte la sélectivité des opérateurs. Il apparaît alors nécessaire de prendre en compte ce facteur pour définir un mécanisme dynamique de gestion de la parallélisation des opérateurs qui pourra reposer sur une gestion pertinente de la congestion des opérateurs.

D’un autre côté, le choix d’une stratégie de placement des opérateurs a un impact direct sur les performances du système. Comme présenté dans (Xu et al., 2014 ; Peng et  al.,  2015),  plusieurs  stratégies  de  placement  existent.  Elles  peuvent  être regroupées en deux grandes catégories : les stratégies basées sur la répartition de la charge entre les unités de traitement et celles basées sur le trafic réseau. La première catégorie de stratégie de placement vise à répartir le plus équitablement possible la charge entre les unités de traitement. Du point de vue de la performance, ces stratégies sont intéressantes car elles vont permettre de répartir équitablement les augmentations de charge dues aux variations de débit des flux d’entrée. Cela assure donc une bonne stabilité du système et réduit les chances de création de goulots d’étranglement. Cependant, cette répartition de charge engendre naturellement une forte dispersion des opérateurs sur les unités de traitement et génère un trafic réseau important. La seconde catégorie de stratégies tend à regrouper dynamiquement, sur de mêmes unités de traitement, les opérateurs échangeant les volumes de données les plus importants tout en évitant de saturer ces unités. Les résultats présentés dans (Xu et al., 2014 ; Peng et al., 2015) ont montré que le trafic réseau est un facteur prédominant sur les performances d’un système distribué de traitement de flux. Une conséquence de ces stratégies, est la dispersion des traitements par rapport aux stratégies basées sur la répartition de charge.

4. Actions réalisées

Afin de traiter les problématiques soulevées en section 5.2, une étude bibliogra- phique a été réalisée et les résultats ont été synthétisés dans (Kotto-Kombi et al., 2015). De cette étude bibliographique, nous avons établi une classification basée sur trois  grands  critères :  le  paradigme  selon  lequel  les  requêtes  continues  sont représentées (graphe orienté acyclique, job MapReduce, hybride), le support d’exécution des requêtes continues (centralisé ou distribué) et enfin le type d’opérateurs supportés.

Suite à ce travail de classification, nous avons pu mettre en évidence les limites des solutions existantes. En effet, à notre connaissance, les solutio·ns distribuées de traitement  de  flux  nécessitent  l’expertise  et  l’intervention  de  l’utilisateur  pour adapter la parallélisation des opérateurs d’une requête continue. Cela présente, dans notre contexte, une contrainte non acceptable. De plus, ces systèmes ne sont pas guidés par la qualité des résultats mais uniquement par les performances. Enfin, même du point de vue de la performance, ces systèmes se basent sur une stratégie de placement sans faire de compromis entre stabilité, dispersion des traitements et performance.

Afin de répondre au problème de l’adaptation dynamique du système, nous avons proposé une architecture générique basée sur l’observation des capacités d’absorption et de traitements des opérateurs. L’intérêt principal de cette architecture est de permettre une optimisation modulaire du processus de traitement des requêtes continues.

Comme illustré sur la figure 6, cette architecture se divise en trois couches. Une première couche, dite couche de réorganisation logique, prend en entrée une requête continue définie soit par un graphe soit par un langage déclaratif comme CQL (Arasu et al., 2006) et renvoie le graphe orienté acyclique qui est considéré comme le graphe optimal pour représenter la requête continue. La seconde couche, dite d’allocation virtuelle, prend en entrée le graphe optimal et définit dynamiquement le nombre de répliques associées à chaque opérateur. Cette couche est donc celle qui va influer directement sur la qualité des résultats. Pour maîtriser cette qualité, nous observons à intervalles réguliers le nombre d’items reçus et traités pour chaque opérateur. De ce fait, nous sommes en mesure d’identifier quels opérateurs disposent de ressources insuffisantes. De cette manière, lorsqu’un opérateur est considéré comme congestionné16, le système augmente dynamiquement le nombre de répliques de cet opérateur et les place sur d’autres unités de traitement afin d’augmenter la capacité globale de traitement de l’opérateur. De cette manière, dans la limite des ressources dont le système dispose, nous sommes en mesure de maîtriser la qualité des résultats. Enfin, la troisième couche, dite d’allocation physique, place les différentes répliques d’opérateurs  sur  les  unités  de  traitement  en  suivant  une  stratégie  d’allocation prédéfinie. Cette couche influe donc directement sur la stabilité et la performance du système. Nous sommes actuellement en train d’étudier une stratégie d’allocation tenant à la fois compte de la dispersion des traitements et de la stabilité du système.

