Dans le contexte émergent des réseaux de sixième génération (6G), garantir une fiabilité extrêmement élevée pour des transmissions de courte longueur constitue un défi majeur, les limites classiques de capacité de Shannon n’étant plus adaptées au régime de blocs finis. Ce mémoire s’intéresse à cette problématique et présente une analyse des performances d’un système de communication ultra-fiable et à faible latence (URLLC) déployé dans un réseau en grappes utilisant la communication par paquets courts (SPC). Dans cette architecture, plusieurs utilisateurs terrestres soumis à diverses sources d’interférence sont regroupés autour d’un chef de cluster (CH) assurant le rôle de relais sans fil entre la station de base et les utilisateurs.
Une expression analytique en forme fermée du taux d’erreur de bloc (BLER) global est d’abord établie en tenant compte de la taille du paquet, de la longueur de bloc et du débit maximal atteignable. Afin de compléter cette analyse, un cadre de transfert d’apprentissage est proposé pour la prédiction en temps réel des performances du système dans des environnements statistiquement indépendants mais non nécessairement identiquement distribués (Non-IID). L’approche consiste à exploiter un modèle source pré-entraîné puis à l’affiner sur des données propres au domaine d’intérêt, permettant ainsi d’améliorer significativement la capacité de généralisation face à différents scénarios d’interférence.
Les résultats obtenus mettent en évidence l’intérêt de combiner modélisation analytique et apprentissage profond pour la caractérisation précise des performances URLLC dans le régime de blocs finis. L’approche proposée offre une solution efficace pour la prédiction dynamique du BLERet ouvre la voie à un déploiement plus fiable des systèmes URLLC dans des applications pratiques où l’évaluation instantanée des performances demeure essentielle.
| Date | 4 mars 2026 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Georges Kaddoum (Directeur(-trice)) |
|---|
- communication ultra-fiable et à faible latence (URLLC)
- apprentissage par transfert (TL)
- taux d’erreur de bloc (BLER)
- réseau neuronal convolutionnel (CNN)
- analyse de performances
- réseau d’interférences non identiquement distribuées (non-IID)
- prédiction des performances basée sur l’apprentissage automatique
Ghous, M. (Auteur(e)),
Kaddoum (Directeur(-trice)),
4 mars 2026Thèses et mémoires: Mémoire de maîtrise › Maîtrise en ingénierie: Génie électrique