Gestion topologique d'interférence dans les réseaux sans fil ad hoc à l'aide d'intelligence artificielle distribuée

par David Jia

Projet de thèse en Réseaux, information et communications

Sous la direction de Mohamad Assaad et de Christophe Le martret.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication , en partenariat avec Laboratoire des Signaux et Systèmes (laboratoire) , Télécoms et Réseaux (equipe de recherche) et de CentraleSupélec (référent) depuis le 16-09-2019 .


  • Résumé

    Dans cette thèse, nous aborderons le problème de management d'interférence dans les réseaux ad hoc en utilisant des techniques d'apprentissage automatique. L'objectif est de concevoir une technique pour apprendre la topologie du réseau et de développer une méthode simple de TIM (Topological Interference Management) dans un réseau à topologie dynamique (due à la mobilité des terminaux). Un autre objectif de la thèse est d'étudier l'interaction entre TIM et la clustérisation des réseaux ad hoc. Développer une solution permettant de faire conjointement TIM et la clustérisation des nœuds du réseau est un problème intéressant à résoudre. Comme l'architecture du réseau est distribuée, plusieurs défis se posent. En fait, les techniques classiques d'apprentissage automatique (ML) nécessitent la présence d'une entité centralisée qui observe l'ensemble des données globales. Ceci est inadéquat dans notre cas et un nouveau schéma de ML distribué est alors nécessaire. Les données d'apprentissage, par exemple, sont ensuite stockées sur un certain nombre de nœuds interconnectés, qui ont de petites capacités de stockage et de traitement. L'objectif est ensuite de répartir l'intelligence sur les nœuds du réseau et de concevoir une technique de ML intelligente qui limite les informations à échanger entre les nœuds. Un autre aspect important est l'incertitude, générée par la nature sans fil des liaisons et la connectivité variable des appareils (due à la mobilité), qui entraîne naturellement des erreurs dans les données mesurées. Par conséquent, une nouvelle solution d'apprentissage, tenant compte de la fiabilité des applications, de l'architecture de réseau réparti avec une topologie dynamique et de l'incertitude, est nécessaire.

  • Titre traduit

    Topological Interference Management in wireless ad hoc networks using distributed machine learning


  • Résumé

    In this thesis, we will approach the problem of interference management in ad hoc networks using machine learning techniques. The objective is to devise a framework that can learn the topology of the network and develop a joint clustering and TIM framework in a network with dynamic topology (due to the mobility of the devices). Since the network architecture is distributed, several challenges arise. In fact, classical Machine Learning (ML) techniques require the presence of a centralized entity that observes the global dataset. This is inadequate in our case and a new distributed ML framework is then needed. The training data, for example, is then stored across a number of interconnected nodes, which have small storage and processing capabilities. The objective is then to distribute the intelligence over the devices and to design a smart ML technique that limits the information to be exchanged among the devices. Another important aspect is the uncertainty, generated by the wireless nature of the links and the time varying connectivity of the devices (due to the mobility), which incurs naturally error in the measured data. Consequently, a fundamental system framework, which takes in account the reliability of the applications, the distributed network architecture with dynamic topology and the uncertainty, is needed.