Machine learning to infer user behavior in 5G autonomic networks

par Illyyne Saffar

Thèse de doctorat en Informatique

Soutenue le 10-11-2020

à Rennes 1 , dans le cadre de MATHSTIC .


  • Résumé

    L'idée développée dans cette thèse est d’utiliser le Machine Learning Deep Learning et l’analyse de données radio 3GPP pour estimer et prédire le comportement d'un utilisateur, en termes d'habitudes et de préférence d'usage des services mobiles d’un réseau 5G. Le caractère multidimensionnel du comportement de l'utilisateur rend son estimation complexe et reste actuellement un défi. On a donc étudié son estimation sous une approche innovante au regard de l'état de l'art. On a proposé de la réaliser au sein d'un système unifié qui estime en parallèle chaque dimension du comportement. En utilisant des méthodes basées sur l’apprentissage approfondi (deep learning) supervisé et hybride/semi-supervisé, on propose une solution pour la détection de l’environnement (Indoor/ Outdoor Detection (IOD)) et jusqu'à 8 classes d'environnement d’un utilisateur de téléphone portable. Nous proposons ensuite une solution permettant de détecter la catégorie de mobilité (Mobility Speed Profile (MSP) Detection) jusqu'à 8 profils de vitesses. Enfin, une solution innovante basée sur des algorithmes d’apprentissage profond dans une architecture multitâches permet d'estimer conjointement à la fois l'environnement et le profil de mobilité. La comparaison avec l'état de l'art a montré l'efficacité des méthodes proposées. Ce qui permet d'envisager leur utilisation par des opérateurs mobiles au sein de leurs futurs.

  • Titre traduit

    Apprentissage automatique pour déduire le comportement des utilisateurs dans les réseaux autonomes 5G


  • Résumé

    The main idea of this thesis is to use machine learning/deep learning techniques to estimate and predict user behavior by analyzing 3GPP radio signals. The user behavior is defined in terms of habits and preferences while consuming 5G services. The estimation of user behavior is complex and remains a challenge due to its multidimensional nature. We therefore studied an innovative approach for the user behavior estimation: we use a unified system which jointly as well as parallelly estimates each dimension of behavior. Using methods based on supervised and hybrid / semi-supervised deep-learning, we propose a solution for the detection of the user environment (from Indoor/ Outdoor Detection (IOD) to up to 8 classes). We then propose a solution to detect the mobility categories (Mobility Speed Profile (MSP) Detection) up to 8 speed profiles. Finally, an innovative solution jointly estimates both the environment and the mobility profile using deep learning algorithms and a multitasking architecture. The comparison with the state of the art shows the effectiveness of the proposed methods. This allows to consider its deployment by operators in future.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université de Rennes I. Service commun de la documentation. Bibliothèque de ressources en ligne.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.