Intelligence artificielle explicable et grands modèles de langage pour l'auto-rétablissement des réseaux O-RAN : détection d'anomalies, analyse des causes profondes et remédiation fondée sur les connaissances

Explainable Artificial Intelligence and Large Language Models for O-RAN Self-Healing: Anomaly Detection, Root-Cause Analysis, and Knowledge-Grounded Remediation

• Auteur / Autrice : Oluwatimileyin Adedigba
• Direction : Lina Mroueh
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/04/2026
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, Signal et Image, Télécom et Électronique
• Partenaire(s) de recherche : Equipe de recherche : Electronics, Communications & Security

Mots clés

Mots clés libres

Réseau d'accès radio ouvert (O-RAN)

Grands modèles de langage (LLM)

Intelligence artificielle explicable (XAI)

Réseaux auto-réparateurs

Détection d'anomalies

Analyse des causes profondes

Open Radio Access Network (O-RAN)

Large Language Models (LLMs)

Explainable AI (XAI)

Self-Healing Networks

Anomaly Detection

Root-Cause Analysis

Résumé

Cette thèse traite du défi consistant à permettre un auto-rétablissement fiable dans les réseaux d'accès radio ouverts (O-RAN), un paradigme clé dans l'évolution vers des systèmes de communication autonomes, définis par logiciel et pilotés par l'intelligence artificielle. Bien que les recherches actuelles aient réalisé des avancées significatives en matière de détection d'anomalies, d'explicabilité et de gestion de réseau assistée par l'IA, ces composantes demeurent largement fragmentées. En particulier, les approches existantes détectent souvent les anomalies sans fournir d'analyse des causes profondes exploitable ni de stratégies de remédiation directement utilisables par les opérateurs, ce qui limite leur déploiement dans des environnements télécom réels. L'objectif de cette recherche est de concevoir et de mettre en œuvre un cadre intégré, explicable et fondé sur les connaissances pour l'auto-rétablissement des réseaux O-RAN. L'approche proposée combine des modèles avancés de détection d'anomalies, des techniques d'intelligence artificielle explicable (XAI) et des grands modèles de langage (LLM) au sein d'une architecture unifiée en boucle fermée. L'ambition est de dépasser les approches isolées de détection ou d'explication pour aboutir à une chaîne complète capable d'identifier, d'interpréter et de résoudre les anomalies réseau de manière fiable et transparente. Le premier composant du cadre se concentre sur la détection d'anomalies dans les données de télémétrie réseau, incluant des indicateurs clés de performance (KPI) sous forme de séries temporelles ainsi que, le cas échéant, des informations topologiques. Selon la structure des données, l'étude explorera des modèles temporels tels que les autoencodeurs, les architectures de type Transformer et les modèles spatio-temporels basés sur des graphes. Ces modèles visent à identifier avec précision les comportements anormaux dans des environnements O-RAN complexes et dynamiques. Le deuxième composant introduit des mécanismes d'explicabilité afin d'améliorer l'interprétabilité des résultats de détection. À l'aide de méthodes XAI de pointe telles que SHAP et les gradients intégrés, le système produira des explications multi-niveaux mettant en évidence les caractéristiques clés, les motifs temporels et les entités réseau responsables des anomalies. Cette étape garantit que les résultats ne sont pas seulement précis, mais également compréhensibles et exploitables. S'appuyant sur ces explications, le troisième composant se concentre sur l'analyse des causes profondes en intégrant des connaissances métier, telles que les contraintes d'architecture réseau, les dictionnaires d'alarmes et les règles de diagnostic. Ce processus génère des hypothèses hiérarchisées des causes potentielles, comblant ainsi l'écart entre les sorties techniques des modèles et la prise de décision opérationnelle. Le quatrième composant mobilise les grands modèles de langage comme couche de raisonnement et d'interaction. Plutôt que d'effectuer une analyse brute des données, les LLM sont utilisés pour synthétiser les scores d'anomalie, les explications et les connaissances métier extraites en rapports cohérents et lisibles par les opérateurs. Ces rapports incluent des analyses structurées des causes profondes, des recommandations de remédiation classées, ainsi que des justifications fondées sur la documentation pertinente, suivant un paradigme de génération augmentée par récupération. Enfin, le cadre intègre un module de remédiation proposant des actions correctives minimales, sûres et conformes aux politiques. Cette étape met l'accent sur une intelligence actionnable, garantissant que les recommandations sont réalisables, auditables et compatibles avec les contraintes opérationnelles. L'évaluation expérimentale reposera sur des jeux de données publics O-RAN, notamment SpotLight et ColO-RAN, permettant une évaluation reproductible des performances de détection, de la qualité des explications et des capacités d'auto-rétablissement en boucle fermée. En intégrant détection, explicabilité, raisonnement et remédiation au sein d'une architecture unique, cette thèse vise à faire progresser l'état de l'art en gestion autonome des réseaux et à contribuer au développement de mécanismes d'auto-rétablissement fiables, interprétables et pilotés par l'intelligence artificielle pour les réseaux de communication de nouvelle génération.