16. Opérateur générant une perte de données du fait de la saturation de sa file d’exécution.

Figure 6. Architecture générique

Nous  avons  choisi  d’implémenter la  première  version  de  notre  architecture générique en  surcouche du système de  traitement distribué de  flux de donnéesApache Storm17. Storm est un système permettant l’écriture de requêtes continues opérateur par opérateur dans un langage de programmation haut niveau (JAVA ou Clojure). Nous avons choisi ce système pour ses performances supérieures à la plupart des solutions existantes mais également pour sa robustesse (gestion automatique des pannes, forte extensibilité). Nous avons mis en place la couche d’allocation virtuelle qui permet de modifier dynamiquement le nombre de répliques associées à chaque opérateur sans intervention de l’utilisateur. Nous travaillons actuellement sur les indicateurs qui permettent de détecter les opérateurs congestionnés afin d’améliorer significativement les performances suite à un changement de degré de parallélisme. De plus, nous évaluons également les métriques  à  considérer  pour  réduire  dynamiquement  le  nombre  de  répliques lorsqu’un opérateur est exécuté par un nombre important de répliques faiblement chargées.

5. Actions futures

En plus de nos travaux en cours, nous nous intéressons à deux axes complémentaires ayant un impact direct sur la performance du système et la qualité globale des résultats : la stabilité et la capacité d’anticipation.

Bien que le trafic réseau soit un facteur prédominant sur la latence globale d’une requête continue, la stabilité du système joue un rôle important dans les performances. Un système adaptant très fréquemment l’allocation des opérateurs sur les unités de traitement, engendre des surcoûts importants en termes de reconfiguration et potentiellement des pertes de données involontaires dégradant considérablement la qualité globale des résultats. La stratégie d’allocation que nous allons définir intégrera une fonction de coût permettant d’estimer le bénéfice d’une reconfiguration des opérateurs sur les unités de traitement par rapport au temps nécessaire pour la réaliser et l’impact sur la qualité des résultats. Cette stratégie serait alors capable d’effectuer des reconfigurations n’affectant que les opérateurs nécessitant une modification des ressources allouées pour un coût de reconfiguration maîtrisé.

En complément, nous réfléchissons également sur l’anticipation de congestion. En effet, lorsqu’une congestion est détectée, il est souvent déjà trop tard pour réagir. En effet, l’opérateur concerné doit déjà gérer une quantité d’items supérieure à sa capacité de traitement. Il apparaît alors intéressant d’adapter le mécanisme de détection  des  congestions  afin  d’estimer  une  congestion  future  à  partir  de l’historique des observations les plus récentes.

Enfin, cette dernière perspective nous permettrait de nous intéresser à la modification dynamique du nombre de répliques associées à un opérateur collectant un ensemble d’items pour produire un seul résultat tel que l’opérateur de jointure ou le produit cartésien. Étant donné que ces opérateurs peuvent produire de grands volumes de données en sortie par rapport aux données en entrée, il est crucial de pouvoir anticiper la congestion de ce type d’opérateurs ainsi que le volume des données en sortie.

  References

Allisio L., Mussa V., Bosco C., Patti V., Ruffo G. (2013). Felicittà: Visualizing and Estimating Happiness in Italian Cities from Geotagged Tweets. In ESSEM@AI*IA, vol. 1096, p. 95-106. CEUR-WS.org

Arasu A., Babu S., Widom J. (2006, juin). The cql continuous query language: Semantic foundations and query execution. The VLDB Journal, vol. 15, n° 2, p. 121-142. http://dx.doi.org/10.1007/s00778-004-0147-z

Baio A. (2014, octobre). 72 Hours of #Gamergate – Digging through 316,669 tweets from three days of Twitter’s two-month-old trainwreck. https://medium.com/message/72-hoursof -gamergate-e00513f7cf5d

Bertrand R., Gomez-Krämer P., Terrades O. R., Franco P., Ogier J.-M. (2013). A system based on intrinsic features for fraudulent document detection, p. 106-110. http://dblp.unitrier. de/db/conf/icdar/icdar2013.html#BertrandGTFO13

Bertrand R., Terrades O. R., Gomez-Krämer P., Franco P., Ogier J.-M. (2015). A conditional random field model for font forgery detection, p. 576-580. http://dblp.uni-trier .de/db/conf/icdar/icdar2015.html#BertrandTGFO15 (relocated from Tunis, Tunisia).

