MediConnect AI

Système d'Optimisation Intelligente pour les Réseaux des Hôpitaux
Mini Projet - 4ème Année GTR
École Nationale des Sciences Appliquées de Safi (ENSAS)

---

🛠️ Stack Technique

📋 Description

MediConnect AI est un système innovant d'optimisation des réseaux hospitaliers combinant l'Intelligence Artificielle prédictive (LSTM/GRU) avec les Réseaux Définis par Logiciel (SDN). Le système prédit les flux patients et reconfigure dynamiquement le réseau pour garantir la qualité de service des équipements médicaux critiques.

Architecture à deux niveaux

• Niveau 1 - Cœur Prédictif (IA) : Modèles LSTM/GRU entraînés sur 10 ans de données NHS (60 000+ enregistrements) pour prédire les flux patients par type de département.
• Niveau 2 - Système d'Exécution (SDN) : Contrôleur OpenDaylight qui déploie automatiquement des règles OpenFlow pour prioriser le trafic médical critique.

---

✨ Fonctionnalités

• Prédiction IA : Prédiction des flux patients pour 3 types de départements (Major A&E, Specialty, Minor Injuries)
• Reconfiguration SDN : Déploiement automatique de règles OpenFlow via API RESTCONF
• Tableau de Bord Interactif : Interface Flask + D3.js pour supervision en temps réel
• Topologie Dynamique : Simulation Mininet avec contrôleur distant OpenDaylight
• Historique des Reconfigurations : Journal des actions réseau automatiques

---

🚀 Installation

Prérequis

• Python 3.8+
• Java 23 (pour OpenDaylight Karaf)
• Ubuntu/Linux (pour Mininet)
• Git

Étape 1 : Cloner le dépôt

git clone <repository-url>
cd MediConnect-Ai

Étape 2 : Environnement Python

python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

Étape 3 : Installation SDN

Voir le guide détaillé dans startup guide.txt ou l'annexe du rapport.

# Java 23
sudo apt-get install openjdk-23-jdk -y

# Mininet
sudo apt-get install mininet -y

# OpenDaylight
wget https://nexus.opendaylight.org/content/repositories/opendaylight.release/org/opendaylight/integration/karaf/0.12.3/karaf-0.12.3.tar.gz
tar -xvzf karaf-0.12.3.tar.gz

---

🎮 Utilisation

Séquence de démarrage

Ouvrez 3 terminaux :

Terminal 1 - OpenDaylight (Contrôleur SDN)

cd /odl-carbon/bin
./karaf
# Dans Karaf : feature:install odl-restconf odl-l2switch-switch odl-openflowplugin-all-li odl-dlux-core

Terminal 2 - Mininet (Réseau simulé)

sudo mn --controller=remote,ip=127.0.0.1,port=6633 --switch=ovsk,protocols=OpenFlow13 --topo=single,4 --mac
mininet> pingall

Terminal 3 - Dashboard (Interface Web)

cd ~/MediConnect_Project
source venv/bin/activate
python3 dashboard.py

Ouvrez votre navigateur sur http://localhost:5000

Vérification

# Vérifier l'API RESTCONF
curl -u admin:admin http://localhost:8181/rests/data/opendaylight-inventory:nodes

# Vérifier les règles OpenFlow dans Mininet
sh ovs-ofctl -O OpenFlow13 dump-flows s1

---

📁 Structure du Projet

MediConnect-Ai/
├── dashboard.py              # Application Flask + API IA-SDN
├── Ai_model.ipynb            # Notebook d'entraînement LSTM/GRU
├── seasonal_profiles.pkl     # Profils saisonniers précalculés
├── mediconnect_final_model.h5 # Modèle IA entraîné
├── mediconnect_final_scaler.pkl # Scaler pour les données
├── startup guide.txt         # Guide de démarrage rapide
├── rapport.tex               # Rapport de projet (LaTeX)
├── Screenshots/              # Captures d'écran
│   ├── logo4.png
│   ├── Dashboard start.png
│   ├── opendaylight topology 4.png
│   ├── pingall result.png
│   └── ...
└── README.md                 # Ce fichier

---

🧠 Modèle IA

• Architecture : LSTM (128 → 64) + Batch Normalization + Dropout (0.2)
• Entrée : Séquence de 12 pas temporaux avec profils saisonniers réels
• Sortie : 3 valeurs (Type 1, Type 2, Type 3 attendances)
• Performance : $R^2 \approx 0,87$, MAE $\approx 491$ patients
• Entraînement : 50 époches, batch size 64, ReduceLROnPlateau

---

📊 Tableau de Bord

Le tableau de bord offre :

• Vue des prédictions : Graphiques D3.js des flux patients réels vs prédits
• Topologie SDN : Visualisation du réseau Mininet en temps réel
• Contrôles manuels : Override des priorités de ports
• Historique : Tableau des reconfigurations automatiques
• Indicateurs de santé : Statut de connexion IA et ODL

---

🖼️ Screenshots

Architecture Globale

Note : L'image de l'architecture est en cours de conception (actuellement sous forme d'espace réservé TikZ dans le rapport LaTeX).

Tableau de Bord

Topologie Mininet (Pingall Test)

OpenDaylight

---

🔧 Configuration

Variables dans dashboard.py

ODL_BASE = "http://127.0.0.1:8181"
FLOW_NODE = "openflow:1"
FLOW_TABLE = 0
FLOW_ID = "1"
FLOW_PRIORITY = 65000

Port Dashboard

Par défaut : 5000
Modifiable : app.run(host='0.0.0.0', port=5000)

---

📚 Documentation

• Rapport de projet : rapport.tex (LaTeX)
• Guide de démarrage : startup guide.txt
• Notebook IA : Ai_model.ipynb

---

👥 Équipe

Mohammed Reqasse

Souhayl Ramdani

Ibrahim Laamech

• Encadrante : Mme. Mestouri
• Filière : Génie Télécommunications et Réseaux (GTR)
• Année : 4ème année
• Établissement : ENSAS - Université Cadi Ayyad

---

📄 Licence

Ce projet est réalisé dans le cadre académique du Mini Projet 4ème année GTR à l'ENSAS.

---

🤝 Contribuer

Pour toute question ou suggestion, contactez l'équipe projet ou l'encadrante pédagogique.

---

MediConnect AI - Optimisation Intelligente des Réseaux Hospitaliers