5G slice monitoring using machine learning (Surveillance des tranches 5G à l’aide de l’apprentissage automatique) El Attar, Zahraa - (2025-03-15) / Université de Rennes, Rennes 5G slice monitoring using machine learning Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Texier, Géraldine; Hadjadj Aoul , Yassine Discipline : Informatique Laboratoire :  IRISA Ecole Doctorale : MATISSE Classification : Informatique Mots-clés : Intelligence Artificielle, Réseaux de Convolution Graphique Relationnels (RGCN), Apprentissage automatique, Réseaux 5G, Surveillance de Réseau, Tomographie de Réseau, Algorithmes Génétiques 5G (téléphonie mobile)  - Surveillance Intelligence artificielle Apprentissage automatique Algorithmes génétiques

Résumé : Le slicing des réseaux 5G complique leur surveillance, rendant les approches traditionnelles inefficaces face à l'augmentation du trafic et aux exigences de latence. Cette thèse explore la tomographie réseau à travers deux contributions : la sélection des chemins de mesure via un algorithme génétique et une approche par Réseaux de Convolution de Graphes Relationnels (RGCN) pour généraliser le placement des moniteurs. En combinant tomographie et apprentissage automatique, ces solutions offrent une surveillance plus efficace et adaptable des réseaux 5G et futurs. Abstract : Network slicing in 5G complicates network monitoring, making traditional approaches ineffective in the face of increasing traffic and latency requirements. This thesis explores network tomography through two contributions: measurement path selection using a genetic algorithm and a Relational Graph Convolutional Network (RGCN) approach to generalize monitor placement. By combining tomography and machine learning, these solutions provide more efficient and adaptable monitoring for 5G and future networks.