Beusekom J. (van), Shafait F., Breuel T. (2009). Automatic line orientation measurement for questioned document examination. Computational forensics: Third international workshop, IWCF 2009, the Hague, the Netherlands, August 13-14, proceedings, Z. J. M.

H. Geradts, K. Y. Franke, C. J. Veenman (Eds.), p. 165-173. Berlin, Heidelberg, Springer Berlin Heidelberg. http://dx.doi.org/10.1007/978-3-642-03521-0_15

Beusekom J. (van), Shafait F., Breuel T. M. (2010). Document inspection using text-line alignment, p. 263-270. http://dblp.uni-trier.de/db/conf/das/das2010.html# BeusekomSB10

Blondel V. D.,Guillaume J.-L.,Lambiotte R., LefebvreE. (2008). Fast unfolding of communities in large networks. JSTAT, vol. 2008, n° 10, p.P10008.

Bosch J. (2009). From software product lines to software ecosystems, vol. 1, p. 111-119. http://dl.acm.org/citation.cfm?id=1753235.1753251

Buckley J.,Mens T., ZengerM., Rashid A., Kniesel G. (2005). Towards a taxonomy of software change. Journal of Software Maintenance and Evolution, vol. 17, n° 5, p. 309-332.

Donoghue J. O., Roantree M., Boxtel M. V. (2015). A configurable deep network for highdimensional clinical trial data. In Neural networks (IJCNN), 2015 International Joint Conference on, July, p. 1-8.

Dufromentel S., Cazalens S., Lesueur F., Lamarre P. (2015). Qtor: A flexible publish/subscribe peer-to-peer organization based on query rewriting. In Database and expert systems applications 26th international conference, DEXA 2015, Valencia, Spain, September 1-4, 2015, proceedings, part II, p. 507-519. http://dx.doi.org/10.1007/978-3-319-22852-5_41

Elkasrawi S., Shafait F. (2014). Printer identification using supervised learning for document forgery detection, p. 146-150. http://dblp.uni-trier.de/db/conf/das/das2014.html #ElkasrawiS14

Favre C. (2016). Actes du 8e Forum Jeunes Chercheurs du congrès INFORSID (Ed.). https://

eric.univ-lyon2.fr/~cfavre/ForumJC_INFORSID16/Actes_ForumJC_INFORSID2016.pdf.

Favre J.-M., Establier J., Blay-Fornarino M. (Eds.) (2006). L’ingénierie dirigée par les modèles : au-delà du MDA, Cachan, France, Hermes-Lavoisier.

Feldman R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, vol. 56, n° 4, p. 82.

Fraisier O. (2016, février). Information Retrieval – Evaluation Campaigns n° IRIT/RR–2016–04–FR. https://www.irit.fr/publis/IRIS/2016_R_F.pdf.

Goasdoué F., Karanasos K., Katsis Y., Leblay J., Manolescu I., Zampetakis S. (2013, June).Fact Checking and Analyzing the Web. http://hal.inria.fr/hal-00814285

Hirzel M., Soulé R., Schneider S., Gedik B., Grimm R. (2014, mars). A catalog of stream processing optimizations. ACM Comput. Surv., vol. 46, n° 4, p. 46:1-46:34. http://doi.acm.org/10.1145/2528412

Hu X., Tang L., Tang J., Liu H. (2013). Exploiting social relations for sentiment analysis in microblogging. In WSDM, p. 537-546.

Hubaux A., Classen A., Heymans P. (2009). Formal Modelling of Feature Configuration Workflows. In SPLC’09, IEEE, p. 221-230.

Irsoy O., Cardie C. (2014). Opinion Mining with Deep Recurrent Neural Networks. In EMNLP, p. 720-728.

Kang K. C., Cohen S. G., Hess J. A., Novak W. A., Spencer Peterson A. (1990). Feature-Oriented Domain Analysis (FODA) feasibility study. Rapport technique, November. The Software Engineering Institute. http://www.sei.cmu.edu/reports/90tr021.pdf

Kotto-Kombi R., Lumineau N., Lamarre P., Caniou Y. (2015, octobre). Parallel and Distributed Stream Processing: Systems Classification and Specific Issues. https://hal.archives-ouvertes.fr/hal-01215287 (working paper or preprint)

Kuo Y.-H., Fu M.-H., Tsai W.-H., Lee K.-R., Chen L.-Y. (2016). Integrated microblog sentiment analysis from users’ social interaction patterns and textual opinions. Applied Intelligence, vol. 44, n° 2, p. 399-413.

