> Offres de formation > Offres de thèses

Gestion des réseaux de communication complexes à travers des algorithmes IA distribués

Défi technologique : Réseaux de communication, internet des objets, radiofréquences et antennes (en savoir +)

Département : Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire : Laboratoire Systèmes Communiquants

Date de début : 01-10-2022

Localisation : Saclay

Code CEA : SL-DRT-22-0853

Contact : mounir.kellil@cea.fr

Avec la prolifération exponentielle des équipements et applications IoT dans notre vie quotidienne (par exemple, les montres intelligentes, les lunettes intelligentes, etc.) ainsi que les exigences en constante évolution des utilisateurs et des opérateurs réseau (plus de données, plus de bande passante, latence ultra-faible, efficacité énergétique, etc.), gérer un tel réseau intelligent caractérisé par un écosystème IoT aussi complexe devient particulièrement difficile. En effet, dans de tels réseaux de communication intrinsèquement complexes, les n?uds du réseau peuvent être surchargés de manière imprévisible en raison d'opérations de traitement intensives (par exemple, routage du trafic, analyse des données, encodage/décodage vidéo, chiffrement/déchiffrement des données, etc.), tandis que la bande passante du réseau peut connaitre une évolution chaotique/aléatoire à cause des applications basées événements (par exemple, des alarmes, les applications et des services contextuels, etc.) ou des applications et services (ultra) gourmands en bande passante comme dans les scénarios Réalité Virtuelle/Réalité Augmentée/Réalité Etendue (cas d'environnements immersifs comme les jeux , la télé-présence, etc.). Par conséquent, la complexité inhérente aux réseaux intelligents nécessite des algorithmes de raisonnement automatisés pour la gestion du réseau qui s'adaptent à la dynamique élevée de la qualité d'expérience de l'utilisateur (QoE) et de la qualité de service du réseau (QoS). Gérer des réseaux de communication aussi complexes que les réseaux intelligents émergents est une tâche difficile. En particulier, les algorithmes heuristiques conventionnels basés sur des règles ne sont pas optimisés pour les réseaux complexes. En effet, pour de tels algorithmes, la méthode conventionnelle consistant à attribuer des paramètres arbitraires sur la base de l'expérience de l'opérateur réseau ou à prendre des décisions de gestion réseau sur la base de règles (rule-base decision) engendre souvent un algorithme de prise de décision non optimal. Les solutions d'intelligence artificielle (IA) pour les réseaux de communication, y compris les algorithmes et les modèles d'apprentissage automatique (ML), sont conçus pour apprendre à prendre des décisions, avec une précision acceptable, directement à partir de données sans suivre des règles prédéfinies. Ces algorithmes et modèles représentent généralement des comportements complexes dans le réseau de communication tels que les modèles de trafic, la qualité de la liaison radio, les caractéristiques du débit, etc. Deux grandes catégories d'architectures d'IA existent dans la littérature sur les réseaux de communication : centralisées et distribuées. Avec l'architecture d'IA centralisée, un seul agent IA est chargé d'effectuer diverses opérations spécifiques, notamment la collecte des données, l'entrainement, ainsi que les tâches de traitement ou de raisonnement associées. L'architecture IA centralisée représente une approche simple pour la gestion des réseaux de communication (un modèle client/serveur). Néanmoins, cette architecture souffre d'un certain nombre d'inconvénients, notamment par ce qu'elle ne permet pas le passage à l'échelle, alors que l'agent IA peut présenter un goulot d'étranglement en raison des risques accrus de surcharge des ressources (mémoire et traitement). La solution IA centralisée peut aussi souffrir d'une interruption de service en cas de défaillance de l'agent IA et entrainer une augmentation des délais de (re)configuration du réseau de communication. De plus, l'architecture centralisée de l'IA n'est pas adaptée à la complexité croissante des réseaux de communication intelligents émergents (par exemple, les réseaux B5G et 6G), où un nombre croissant d'initiatives de recherche sont menées pour résoudre ledit problème de complexité en explorant le paradigme d'intelligence réseau distribuée (notamment à travers des algorithmes distribués comme le raisonnement contextuel, la gestion de la mobilité des équipements, l'allocation et le déchargement des ressources, le contrôle d'accès au réseau, etc.). De cette façon, le paradigme de l'intelligence distribuée intégrera diverses fonctionnalités de gestion locale et de fourniture de services réseau pour faciliter les interactions de l'utilisateur avec le réseau de communication dans un écosystème IoT de plus en plus immersif. Pour ce type de réseaux, la répartition de la charge de travail d'apprentissage automatique sur plusieurs composants du réseau (par exemple, des agents IA distribués) représente une perspective attrayante, entraînant un changement du modelé basé IA de la gestion automatisée du réseau du centralisé vers le distribué. De plus, une approche distribuée de l'IA permet une meilleure adaptation aux exigences de latences ultra-faibles (par exemple, une latence inférieure à la milliseconde en 6G) en déplaçant l'agent IA aussi près que possible de l'utilisateur final. Concevoir une solution basée IA pour la gestion des réseaux de communication, suivant une architecture distribuée n'est pas simple. En particulier, les points de décision distribués (agents IA) nécessitent souvent une coordination efficace pour atteindre un objectif/état opérationnel commun (par exemple, configurer des routes de bout en bout, fournir des services à un utilisateur final, équilibrer la charge des ressources réseau, etc.). Le coût d'une telle coordination, en termes de surcharge (mémoire, CPU, bande passante et énergie) et de vitesse de convergence des algorithmes, doit être minimisé. De plus, la parallélisation efficace des processus impliqués (comme le processus d'entrainement) entre les différents agents IA du réseau de communication, pour accélérer l'exécution de l'algorithme IA sur la base d'un modèle fédéré, est encore un autre problème à prendre en compte. Cependant, la minimisation du coût de coordination inter-agents IA ainsi que la réalisation d'une parallélisation efficace des processus entre les agents IA nécessitent des protocoles et des algorithmes adaptés pour les communications inter-agents IA. En particulier, ces protocoles et algorithmes doivent minimiser la consommation de la bande passante du réseau tout en garantissant une latence de communication très faible et une transmission de données fiable pour aider à atteindre une prise de décision rapide et efficace basée sur l'IA. Dans la littérature des réseaux de communication, cet objectif est particulièrement difficile et nécessite généralement de rechercher le meilleur compromis parmi les mesures de performances du réseau susmentionnées . L'objectif de cette thèse de doctorat est de traiter le problème de la gestion des réseaux de communication complexes en explorant des approches IA distribuées.

Voir toutes nos offres Télécharger l'offre (.zip)

Email Bookmark and Share