La résilience en tant que service à la demande des réseaux 5G dirigée par le Machine Learning

Resilience-as-a-service for 5G RAN driven by machine learning methods

• Auteur / Autrice : Soumeya Kaada
• Direction : Gerardo Rubino, Marie-Line Alberi-Morel
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 23/09/2024
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : MATISSE
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Rennes, Bretagne-Atlantique) - ERMINE
• Jury : Président / Présidente : Stefano Secci
• Jury : Examinateurs / Examinatrices : Gerardo Rubino, Marie-Line Alberi-Morel, Yassine Hadjadj Aoul‎
• Jury : Rapporteurs / Rapporteuses : Kamal Deep Singh, Zwi Altman

Mots clés

Mots clés contrôlés

Apprentissage automatique

Qualité de Service (télécommunications)

5G (téléphonie mobile)

Mots clés libres

Réseaux 5G

Résilience des réseaux

QoS

Multi-Agent DRL

5G RAN

Network resilience

Coverage

QoS

Multi-Agent DRL

Generative models

Résumé

Les réseaux 5G et au-delà doivent offrir une connectivité rapide et fiable. Cependant, la nature du réseau d’accès le rend sujet à des défaillances malgré les mécanismes de fiabilité proposés par les concepteurs systèmes. Dans ce contexte, assurer la résilience des réseaux devient cruciale pour les opérateurs, en particulier pour les applications critiques. La résilience se définit par le caractère d’un système qui, face aux défaillances, est capable de maintenir un service fonctionnel. Plutôt que des solutions coûteuses et statiques comme la redondance, l'objectif de cette thèse consiste à proposer une solution de résilience adaptative basée sur les méthodes d'apprentissage automatique pour les futurs réseaux virtuels de la 5G et au-delà, tout en prenant en compte les éventuels challenges rencontrés lors des implémentations dans des réseaux réels. La première contribution analyse la résilience d’une zone de réseau d’accès 5G, en utilisant des chaînes de Markov et des données radio pour prédire l’état de la couverture et de la qualité de service. La deuxième contribution optimise la résilience d'un réseau multi-cellulaire dense pour assurer les contraintes de résilience à l'aide d'un algorithme Deep Q-Network multi-agents. Enfin, dans la dernière contribution nous abordons le défi de la rareté des données collectées afin de faciliter l’automatisation de la gestion des réseaux, notamment la gestion de la résilience. En l'absence de partage des données, on utilise des modèles génératifs pour montrer que la génération de données synthétiques 3GPP de haute qualité, validée par des algorithmes de classification, offre des performances similaires aux données réelles.

5G and beyond networks must provide fast and reliable connectivity. However, the nature of the access network makes it prone to failures despite the reliability mechanisms proposed by system designers. In this context, ensuring network resilience becomes crucial for operators, especially for critical applications. Resilience is defined as the ability of a system to maintain functional service despite failures. Instead of costly and static solutions like redundancy, this thesis aims to propose an adaptive resilience solution based on machine learning methods for future virtual 5G networks and beyond, while considering potential challenges encountered during implementation in real networks. The first contribution analyzes the resilience of a 5G access network area using Markov chains and radio data to predict network coverage and quality of service status. The second contribution optimizes the resilience of a dense multi-cellular network to satisfy the resilience constraints using a multi-agent Deep Q-Network algorithm. Finally, the last contribution addresses the challenge of scarce collected data to facilitate network management operations, particularly the resilience management. In the absence of data sharing, generative models are used to generate high-quality 3GPP synthetic data. The data is validated by classification algorithms and show that it offers similar performance compared to real data.