Leskovec J., Krevl A. (2014, jun). SNAP Datasets: Stanford large network dataset collection.http://snap.stanford.edu/data.

Liu B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on HLT, vol. 5,n° 1, p. 1-167.

Mansour R. H., Refaei N., Gamon M., Sami K., Abdel-Hamid A., Elbahtemy A. (2013). Revisiting The Old Kitchen Sink: Do We Need Sentiment Domain Adaptation? In RANLP. https://www.microsoft.com/en-us/research/publication/revisiting-the-old-kitchensink-do-we-need-sentiment-domain-adaptation/

Mens T., Demeyer S., Wermelinger M., Hirschfeld R., Ducasse S., Jazayeri M. (2005). Challenges in Software Evolution. International Workshop on Principles of Software Evolution (IWPSE), p. 13-22.

Micenková B., Beusekom J. van, Shafait F. (2014). Stamp verification for automated document authentication, vol. 8915, p. 117-129. http://dblp.uni-trier.de/db/conf/iwcf/iwcf2014.html#MicenkovaBS14

Peng B., Hosseini M., Hong Z., Farivar R., Campbell R. H. (2015). R-storm: Resource-aware scheduling in storm. In Proceedings of the 16th annual middleware conference, Vancouver, BC, Canada, December 07-11, p. 149-161. http://doi.acm.org/10.1145/281457 6.2814808

Pohl K., Böckle G., Linden F. J.v.d. (2005). Software product line engineering: Foundations, principles and techniques. Secaucus, NJ, USA, Springer-Verlag New York, Inc.

Poisel R., Tjoa S. (2011). Forensics investigations of multimedia data: A review of the stateof-the-art.,p. 48-61. http://dblp.uni-trier.de/db/conf/imf/imf2011.html#PoiselT11

Polacsek T. (2016). Argumentation tree: A new player in your diagrams, p. 223-224.

Ratinaud P. (2009). IRaMuTeQ : Interface de R pour les Analyses Multidimensionnelles de Textes et de Questionnaires. http://www.iramuteq.org

Schneider S., Andrade H., Gedik B., Biem A., Wu K.-L. (2009, May). Elastic scaling of data parallel operators in stream processing. In Parallel distributed processing, 2009. IPDPS2009. IEEE international symposium on, p. 1-12.

Seidl C., Heidenreich F., Assmann U. (2012). Co-evolution of Models and Feature Mapping in Software Product Lines. Proceedings of the 16th International Software Product Line Conference (SPLC), vol. 1, p. 76-85. http://doi.acm.org/10.1145/2362536 .2362550

Tang J., Chang Y., Liu H. (2014). Mining social media with social theories: a survey. ACM SIGKDD Explorations Newsletter, vol. 15, n° 2, p. 20-29.

West R., Paskov H. S., Leskovec J., Potts C. (2014). Exploiting Social Network Structure for Person-to-Person Sentiment Analysis. Transactions of the ACL, vol. 2, p. 297-310.

Wohlin C., Runeson P., Höst M., Ohlsson M. C., Regnell B., Wesslén A. (2000). Experimentation in software engineering: An introduction. Norwell, MA, USA, Kluwer Academic Publishers.

Wu F., Huang Y., Song Y. (2016). Structured microblog sentiment classification via social context regularization. Neurocomputing, vol. 175, p. 599-609.

Xia R., Zong C., Li S. (2011). Ensemble of feature sets and classification algorithms for sentiment classification. Information Sciences, vol. 181, n° 6, p. 1138-1152.

Xu, Peng G. (2016). Stela: Enabling stream processing systems to scale-in and scale-out ondemand. In Proc. IEEE International Conference on Cloud Engineering (IC2E).

Xu J., Chen Z., Tang J., Su S. (2014, June). T-storm: Traffic-aware online scheduling in storm. In Distributed computing systems (ICDCS), 2014 IEEE 34th International Conference on, p. 535-544.

Zhang K., Yang Y., Sun A., Liu H. (2014). A Systematic Framework for Sentiment Identification by Modeling User Social Effects. In WI-IAT, vol. 2, p. 172-179.