CE25 - Sciences et génie du logiciel - Réseaux de communication multi-usages, infrastructures de hautes performances

Contrôle de réseaux par apprentissage automatique interprétable et respectant des bornes de stabilité – SAFE

Résumé de soumission

Dans la dernière décennie, le Software Defined Networking a permis de mieux découpler les plans de contrôle et de données. Côté système, les avancées pour le plan de contrôle ont été la puissance de calcul, la virtualisation du réseau, la programmabilité du plan de données, l’intégration accélérateurs d'IA. Toutes innovations visent à plus d'agilité et d'intelligence à l'intérieur des réseaux. La vision à long terme est celle de réseaux autonomes où l'automatisation et l'intelligence sont deux ingrédients essentiels. Des appareils puissants et programmables favorisent l'utilisation de techniques avancées d'apprentissage automatique (ML) et d'optimisation pour contrôler intelligemment les réseaux, en vue d’une meilleure expérience utilisateur et une meilleure utilisation des ressources.
Les fournisseurs de réseaux et de services sont confrontés à une complexité croissante des réseaux, combinée à la nécessité de prendre en charge une variété toujours grandissante d’applications. Ainsi, il existe un besoin de réseaux agiles, flexibles et entièrement autonomes. Les réseaux doivent en grande partie s'autogérer et traiter eux-mêmes des problèmes tels que le routage, l'allocation des ressources, la qualité d’expérience (QoE) et l'ingénierie du trafic. Cela nécessite de nouveaux algorithmes pour la prise de décisions et le contrôle.
Les approches traditionnelles de contrôle des réseaux nécessitent une connaissance approfondie de l'infrastructure et du trafic, ce qui n'est pas réaliste en pratique. Les approches ML basées sur les données n'ont pas cet inconvénient, mais n'offrent aucune garantie de sûreté et sont difficiles à interpréter. Les algorithmes sont essentiels pour le fonctionnement des réseaux, c'est pourquoi nous pensons que les solutions doivent être sûres et interprétables. Nous pensons que les approches fondées sur l’expertise et les données devraient fonctionner en synergie. Les approches orientées modèle basées sur les connaissances peuvent guider et contrôler l'apprentissage des approches de ML basées sur les données, qui à leur tour peuvent permettre d’enrichir la connaissance de nouvelles situations ou du fonctionnement des systèmes.
Cela ouvre de nombreuses nouvelles directions de recherche. Notre projet SAFE (Controlling Networks with SAFety bounded and IntErpretable Machine Learning) se concentre sur la conception de solutions ML sûres et interprétables pour le contrôle des réseaux. SAFE a les objectifs scientifiques suivants avec une stratégie open source :
1) Architecture hiérarchique : En supposant des architectures de réseau modernes, nous allons concevoir une architecture ML basée sur une IA globale (s'exécutant au niveau du contrôleur central) et une IA locale (s'exécutant au niveau des périphériques de périphérie) pour la prise de décisions dans des environnements partiellement ainsi que totalement observables et contrôlables. L’IA globale pourra contrôler, configurer et installer des politiques sur les IA locales.
2) Algorithmes pour environnements partiellement observables : Nous allons concevoir de nouveaux algorithmes sûrs et interprétables pour l'ingénierie du trafic auto-adaptable, des algorithmes de planification automatique pour des environnements partiellement observables et contrôlables. Ces méthodes trouvent des cas d'utilisation dans le SD-WAN (Software-Defined Wide Area Networks), où les équipements présents sur des sites distants doivent fonctionner en collaboration au-dessus de réseaux d'interconnexion partiellement observables.
3) Algorithmes pour des environnements entièrement observables : Nous étudierons l'application de l'architecture d'IA globale et locale pour des environnements entièrement observables et contrôlables. Plus précisément, nous allons concevoir de nouveaux algorithmes sûrs et interprétables pour le routage défini par logiciel et l'ingénierie du trafic, qui trouvent des cas d'utilisation dans des centres de données ainsi que des WAN privés connectant plusieurs sites.

Coordination du projet

Kamal Singh (Laboratoire Hubert Curien)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

IRISA Institut de Recherche en Informatique et Systèmes Aléatoires
QoS Design QoS Design
LabHC Laboratoire Hubert Curien
Huawei Huawei Technologies France SASU / France Research Center, Datacom Lab
XLIM XLIM

Aide de l'ANR 733 383 euros
Début et durée du projet scientifique : février 2022 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter