Méthodes d'apprentissage automatique pour les réseaux RAN ouverts au-delà de la 5G

Machine Learning methods for beyond 5G Open RAN networks

• Auteur / Autrice : Duc Do
• Direction : Francesco De pellegrini, Zwi Altman
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Avignon
• Ecole(s) doctorale(s) : Agrosciences et Sciences
• Partenaire(s) de recherche : Laboratoire : LIA - Laboratoire d'Informatique d'Avignon
• Partenaire(s) de recherche : Equipe de recherche : CORNET - Complex systems, Operation Resarch and NETworking

Mots clés

Mots clés libres

O-ran

Méthodes d'apprentissage automatique

Au-delà de la 5G

O-ran

Machine Learning

Beyond 5G

Résumé

L'Alliance O-RAN normalise un RAN désagrégé avec deux piliers : des interfaces ouvertes supportant une conception multi-fournisseurs, et des contrôleurs RAN supportant des applications de contrôle, d'optimisation et d'IA/Machine Learning (ML) qui peuvent être introduites par des fournisseurs RAN, des tiers ou par l'opérateur du réseau. Cette thèse vise à développer des solutions IA/ML dynamiques pour l'optimisation du réseau O-RAN Beyond 5G. Les tâches de la thèse comprendront la définition des cas d'utilisation, la modélisation, l'adaptation des méthodes IA/ML, et l'intégration comme détaillé ci-dessous : 1) Identifier les cas d'utilisation innovants impliquant les technologies 5G/B5G, telles que Massive MIMO, RAN slicing et cross layer processes. 2) Modéliser les cas d'utilisation sélectionnés avec un bon équilibre entre la précision et le niveau d'abstraction. 3) Étudier, adapter et mettre en œuvre des algorithmes de contrôle et d'apprentissage automatique à convergence rapide, tels que le MAB unimodal - Multi armed Bandit, l'approximation stochastique pour les ensembles discrets et l'optimisation bayésienne à l'aide de processus gaussiens. 4) Fournir la preuve de la convergence et de la stabilité des solutions proposées. 5) Analyse des performances des solutions proposées par simulation. 6) Contribuer à l'intégration des solutions dans les plateformes de contrôle O-RAN (activité de l'équipe de projet).

O-RAN Alliance is standardizing a disaggregated RAN with two pillars: open interfaces supporting multi-vendor design, and RAN controllers supporting control, optimization, and AI/Machine Learning (ML) applications that can be introduced by RAN vendors, third parties or by the network operator. This thesis aims at developing dynamic IA/ML solutions for Beyond 5G O-RAN network optimization. The thesis tasks will include the definition of use cases, modelling, adapting AI/ML methods, and integration as detailed below: 1) Identify innovative use cases involving 5G/B5G technologies, such as Massive MIMO, RAN slicing and cross layer processes. 2) Model the selected use cases with the right balance between precision and abstraction level. 3) Study, adapt and implement control and Machine Learning algorithms with fast convergence, such as unimodal MAB – Multi armed Bandit, Stochastic Approximation for discrete sets and Bayesian optimization using Gaussian Processes. 4) Provide proof of convergence and stability of the proposed solutions. 5) Performance analysis of the proposed solutions via simulation. 6) Contribute to the solutions' integration in O-RAN controller platforms (project team activity).