Intelligence Artificielle et Modélisation Dynamique pour des Réseaux futurs plus Flexibles – AIDY-F2N

Davidson Paris et Telecom SudParis souhaitent renforcer leurs liens en mettant en place le laboratoire commun AIDY-F2N et en sollicitant l’ANR via l’outil de financement ANR LabCom. Ce laboratoire de recherche commun sera dédié à la modélisation dynamique des réseaux et des services de nouvelle génération et reflètera l'aspiration des deux parties à développer et à renforcer leur savoir-faire dans ces domaines.
AIDY-F2N renforcera naturellement la synergie entre la recherche publique, souvent théorique, et les activités de R&D industrielles inspirées et guidées par les besoins du marché à court et à moyen terme.

Les réseaux et services de la prochaine génération (5G) devraient être modulaires, programmables et partagés. Les architectures des réseaux d’accès et de transport évoluent vers plus de virtualisation, de mutualisation et de coopération. Ils utiliseront différentes technologies mais serviront également plusieurs acteurs et métiers. En conséquence, ils proposeront des services hétérogènes en termes de débit et de qualité de service requise. Les solutions 5G devraient être plus complexes à gérer et les moyens de gestion traditionnels ne sont plus adaptés à leur complexité et à leur richesse. Par conséquent, de nouveaux outils sont nécessaires pour analyser et prédire l'évolution de ces systèmes dynamiques et complexes et leur permettre de s'auto-adapter et de se reconfigurer sans ou avec une intervention humaine minimale.

Dans ce projet, nous explorerons plusieurs techniques d'optimisation, notamment les techniques de décomposition et d'agrégation, afin de résoudre de manière plus simple et plus rapide des problèmes complexes, l'optimisation combinatoire, les limites stochastiques et les techniques d'apprentissage (Machine Learning et Deep Learning).

Un effort particulier sera fait pour que les approches proposées puissent être utilisées en temps réel afin de permettre des décisions rapides et une reconfiguration adaptée aux besoins opérationnels de la 5G. Ces solutions de modélisation et d'optimisation peuvent alors faire partie des systèmes réels eux-mêmes et alimentées par les indicateurs de performance et les mesures collectées des réseaux des services.

Un exemple à prendre en compte dans ces nouveaux réseaux est la prédiction en temps réel du trafic de machine à machine et plus généralement de l’Internet des objets. Ce type de trafic peut être très sporadique mais parfois massif (par exemple, dans des situations critiques). Ces dynamiques peuvent conduire à une dégradation de la qualité de service, non seulement pour le service considéré, mais également pour tous les autres services pouvant partager les mêmes ressources physiques et matérielles. Des actions d’adaptation et de reconfiguration peuvent s’avérer nécessaires au niveau des réseaux d’accès et de transport, mais également au niveau du service, de sorte que le système doit être capable de prévoir l’évolution de la charge et de se préparer par une auto-configuration (à différents niveaux).

Un autre exemple est l'orchestration dynamique des réseaux virtuels. Les nouveaux standards ont proposé pour plusieurs types de services, une nouvelle architecture basée sur ce que l’on appelle le slicing, qui consiste à configurer des réseaux virtuels créés et gérés à l’aide de la virtualisation (NFV : Network Function Virtualization) et des réseau logiciels (SDN : Software Defined Networks). Le placement des composants de service sur l’infrastructure physique pose de gros problèmes afin de créer des slices isolées répondant à différentes exigences (telles que les réseaux de capteurs, la conduite autonome, les applications interactives, diffusion multimédia, etc.). La configuration et l’orchestration de ces réseaux doivent être effectuées de manière dynamique, en tenant compte des prévisions de la charge du réseau et de la demande de services à l’aide de techniques d’apprentissage automatique et reconfigurables en temps.