Projet de recherche doctoral numero :8098

Description

Date depot: 29 mars 2021
Titre: Schémas basés-sur-les-données pour le Réseau d'Accès Radio sensible-aux-tranches
Directeur de thèse: Navid NIKAEIN (Eurecom)
Directeur de thèse: Thrasyvoulos SPYROPOULOS (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini

Resumé: Les réseaux de cinquième génération (5G) devraient desservir un grand nombre de services 5G hétérogènes, sophistiqués et exigeants en ressources au dessus d'une infrastructure physique partagée, un concept appelé «Network Slicing» (NS). En plus de cela, les réseaux 5G devraient également être entièrementautonomes selon le concept défini par l'ETSI du «Zero-touch Network and Service Management» (ZSM). Ces deux concepts combinés crée nt un ensemble de problèmes difficiles pour les opérateurs de réseau 5G. Premièrement, en raison des charges de travail très dynamiques et complexes imposées aux réseaux 5G, les schémas de NS qui peuvent minimiser les violations des «Service Level Agreements» (SLA) tout en maximisant les revenus et l'efficacité énergétique ne sont pas triviaux. Deuxièmement, bien qu'il existe de nombreuses publications en NS, en raison du manque de repères objectifs et standard, leurs résultats ne sont pas convaincants à la fois dans l'optimalité et le caractère pratique revendiqués. Enfin, étant donné que la plupart des publications se concentrent uniquement sur «Resource Allocation-and-Scheduling» (RAS), d'autres problèmes importants de ZSM, tels que le diagnostic des performances et la traduction des SLA en KPI, ne sont pas pleinement pris en compte. Dans cette thèse, nous avons résolu les 3 problèmes ci-dessus avec des méthodes basées sur les données, appliquées au réseau d'accès radio (RAN) et du point de vue des opérateurs de réseau. Tout d'abord, nous avons construit un environnement basé sur des bancs de test qui intègre et vérifie facilement les schémas RAS basés sur les données par rapport à plusieurs simulations prédéfinies basées sur des données réelles. Nous proposons ensuite un schéma RAS efficace basé sur les prévisions appelé AdaptNet, et le comparons aux schémas RAS de pointe utilisant l'environnement construit. Deuxièmement, nous proposons un cadre basé sur les données pour ZSM appelé «Deliberate Deep Reinforcement Learning» (DDRL), qui utilise le raisonnement sémantique pour piloter efficacement le processus d'apprentissage par renforcement profond derrière diverses fonctionnalités automatiques de RAN. Nous proposons ensuite une nouvelle architecture RAN appelée Semantic RAN, y intégrons des cas d'utilisation courants de ZSM, et vérifions l'utilité de DDRL. Enfin, avec quelques hypothèses sur la dynamique de la charge de travail, nous modélisons et prouvons les propriétés de généralisation de DDRL.



Doctorant.e: Le Ta Dang Khoa