Optimisation dynamique des ressources des réseaux cellulaires basée sur des techniques d'analyse de données et des techniques d'apprentissage automatique

Dynamic network resources optimization based on machine learning and cellular data mining

• Auteur / Autrice : Seif Eddine Hammami
• Direction : Hossam Afifi
• Type : Thèse de doctorat
• Discipline(s) : Réseaux et services de télécommunication
• Date : Soutenance le 20/09/2018
• Etablissement(s) : Evry, Institut national des télécommunications
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Université : Université Pierre et Marie Curie (Paris ; 1971-2017)
• Jury : Président / Présidente : Houda Labiod
• Jury : Examinateurs / Examinatrices : Yvon Gourhant, Hassine Moungla
• Jury : Rapporteurs / Rapporteuses : Mathieu Bouet, Hacène Fouchal

Mots clés

Mots clés contrôlés

Téléphonie mobile

Analyse des données

Apprentissage automatique

Allocation de ressources (radiotéléphonie)

Mots clés libres

Optimisation des ressources des réseaux

CDR (Call Detail Records)

Apprentissage automatique

Analyse de données

Classification de réseaux

Prédiction de la charge de réseau

Détection des anomalies de réseau

Planification dynamique

Network resource optimization

CDR (Call Detail Records)

Machine learning

Data mining

Network classification

Load prediction

Anomaly detection

Dynamic planning

Résumé

Les traces réelles de réseaux cellulaires représentent une mine d’information utile pour améliorer les performances des réseaux. Des traces comme les CDRs (Call detail records) contiennent des informations horodatées sur toutes les interactions des utilisateurs avec le réseau sont exploitées dans cette thèse. Nous avons proposé des nouvelles approches dans l’étude et l’analyse des problématiques des réseaux de télécommunications, qui sont basé sur les traces réelles et des algorithmes d’apprentissage automatique. En effet, un outil global d’analyse de données, pour la classification automatique des stations de base, la prédiction de la charge de réseau et la gestion de la bande passante est proposé ainsi qu’un outil pour la détection automatique des anomalies de réseau. Ces outils ont été validés par des applications directes, et en utilisant différentes topologies de réseaux comme les réseaux WMN et les réseaux basés sur les drone-cells. Nous avons montré ainsi, qu’en utilisant des outils d’analyse de données avancés, il est possible d’optimiser dynamiquement les réseaux mobiles et améliorer la gestion de la bande passante.

Real datasets of mobile network traces contain valuable information about the network resources usage. These traces may be used to enhance and optimize the network performances. A real dataset of CDR (Call Detail Records) traces, that include spatio-temporal information about mobile users’ activities, are analyzed and exploited in this thesis. Given their large size and the fact that these are real-world datasets, information extracted from these datasets have intensively been used in our work to develop new algorithms that aim to revolutionize the infrastructure management mechanisms and optimize the usage of resource. We propose, in this thesis, a framework for network profiles classification, load prediction and dynamic network planning based on machine learning tools. We also propose a framework for network anomaly detection. These frameworks are validated using different network topologies such as wireless mesh networks (WMN) and drone-cell based networks. We show that using advanced data mining techniques, our frameworks are able to help network operators to manage and optimize dynamically their networks