Optimisation de la topologie de réseaux mobiles sans fil à l'aide d'algorithmes d'apprentissage automatique

Topology optimization in mobile wireless networks using machine learning

• Auteur / Autrice : Félix Marcoccia
• Direction : Paul Mühlethaler, Cédric Adjih
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 13/10/2025
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche de Paris (Paris) (2016-....)
• Jury : Président / Présidente : Marc Lelarge
• Jury : Examinateurs / Examinatrices : Kinda Khawam
• Jury : Rapporteurs / Rapporteuses : Marceau Coupechoux, Patrick Sondi Obwang

Mots clés

Mots clés contrôlés

Réseaux ad hoc (informatique)

Modèles génératifs

Apprentissage supervisé (intelligence artificielle)

Systèmes de communication sans fil

Mots clés libres

Réseaux sans fil

Apprentissage automatique

Graphes

Wireless networks

Deep Learning

Graphs

Résumé

Les réseaux aériens mobiles suscitent un intérêt croissant en raison de leur capacité à offrir des communications autonomes, sans infrastructure, dans des environnements dynamiques. Leur pertinence s'explique par la diversité des applications concrètes qu'ils permettent, allant des drones aux avions, en passant par les satellites. Pour s'affranchir de la nécessité d'un relais centralisé et gagner en résilience ainsi qu'en capacité, ces réseaux peuvent s'appuyer sur des communications ad hoc multi-sauts entre les nœuds. Cependant, ils se heurtent souvent à des limitations théoriques, notamment lorsqu'ils utilisent des antennes omnidirectionnelles. Pour les dépasser et exploiter les antennes directionnelles, il est nécessaire de coordonner en temps réel les décisions d'orientation des antennes, les transmissions et les réceptions, afin de garantir une topologie réseau efficace et fonctionnelle. Étant donné la nature fortement combinatoire de ce problème, cette thèse propose de l'aborder par le biais de techniques d'intelligence artificielle, notamment l'apprentissage supervisé et les modèles génératifs. Au cours de cette thèse, nous explorons différentes méthodes d'apprentissage profond pour résoudre ce problème et développons plusieurs architectures de solution. En adaptant et en étendant des méthodes de pointe en deep learning, nous proposons une approche permettant, à partir de données d’apprentissage, de générer en temps réel des configurations réseau performantes. Par ailleurs, en tirant parti de techniques génératives avancées, nous proposons une architecture d'apprentissage capable de générer conjointement les liens du réseau et un planning de transmission compatible, tout en prenant en compte la dynamique du réseau. Les modèles obtenus permettent une amélioration théorique significative du débit par rapport aux protocoles omnidirectionnels classiques, avec une montée en charge encore plus favorable à mesure que le nombre de nœuds augmente.

Mobile aerial networks have emerged as compelling technologies due to their capacity to deliver autonomous, infrastructure-free communication in dynamic environments. Their growing relevance is driven by a wide range of practical applications, ranging from UAVs to planes and satellites. In order to overcome the need for a centralized proxy, to achieve higher resilience and capacity, such networks can leverage ad hoc, multi-hop communications between nodes. However, they generally suffer from theoretical limitations, particularly when using omnidirectional antennas. To overcome these limitations and leverage directional antennas, it becomes necessary to orchestrate all antenna steering decisions, transmissions and receptions in real time, ensuring a viable and efficient network topology. Given the highly combinatorial nature of this problem, this thesis proposes to address it using artificial intelligence techniques, including supervised learning and generative models. In the course of this thesis, we experiment with various deep learning methods to solve our problem and develop several solution architectures. By adapting and extending state-of-the-art deep learning methods, we propose a data-driven method which generates high-performance network configurations in real time. Furthermore, leveraging advanced generative approaches, we propose a learning architecture capable of jointly generating the network links and a compatible transmission schedule, while accounting for the network's dynamic behavior. The resulting models yield a substantial theoretical throughput improvement over conventional omnidirectional protocols, with even better scalability as the number of nodes increases.