Du placement des services à la surveillance des services dans les réseaux 5G et post-5G

La soutenance de thèse d'Anouar Rkhami, équipe DIONYSOS se déroulera le 14 décembre 2021, à 14h, en salle Métivier.

Les réseaux 5G et au-delà sont destinés à servir un large éventail de services réseau aux besoins très disparates tout en utilisant la même infrastructure physique. En scindant l’infrastructure physique en un ensemble de réseaux virtuels, chacun exploitant un service spécifique, le Network Slicing (NS) permettra la coexistence de ces services. En dépit de ses avantages, le NS est complexe d’un point de vue technique puisqu’il s’agit d’un problème NP-hard. La première section de la thèse explore le potentiel de l’apprentissage par renforcement profond (DRL) basé sur des graphes de réseaux neuronaux pour résoudre le problème du placement des tranches de réseau et remédier aux limites des techniques existantes. Deux approches sont proposées : la première consiste à apprendre à résoudre automatiquement le problème du placement. Plutôt que de se limiter à la topologie de l’infrastructure physique ou à extraire manuellement des caractéristiques, le problème est formulé sous la forme d’un processus de décision markovien qui est résolu à l’aide d’un réseau de neurones convolutif à base de graphes pour apprendre à découvrir une solution optimale. Ensuite, plutôt que de former un agent DRL de zéro pour identifier la meilleure solution, ce qui pourrait entraîner un défaut de fiabilité, un agent est présenté pour réduire l’écart d’optimalité des heuristiques existantes. Une fois les tranches placées, la surveillance de l’état des tranches de réseau devient une priorité pour s’assurer que les SLAs sont respectés. Ainsi, dans la deuxième partie de la thèse, il est proposé d’utiliser des techniques d’apprentissage automatique et la tomographie réseau (NT) pour surveiller les tranches de réseau. Il y a deux problèmes majeurs à prendre en compte. Premièrement, les métriques de slices sont déduites sur la base de diverses mesures de bout en bout entre les moniteurs, ainsi que du placement efficace des moniteurs. Des réseaux neuronaux sont utilisés pour traiter l’inférence des métriques. Une approche d’apprentissage par transfert est également utilisée pour faire face aux changements qui peuvent se produire sur les slices surveillés ou sur la topologie physique sur laquelle elles sont placées. Des sondes cycliques sont envisagées pour le problème du placement des moniteurs. Le problème est formulé comme une variante du problème de couverture par ensembles. En raison de sa complexité, il est proposé d’introduire une solution autonome basée sur des réseaux neuronaux à base de graphes (GNN) et des algorithmes génétiques pour trouver un compromis entre la qualité du placement des moniteurs et le coût pour y parvenir.