From services placement to services monitoring in 5G and post-5G networks (Du placement des services à la surveillance des services dans les réseaux 5G et post- 5G) Rkhami, Anouar - (2021-12-14) / Universite de Rennes 1 From services placement to services monitoring in 5G and post-5G networks Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Rubino, Gerardo Discipline : Informatique Laboratoire :  IRISA Ecole Doctorale : MATHSTIC Classification : Informatique Mots-clés : 5G, Apprentissage profond, Découpage du réseau, réseaux de neurones des graphes, tomographie des réseaux, apprentissage profond par renforcement 5G (téléphonie mobile) Apprentissage profond Réseaux neuronaux (informatique)

Résumé : La première section de la thèse explore le potentiel de l'apprentissage par renforcement profond (DRL) basé sur des graphes de réseaux neuronaux pour résoudre le problème du placement des tranches de réseau et remédier aux limites des techniques existantes. Deux approches sont proposées : la première consiste à apprendre à résoudre automatiquement le problème du placement. Plutôt que de se limiter à la topologie de l'infrastructure physique ou à extraire manuellement des caractéristiques, le problème est formulé sous la forme d'un processus de décision markovien qui est résolu à l'aide d’un réseau de neurones convolutif à base de graphes pour apprendre à découvrir une solution optimale. Ensuite, plutôt que de former un agent DRL de zéro pour identifier la meilleure solution, ce qui pourrait entraîner un défaut de fiabilité, un agent est présenté pour réduire l'écart d'optimalité des heuristiques existantes. Une fois les tranches placées, la surveillance de l'état des tranches de réseau devient une priorité pour s'assurer que les SLAs sont respectés. Ainsi, dans la deuxième partie de la thèse, il est proposé d'utiliser des techniques d'apprentissage automatique et la tomographie réseau (NT) pour surveiller les tranches de réseau. Il y a deux problèmes majeurs à prendre en compte. Premièrement, les métriques de slices sont déduites sur la base de diverses mesures de bout en bout entre les moniteurs, ainsi que du placement efficace des moniteurs. Des réseaux neuronaux sont utilisés pour traiter l'inférence des métriques. Une approche d'apprentissage par transfert est également utilisée pour faire face aux changements qui peuvent se produire sur les slices surveillés ou sur la topologie physique sur laquelle elles sont placées. Des sondes cycliques sont envisagées pour le problème du placement des moniteurs. Le problème est formulé comme une variante du problème de couverture par ensembles. En raison de sa complexité, il est proposé d'introduire une solution autonome basée sur des réseaux neuronaux à base de graphes (GNN) et des algorithmes génétiques pour trouver un compromis entre la qualité du placement des moniteurs et le coût pour y parvenir. Abstract : The first section of the thesis explores the potential of deep reinforcement learning (DRL) based on graph neural networks to solve the problem of network slice placement and overcome the limitations of existing techniques. Two approaches are proposed: the first is to learn how to automatically solve the placement problem. Rather than being limited to the topology of the physical infrastructure or manually extracting features, the problem is formulated as a Markovian decision process that is solved using a convolutional neural network based of graphs to learn how to discover an optimal solution. Then, rather than training a DRL agent from scratch to identify the best solution, which could lead to a reliability issue, an agent is presented to reduce the optimality gap from existing heuristics. Once the slices are placed, monitoring the status of the network slices becomes a priority to ensure that SLAs are met. Thus, in the second part of the thesis, it is proposed to use machine learning techniques and network tomography (NT) to monitor network slices. There are two major issues to consider. First, slice metrics are inferred based on various end-to-end measurements between monitors, as well as the efficient placement of the monitors. Neural networks are used to process inference from metrics. A transfer learning approach is also used to deal with changes that may occur on the monitored slices or on the physical topology on which they are placed. Cyclic probes are considered for the problem of placement of monitors. The problem is formulated as a variant of the set covering problem. Due to its complexity, it is proposed to introduce an autonomous solution based on graph-based neural networks (GNN) and genetic algorithms to find a compromise between the quality of the placement of the monitors and the cost to achieve it.