Analyse des performances de la liaison descendante des réseaux cellulaires dynamiques

Performance Analysis of Dynamic Downlink Cellular Networks

• Auteur / Autrice : Qiong Liu
• Direction : Philippe Mary, Jean-Yves Baudais
• Type : Thèse de doctorat
• Discipline(s) : Télécommunications
• Date : Soutenance le 03/06/2022
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes)
• Jury : Président / Présidente : Laurent Clavier
• Jury : Examinateurs / Examinatrices : Philippe Mary, Jean-Yves Baudais, Laurent Clavier, Marco Di Renzo, Lina Mroueh, Marceau Coupechoux
• Jury : Rapporteur / Rapporteuse : Marco Di Renzo, Lina Mroueh

Mots clés

Mots clés contrôlés

Markov, Processus de

Apprentissage par renforcement (intelligence artificielle)

Files d'attente, Théorie des

Géométrie stochastique

Mots clés libres

Géométrie stochastique

Théorie des files d'attente

Apprentissage par renforcement

Probabilité de couverture

Région de stabilité

Stochastic geometry

Queuing theory

Reinforcement learning

Coverage probability

Stability region

Résumé

Cette thèse caractérise de la région de stabilité d'un réseau aléatoire lorsqu'un modèle de trafic est intégré à la description de la géométrie du réseau. Premièrement, nous caractérisons la probabilité de couverture stable du réseau. À partir de la notion de probabilité de couverture dynamique, l'interaction entre les états des files d'attentes dans le réseau est prise en compte à l'aide d'une modélisation par chaîne de Markov discrète des files d'attente. Les cas des files d'attente à taille finie et infinie sont traités. La région de stabilité indique à partir de quelle intensité de trafic au moins une file d'attente dans le réseau diverge. Une description plus fine du phénomène est faite en répondant à la question “quelle est la proportion de files d'attente instables dans le réseau ?''. Dans ce cas, la notion de epsilon-stabilité est exploitée, elle décrit l'ensemble des intensités de trafic pour lesquelles une file d'attente prise au hasard a une probabilité de diverger inférieure à epsilon. Enfin, la dépendance entre la géométrie, la dynamique du réseau et la stratégie d'allocation rend la caractérisation des régions de stabilité avec l'allocation de ressources très difficile. Le caractère dynamique du réseau est décrit par un processus décisionnel markovien utilisant l'apprentissage par renforcement. La région de stabilité est donc étudiée lorsque la station de base typique peut choisir d'émettre ou de rester silencieuse selon l'état du réseau observé.

The main question posed in this thesis is the characterization of the stability region of a random network when a traffic model is integrated into the description of the network geometry. First, we characterized the stable coverage probability of a random network. Starting from the notion of dynamic coverage probability, the interaction between the queue states in the network is taken into account using a discrete Markov chain modeling of the queues, where the typical user's service rate depends on the dynamic coverage probability. The cases of buffer with finite and infinite size are both taken into account. The stability region indicates from which traffic intensity at least one queue in the network diverges. A more refined description of the phenomenon is made by answering the question, ''what is the proportion of unstable queues in the network?''. In this case, the notion of epsilon-stability is exploited, which describes the set of traffic intensities for which a queue taken at random has a probability of diverging less than epsilon. Finally, the characterization of the stable regions by considering the resource allocation is very difficult to obtain, because of the dependence between the geometry and the dynamic of the network and the allocation strategy. However, the dynamic nature of the network considered in this thesis lends itself perfectly to description by a Markovian decision process for which reinforcement learning strategies can be proposed. The region of stability is therefore investigated where the typical base station can choose to transmit or remain silent depending on the observed network state.