Orchestration d’algorithmes d’apprentissage distribués pour la gestion des ressources dans les réseaux mobiles – NETLEARN

La manière dont le projet veut attaquer ces problèmes est fondée sur une approche « apprendre à apprendre ». Si l’on considère les SB et les serveurs CDN comme des entités autonomes désirant optimiser une fonction objectif globale et capable de prendre des décisions en fonction d’une information incomplète sur l’état du système, la notion d’apprentissage distribué apparaît naturellement.

Il y a de nombreuses solutions dans ce domaine dans la littérature et chacune a ses propres caractéristiques en termes d’information requise, d’équilibre atteint, de vitesse de convergence, de stabilité. Chaque mécanisme possède ses propres paramètres. Le problème devient difficile dans des situations non stationnaires. L’originalité du projet réside donc dans son objectif de créer un portfolio d’algorithmes et une orchestration de ce portfolio. Pour prendre en compte des environnements non stationnaires, nous nous fonderons sur la théorie de l’approximation stochastique qui permettra de développer des versions robustes des mécanismes existants. Orchestrer un portfolio est similaire à ce que la littérature appelle « apprendre avec des conseils d’expert ». Notre but est de nous appuyer sur cette littérature et de sélectionner dynamiquement le bon algorithme d’apprentissage de façon à minimiser notre regret de ne pas en avoir choisi un autre.

-

-

-

L’objectif principal du projet est de proposer une nouvelle approche distribuée, passant à l’échelle, dynamique et efficace énergétiquement pour la gestion des ressources dans un réseau mobile. Cette approche repose sur l’orchestration d’un portfolio d’algorithmes d’apprentissage distribué. Le but ultime des mécanismes proposés est d’améliorer l’expérience des utilisateurs tout en utilisant les ressources de l’opérateur de manière plus efficace. La mobilité et les nouveaux services sont des éléments clefs à prendre en compte si l’opérateur veut améliorer la qualité de l’expérience des utilisateurs. Les algorithmes de contrôle et de gestion des réseaux du futur devront donc gérer en temps réel un environnement très dynamique caractérisé par la mobilité et des variations du trafic résultant d’usages variés. Pour atteindre ce but, nous nous concentrons sur deux aspects centraux des réseaux mobiles et nous tentons de concevoir des mécanismes d’apprentissage distribués pour des environnements non stationnaires ainsi qu’une orchestration de ces mécanismes permettant d’appliquer les algorithmes les plus adaptés à une situation. Le premier et principal aspect est la gestion des ressources radio dans un réseau d’accès radio. En LTE et LTE-A, l’interférence apparaît en effet comme un goulot d’étranglement pour la fourniture de hauts débits et la connectivité sans couture des utilisateurs. Pour réduire l’interférence, on peut soit coordonner les émissions entre stations de base (SB), soit permettre aux SB de coopérer. Dans le premier cas, on tente d’éviter l’interférence (ICIC), dans le second (CoMP), on combine au récepteur les signaux issus de SB différentes. Le second aspect étudié dans ce projet est la gestion des contenus populaires par un réseau de diffusion de contenu (CDN). Dans un CDN, les contenus sont disséminés dans des serveurs proches de la demande. Comment placer ces serveurs et quels contenus répliquer sont des questions traditionnelles dans les CDN. Dans les « CDN mobiles », les choses sont exacerbées à cause d’un environnement imprédictible et variable à cause de la mobilité, de la demande de trafic et des variations du canal radio. La manière dont le projet veut attaquer ces problèmes est fondée sur une approche « apprendre à apprendre ». Si l’on considère les SB et les serveurs CDN comme des entités autonomes désirant optimiser une fonction objectif globale et capable de prendre des décisions en fonction d’une information incomplète sur l’état du système, la notion d’apprentissage distribué apparaît naturellement. Il y a de nombreuses solutions dans ce domaine dans la littérature et chacune a ses propres caractéristiques en termes d’information requise, d’équilibre atteint, de vitesse de convergence, de stabilité. Chaque mécanisme possède ses propres paramètres. Le problème devient difficile dans des situations non stationnaires. L’originalité du projet réside donc dans son objectif de créer un portfolio d’algorithmes et une orchestration de ce portfolio. Pour prendre en compte des environnements non stationnaires, nous nous fonderons sur la théorie de l’approximation stochastique qui permettra de développer des versions robustes des mécanismes existants. Orchestrer un portfolio est similaire à ce que la littérature appelle « apprendre avec des conseils d’expert ». Notre but est de nous appuyer sur cette littérature et de sélectionner dynamiquement le bon algorithme d’apprentissage de façon à minimiser notre regret de ne pas en avoir choisi un autre. En rassemblant des équipes des domaines Réseaux et Apprentissage, NETLEARN se donne comme objectifs ultimes de proposer des adaptations d’architecture et de protocoles nécessaires au fonctionnement des algorithmes proposés.