Optimisation dynamique axée sur les données de la charge et des tranches réseaux dans les réseaux
Auteur / Autrice : | EL Hocine Bouzidi |
Direction : | Rami Langar |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 05/11/2021 |
Etablissement(s) : | Université Gustave Eiffel |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge |
Jury : | Président / Présidente : Stefano Secci |
Examinateurs / Examinatrices : Rami Langar, Thi-Mai-Trang Nguyen, Mohamed Yacine Ghamri Doudane, Abdelkader Outtagarts, Mohamed Faten Zhani | |
Rapporteurs / Rapporteuses : Thi-Mai-Trang Nguyen, Mohamed Yacine Ghamri Doudane |
Mots clés
Résumé
Les réseaux 5G devraient répondre à un nombre croissant de demandes, d'appareils connectés et de volume de trafic de données, ce qui pousse les opérateurs de réseaux à leurs limites en termes de flexibilité, d'élasticité et de rentabilité. Le réseau défini par logiciel SDN, la virtualisation des fonctions réseau NFV, les tranches réseau, l'apprentissage automatique ML et le Cloud computing sont considérés comme les technologies clés pour résoudre ces problèmes. Cependant, la conception et la maturité de ces technologies soulèvent de nouveaux problèmes en termes d'ingénierie de trafic et d'optimisation de routage, de partage d'infrastructure réseau et de gestion de contrôle distribué SDN. Dans ce contexte, nous abordons, dans cette thèse, les problèmes suivants : 1) comment définir de manière réactive et proactive les règles de flux et où les placer afin de supprimer la congestion du réseau, 2) comment créer des tranches réseaux de bout en bout isolés et efficaces en prenant en compte NFV et SDN pour optimiser le routage du trafic et éviter la congestion dans une tranche de réseau spécifique, 3) combien de contrôleurs SDN nécessaires, où les placer et leurs domaines de plan de données correspondants afin d'améliorer les performances, et 4) comment tirer parti de l'intelligence via ML dans SDN afin de résoudre des problèmes complexes survenant dans l'optimisation du routage, le découpage réseau et le placement des contrôleurs, tout en garantissant la qualité de service QoS demandée.Notre première contribution présente une approche de placement de règles de flux basée sur SDN qui vise à : i) prédire la congestion du trafic en utilisant principalement des réseaux de neurones (NN), puis ii) apprendre les chemins optimaux et rediriger le trafic pour améliorer l'utilisation des liens réseau en déployant un agent d'apprentissage par renforcement profond en utilisant la méthode Deep Q-Network (DQN). Comme deuxième contribution de cette thèse, nous concevons et implémentons une architecture SDN pour le tranchage du réseau de bout en bout (i.e., E2E), qui adapte de manière proactive et dynamique les tranches radio aux tranches du réseau de transport. Dans la troisième et dernière contribution, nous présentons une nouvelle méthode qui détermine dynamiquement le nombre optimal de contrôleurs, détermine leurs emplacements optimaux et, en même temps, partitionne l'ensemble des domaines de commutation du plan de données et les alloue aux contrôleurs correspondants