This thesis handles the challenge of enabling trustworthy self-healing in Open Radio Access Networks (O-RAN), a key paradigm in the evolution toward autonomous, software-defined, and AI-powered communication systems. While current research has made significant progress regarding anomaly detection, explainability, and AI-assisted network management, these components continue largely fragmented. In particular, current approaches often detect anomalies without supplying actionable root-cause analysis or operator-ready remediation strategies, limiting their practical deployment in real-world telecom environments. The objective of this research is to design and implement an integrated, explainable, and knowledge-grounded framework for O-RAN self-healing. The proposed approach fuses advanced anomaly detection models, explainable artificial intelligence (XAI) techniques, and large language models (LLMs) inside a unified closed-loop architecture. The goal is to move beyond isolated detection or explanation toward a complete pipeline capable of identifying, interpreting, and resolving network anomalies in a reliable and transparent manner. The first component of the framework focuses on anomaly detection in network telemetry data, including time-series key performance indicators (KPIs) and optional topology information. Depending on the data structure, the study will investigate temporal models such as autoencoders, Transformer architecture models, and graph-temporal models. These models aim to accurately identify abnormal behaviors in complex and dynamic O-RAN environments. The second component introduces explainability mechanisms to enhance the understandability of detection results. Using state-of-the-art XAI methods such as SHAP and Integrated Gradients, the system will generate multi-level explanations, bringing out the key features, temporal patterns, and network entities responsible for anomalies. This stage guarantees that detection outcomes are not only accurate as well as understandable and actionable. Building on these explanations, the third component focuses on root-cause analysis through integrating domain knowledge, including network architecture constraints, alarm dictionaries, and troubleshooting rules. This process produces ranked hypotheses of potential causes, bridging the gap between technical model outputs and operational decision-making. The fourth component leverages large language models as a reasoning and interaction layer. Rather than performing raw data analysis, LLMs are used to synthesize anomaly scores, explanations, and retrieved domain knowledge into coherent, operator-readable reports. These reports include structured root-cause narratives, ranked remediation suggestions, and justification traces grounded in relevant documentation, following a retrieval-augmented generation paradigm. Finally, the framework contains a remediation module that proposes minimal, safe, and policy-compliant corrective actions. This stage stresses actionable intelligence, making certain that recommendations are feasible, auditable, and consistent with operational constraints. The experimental assessment will rely on publicly available O-RAN datasets, including SpotLight and ColO-RAN, enabling reproducible evaluation of anomaly detection performance, explanation quality, and closed-loop self-healing capabilities. By integrating detection, explanation, reasoning, and remediation into a single architecture, this thesis aims to advance the state of the art in autonomous network management and help advance the development of reliable, interpretable, and AI-driven self-healing mechanisms for next-generation communication networks