Les réseaux cellulaires mobiles constituent l’épine dorsale de la connectivité moderne : ils prennent en charge des milliards d’utilisateurs et facilitent la communication et l’échange de données à l’échelle mondiale. Alors que le nombre d’abonnements à la 5G ne cesse d’augmenter et que les applications gourmandes en données se multiplient, les opérateurs mobiles sont confrontés à un double défi : gérer l’augmentation exponentielle du trafic de données tout en garantissant une qualité de service (QoS) et une qualité d’expérience (QoE) élevées. L’ampleur de ces réseaux, combinée à la nécessité d’une prise de décision en temps réel, rend les approches de gestion traditionnelles, basées sur des règles et statiques, fondamentalement inadéquates. Les opérateurs de réseau sont de plus en plus confrontés à un environnement où des millions de paramètres interagissent simultanément à travers des milliers de stations de base, rendant la gestion manuelle ou heuristique à la fois impraticable et sous-optimale. Cette complexité croissante a catalysé un changement de paradigme vers l’intelligence artificielle (IA) et les techniques basées sur les données comme pierre angulaire de la gestion des réseaux de nouvelle génération. Parmi d’autres, deux aspects doivent être pris en compte dans ce domaine, à savoir la gestion de la mobilité et la gestion de la charge de trafic. Concernant le premier, la gestion des transferts (HO), qui peut englober la minimisation et la prévision des transferts, est cruciale. La procédure de transfert (HO) est le processus consistant à transférer une session de communication en cours d’une station de base à une autre, ce qui est essentiel pour la gestion des transferts. Chaque événement de transfert introduit une latence, augmente la surcharge de signalisation et comporte un risque de défaillance de connexion, et la fréquence des transferts est considérablement amplifiée par la densification des réseaux, les communications par ondes millimétriques et les déploiements hétérogènes. Les mécanismes de transfert traditionnels s’appuient sur des seuils fixes d’intensité de signal qui déclenchent les transferts une fois que la dégradation est déjà détectée. Dans les réseaux denses et hétérogènes, ce comportement réactif peut entraîner des transferts excessifs et inutiles, des échecs de transfert et des effets ping-pong qui dégradent le débit et augmentent la charge de signalisation. Concernant ce dernier point, la gestion de la charge de trafic englobe tous les mécanismes visant à surveiller, contrôler et optimiser la répartition du trafic sur l’infrastructure réseau. Elle peut inclure, entre autres, l’équilibrage de charge, la planification de la capacité et la gestion des points chauds de trafic. La gestion des points chauds de trafic traite spécifiquement de la concentration spatiale et temporelle de la demande dans des zones localisées. Cet aspect est essentiel pour maintenir une qualité de service (QoS) constante sur l’ensemble du réseau, en particulier dans les environnements urbains denses où le trafic est intrinsèquement hétérogène et par intermittence.
Cette thèse explore la gestion des réseaux cellulaires basée sur l’IA comme paradigme pour améliorer les performances du réseau afin de pallier les lacunes des méthodes traditionnelles, en se concentrant sur trois dimensions. Dans notre première contribution, nous concevons un cadre de prévision des transferts de relais (HO), qui est un élément clé de la gestion des HO et, par conséquent, de la gestion de la mobilité. Plus précisément, nous proposons un cadre s’appuyant sur une combinaison de réseau neuronal graphique (GNN) et de mémoire à court et long terme (LSTM), nommé HGC-LSTM, pour prévoir le nombre de transferts de relais entre les stations de base au fil du temps. Ce cadre capture les dépendances spatio temporelles du réseau afin d’améliorer la prédiction. Cette prédiction est utilisée pour proposer un schéma d’allocation dynamique des ressources dans un réseau d’accès radio (RAN) virtualisé, constituant ainsi une approche anticipative. Étant donné que HGC-LSTM surpasse les références choisies, nos résultats en matière d’allocation des ressources de transfert révèlent qu’il est plus avantageux par rapport à une approche traditionnelle (statique).
Quant à notre deuxième objectif, nous nous concentrons sur la définition, la découverte et la prédiction des points chauds de mobilité qui mettent en évidence les schémas de mobilité des utilisateurs. Plus précisément, nous proposons d’abord une définition de ce qu’est un point chaud de mobilité, en raison de l’absence de définition précise dans la littérature. Ensuite, nous exploitons les points chauds prédits pour le déploiement de stations de base aériennes robotisées (RABSs) afin de démontrer la pertinence de la prédiction des points chauds de mobilité dans les réseaux cellulaires. Cet aspect de la gestion de la mobilité sert dans ce cas à optimiser le placement des RABS afin de minimiser la distance parcourue par chacune d’entre elles, ce qui peut être étendu à la garantie de l’efficacité énergétique.
Quant à notre objectif final, nous nous penchons sur la mobilité dans un réseau tactique militaire, où les besoins en matière de connectivité sans faille sont cruciaux. Compte tenu de nos objectifs précédents, nous déployons des RABSs pour minimiser le nombre de transferts dans un réseau comprenant des groupes d’utilisateurs mobiles et des utilisateurs individuels. Notre contribution présente GCN-DDQN, un cadre combinant un encodeur de réseau convolutif de graphes (GCN) hétérogène avec un réseau Q double profond (DDQN) pour le repositionnement coopératif de plusieurs RABSs. L’encodeur GCN modélise l’état du réseau cellulaire sous la forme d’un graphe hétérogène qui est transmis à un DDQN qui sélectionne des actions de repositionnement discrètes pour les RABSs, guidé par une fonction de récompense composite combinant une pénalité de transfert pondérée et un bonus de proximité. Nous avons démontré qu’une représentation de l’état sous forme de graphe est indispensable pour permettre à l’agent d’apprendre des politiques de positionnement efficaces pour les RABS et, par conséquent, de contribuer à réduire au minimum le nombre de points d’arrêt.
| Date | 21 sept. 2026 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Diala Naboulsi (Directeur(-trice)) & Razvan Stanica (Codirecteur(-trice)) |
|---|