[Soutenance de thèse] 28/11/2024 – Antoine DEJONGHE : « réseaux auto-organisants et algorithmes d’apprentissage pour les réseaux post-5G » (UPR LIA)

Antoine Dejonghe soutiendra sa thèse le 28 novembre 2024 sur le thème : « réseaux auto-organisants et algorithmes d’apprentissage pour les réseaux post-5G ».

Laboratoire

UPR 4128 LIA – Laboratoire Informatique d’Avignon

Composition du jury de soutenance

M. FRANCESCO DE PELLEGRINI	Avignon Université	Directeur de thèse
M. ZWI ALTMAN	Orange Labs	Co-directeur de thèse
Mme INBAR FIJALKOW	ENSEA	Rapporteure
Mme MARIE-LINE ALBERI MOREL	Nokia Paris-Saclay	Examinatrice
M. SALAH EDDINE EL AYOUBI	Centrale-Supélec	Examinateur
M. MARCO DI RENZO	Centrale-Supélec	Rapporteur

Résumé

Le concept de réseaux auto-organisants (ou SON en anglais) a été introduit en 4G et étendu à la 5G afin de simplifier l’opération des réseaux mobiles. Il repose sur des algorithmes intelligents capables d’automatiser des opérations complexes. Les réseaux 5G et post-5G introduisent des évolutions technologiques ayant un impact significatif sur le domaine du SON. Certains algorithmes SON doivent être adaptés afin de prendre compte de nouvelles fonctionalités 5G telles que les systèmes antennaires massifs (ou mMIMO en anglais). De nouveaux algorithmes SON doivent également être conçus afin de répondre à de nouveaux besoins. L’ Intelligence Artificielle (IA) gagne en importance dans les réseaux 5G et post-5G, et peut être vue comme une évolution naturelle du SON. Cette tendance est particulièrement importante dans les réseaux O-RAN où l’IA est y supportée de manière native. Cette thèse vise à exploiter des techniques d’optimisation, d’IA et de la théorie du contrôle afin de développer des algorithmes SON pour l’optimisation des réseaux O-RAN 5G et post-5G. Ces algorithmes sont conçus afin d’offrir de solides garanties de performance, converger rapidement, présenter une faible complexité, et être robustes face à un certain niveau de bruit.

Tout d’abord, cette thèse vise à adapter des algorithmes d’équilibrage de charge (ou MLB en anglais) 4G aux réseaux 5G et post-5G. Dans les réseaux mobiles, la distribution inégale de la charge entre les cellules est souvent la cause de problèmes de congestion qui peuvent à leur tour entrainer une dégradation importante des performances du réseau. Afin de résoudre ces problèmes, les algorithmes MLB visent à équilibrer le trafic entre les différentes cellules d’un réseau via l’optimisation de paramètres de mobilité. À ce jour, peu de travaux dans la littérature ont proposé des implémentations de ces algorithmes dans le contexte de la 5G. Cependant, leur application à cette technologie requière plusieurs adaptations, notamment aux systèmes mMIMO et à l’ordonnancement multi-utilisateur. Par ailleurs, l’introduction des systèmes mMIMO dans les réseaux 5G permet l’exploitation de métriques de performance évaluées à la résolution du faisceau, introduisant le défi d’équilibrer la charge à cette échelle. Ainsi, en s’appuyant sur des techniques issues de la théorie du contrôle, cette thèse vise à montrer comment les algorithmes MLB 4G peuvent être efficacement adaptés aux réseaux 5G. Cette thèse vise également à optimiser l’Efficacité Energétique (EE) des réseaux mMIMO. Le déploiement de systèmes mMIMO permet de considérablement améliorer les performances des réseaux mobiles. Cependant, l’amélioration des performances obtenue grâce à l’augmentation du nombre d’antennes équippant ces systèmes s’accompagne généralement d’une augmentation de la consommation énergétique due à l’utilisation de chaînes RF supplémentaires. Dans les réseaux mMIMO, un mécanisme d’économie d’énergie efficace consiste à activer et désactiver des chaînes RF et les antennes associées en fonction de la charge du réseau. Ainsi, en s’appuyant sur des techniques d’IA, cette thèse vise à concevoir une solution efficace et à faible complexité pour l’activation et la désactivation des chaînes RF. Ceci afin de maximiser l’EE sous des contraintes de qualité de service.

Enfin, cette thèse adresse le problème de l’optimisation des réseaux mobiles assistés par des surfaces réfléchissantes intelligentes (ou RISs en anglais). Le déploiement de RISs dans les futurs réseaux 6G devrait permettre de considérablement améliorer la couverture de ces réseaux. Cependant, ce déploiement présente plusieurs défis dont la configuration des stations de base et des RISs, ainsi que l’allocation équitable des resources radio aux utilisateurs. Ainsi, en exploitant des techniques issues des théories du contrôle et de l’optimisation convexe, cette thèse vise à adresser ces défis de façon conjointe en introduisant une nouvelle solution à faible complexité.

Mots-clés : réseaux auto-organisants, algorithmes d’apprentissage, réseaux post-5G