Tranchage avec découpage fonctionnel centré sur l'utilisateur dans les réseaux d’accès radio cloud 5G

User-Centric Slicing with Functional Splits in 5G Cloud-RAN

• Auteur / Autrice : Salma Matoussi
• Direction : Rami Langar
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunication
• Date : Soutenance le 22/01/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Marcelo Dias De Amorim
• Jury : Examinateurs / Examinatrices : Adlen Ksentini, Tijani Chahed, Nadjib Ait Saadi, Ilhem Fajjari
• Jury : Rapporteurs / Rapporteuses : Marceau Coupechoux, Thierry Turletti

Mots clés

Mots clés contrôlés

Apprentissage automatique

SDN (architecture des réseaux d'ordinateurs)

Systèmes de communication sans fil

5G (téléphonie mobile)

Mots clés libres

Réseau d’accès radio cloud (C-RAN)

Tranchage du 5G RAN

Découpage fonctionnel

Optimisation multi-objective

Apprentissage par machine

Cloud Radio Access Network (C-RAN)

5G RAN Slicing

Functional Split

Résumé

Le réseau d’accès radio (RAN) 5G vise à faire évoluer de nouvelles technologies couvrant l’infrastructure Cloud, les techniques de virtualisation et le réseau défini par logiciel (SDN). Des solutions avancées sont introduites pour répartir les fonctions du réseau d’accès radio entre des emplacements centralisés et distribués (découpage fonctionnel) afin d’améliorer la flexibilité du RAN. Cependant, l’une des préoccupations majeures est d’allouer efficacement les ressources RAN, tout en prenant en compte les exigences hétérogènes des services 5G. Dans cette thèse, nous abordons la problématique du provisionnement des ressources Cloud RAN centré sur l’utilisateur (appelé tranche d’utilisateurs ). Nous adoptons un déploiement flexible du découpage fonctionnel. Notre recherche vise à répondre conjointement aux besoins des utilisateurs finaux, tout en minimisant le coût de déploiement. Pour surmonter la grande complexité impliquée, nous proposons d’abord une nouvelle implémentation d’une architecture Cloud RAN, permettant le déploiement à la demande des ressources, désignée par AgilRAN. Deuxièmement, nous considérons le sous-problème de placement des fonctions de réseau et proposons une nouvelle stratégie de sélection de découpage fonctionnel centrée sur l’utilisateur nommée SPLIT-HPSO. Troisièmement, nous intégrons l’allocation des ressources radio. Pour ce faire, nous proposons une nouvelle heuristique appelée E2E-USA. Dans la quatrième étape, nous envisageons une approche basée sur l’apprentissage en profondeur pour proposer un schéma d’allocation temps réel des tranches d’utilisateurs, appelé DL-USA. Les résultats obtenus prouvent l’efficacité de nos stratégies proposées.

5G Radio Access Network (RAN) aims to evolve new technologies spanning the Cloud infrastructure, virtualization techniques and Software Defined Network capabilities. Advanced solutions are introduced to split the RAN functions between centralized and distributed locations to improve the RAN flexibility. However, one of the major concerns is to efficiently allocate RAN resources, while supporting heterogeneous 5G service requirements. In this thesis, we address the problematic of the user-centric RAN slice provisioning, within a Cloud RAN infrastructure enabling flexible functional splits. Our research aims to jointly meet the end users’ requirements, while minimizing the deployment cost. The problem is NP-hard. To overcome the great complexity involved, we propose a number of heuristic provisioning strategies and we tackle the problem on four stages. First, we propose a new implementation of a cost efficient C-RAN architecture, enabling on-demand deployment of RAN resources, denoted by AgilRAN. Second, we consider the network function placement sub-problem and propound a new scalable user-centric functional split selection strategy named SPLIT-HPSO. Third, we integrate the radio resource allocation scheme in the functional split selection optimization approach. To do so, we propose a new heuristic based on Swarm Particle Optimization and Dijkstra approaches, so called E2E-USA. In the fourth stage, we consider a deep learning based approach for user-centric RAN Slice Allocation scheme, so called DL-USA, to operate in real-time. The results obtained prove the efficiency of our proposed strategies.