Gestion des modes de veille avancés pour des réseaux 5G économes en énergie

Management of advanced sleep modes for energy-efficient 5G networks

• Auteur / Autrice : Fatma Ezzahra Salem
• Direction : Tijani Chahed, Azeddine Gati
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 20/12/2019
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Télécom SudParis (France) - Département Réseaux et Services de Télécommunications / RST - Institut Polytechnique de Paris / IP PARIS - Orange Labs - Services répartis- Architectures- MOdélisation- Validation- Administration des Réseaux / SAMOVAR
• Jury : Président / Présidente : Guy Pujolle
• Jury : Examinateurs / Examinatrices : Azeddine Gati, Halima Elbiaze, Cicek Cavdar, Laurent Lefèvre, Zwi Altman
• Jury : Rapporteurs / Rapporteuses : Halima Elbiaze, Cicek Cavdar

Mots clés

Mots clés contrôlés

Markov, Processus de

Consommation d'énergie

Économies d'énergie

Technologie 5G

Mots clés libres

Modes de veille avancés

Réseaux 5G

Économes en énergie

Consommation énergétique

Stations de base

Délai

Politiques de gestion

Processus de décision markoviens

Q-learning

Advanced sleep modes

5G networks

Energy-efficient

Energy consumption

Base stations

Delay

Management solutions

Markov decision processes

Q-learning

Résumé

La consommation énergétique des réseaux radiomobiles a été une direction de recherche très active au cours de la dernière décennie et ce, pour des raisons économiques ainsi qu'environnementales. Avec l'énorme croissance du trafic ainsi que la multiplication des équipements mobiles, des nouveaux services et des communications Machine à Machine, la nécessité de réduire la consommation énergétique est devenue de plus en plus urgente surtout avec le déploiement des réseaux 5G. Sachant que le réseau d'accès est le plus grand consommateur dans le réseau mobile, en particulier les stations de base qui consomment environ 80% de la consommation totale, nous nous focalisons dans cette thèse sur ce composant. La consommation énergétique des stations de base est composée de deux parties: une partie fixe qui ne varie pas en fonction du trafic et une partie qui en dépend. Notre objectif est de trouver des solutions efficaces permettant de réduire la partie fixe de cette consommation. Une solution prometteuse consiste à mettre la station de base, ou certains de ses composants, en mode veille s'il n'y a pas de trafic à servir. Nous étudions dans cette thèse une technique dite "modes de veille avancés" qui permet d'éteindre les composants de la station de base de manière progressive en fonction du temps nécessaire pour chacun pour se désactiver et se réactiver de nouveau. Ceci introduit différent niveaux de sommeil possibles. En allant d'un niveau à un autre plus profond nous pouvons réaliser plus d'économies d'énergie puisqu'il y a plus de composants qui sont en veille, mais nous introduisons plus d'impact sur le délai s'il y a des demandes de services qui arrivent pendant cette période de veille. L'opérateur doit trouver alors des politiques de gestion efficaces pour gérer ce compromis entre la réduction d'énergie et la minimisation de l'impact sur le délai. Dans ce contexte, nous proposons des méthodes de gestion des modes de veille avancés basées spécifiquement sur des modèles d'apprentissage, à savoir les processus de décision Markoviens et le Q-learning, qui nous permettent de trouver la politique optimale à suivre en fonction des priorités accordées aux deux métriques : la consommation d'énergie et le délai. Nos solutions montrent que les économies d'énergie peuvent atteindre 90% dans le cas d'un faible trafic lorsque la priorité est accordée à la réduction d'énergie. Plus on augmente la contrainte imposée sur le délai, plus la réduction d'énergie diminue, et aussi l'impact sur le délai. Nos résultats montrent que même si la contrainte sur le délai est très forte, nous pouvons aussi avoir des économies d'énergie élevées (environ 50%) alors que l'impact sur le délai devient négligeable.

The energy consumption of mobile networks has been an active research direction in the last decade for both environmental and economic concerns. With the tremendous growth in the traffic as well as the proliferation of devices and new services and the expansion of Machine to Machine communications, the need to reduce the energy consumption became more and more urgent and was emphasized by the expected 5G roll out. Knowing that the radio access network is the most energy consumer in the network, particularly the base station which consumes around 80% of the global energy consumption, we direct our study towards this component. The energy consumption of the base stations is composed of two parts: a fixed one that does not vary with the load, and a second part which is load-dependent. Our target is to find efficient solutions enabling to reduce the fixed component. One promising solution is to put the base station, or some of its components, into sleep mode whenever there is no traffic to serve. We study in this thesis an Advanced Sleep Mode technique enabling to shut down the base station's components in a gradual manner depending on the time needed for each of them to deactivate and reactivate again. This introduces different possible levels of sleep. Going from one level to a deeper one will help us make more energy savings as we deactivate more components but can also incur a larger delay for the users who request a service when the base station is in sleep mode. The network operator has to find efficient management solutions that can handle this tradeoff between energy consumption reduction that can be achieved by the sleep modes, and the minimization of the corresponding induced delay. To this aim, we propose in this work management solutions based especially on learning techniques, namely Markov Decision Processes and Q-learning, which enable us to find the optimal policy to follow depending on the priorities given to both metrics: energy consumption and delay. Our solutions show that the energy savings can reach 90% in low traffic when priority is given to energy reduction. The more we care about delay, the more energy saving decreases, as is the case for the induced delay. We show that even when we have a strict constraint on the delay, we can still achieve high energy savings (around 50%) while the added delay by the sleep mode is negligible.