Gestion des ressources et fonctions réseau virtuelles : du mono-domaine au multi-domaine

Depuis toujours, la priorité de chaque génération de technologies de réseau, de la fibre optique aux réseaux cellulaires, a été d’améliorer l’efficacité spectrale afin de parfaire l’expérience des utilisateurs. Autrefois, les téléphones portables ne servaient qu’à envoyer des messages textes et à passer des appels vocaux. Aujourd’hui, nos appareils sont dotés de nombreuses fonctionnalités avancées, allant de la diffusion de médias en continu au traitement de tâches de calcul complexes. Le développement constant d’applications et de services innovants, qui requièrent une qualité de service de bout en bout de plus en plus exigeante, combiné à la mobilité croissante des utilisateurs finaux, a eu un impact considérable sur l’échelle et les coûts d’exploitation des réseaux, le volume et l’hétérogénéité du trafic, ainsi que sur les modèles d’accès. Cette situation a contraint les opérateurs de réseau à apporter de nombreux changements de paradigme importants dans la gestion de leurs réseaux. En particulier, les opérateurs de réseaux de la prochaine génération (Next Generation Networks - NGNs) se sont fortement concentrés sur la conception de mécanismes de fourniture de services à faible latence de bout en bout (moins de dix millisecondes). L’intégration de technologies établies et émergentes, comme la 5G, l’intelligence artificielle (IA), l’intelligence en périphérie, la logiciellisation des réseaux et la programmabilité du plan de données, devrait permettre aux réseaux de la prochaine génération d’atteindre des vitesses ultrarapides et une latence très faible. Cependant, face à la croissance exponentielle du trafic et à l’augmentation de la complexité des systèmes, de nouvelles stratégies de gestion sont nécessaires pour s’adapter à la nature dynamique de la configuration des réseaux et pour permettre l’automatisation des systèmes de bout en bout grâce à des systèmes d’apprentissage distribués. En utilisant des solutions de gestion multi-domaines, coopératives, distribuées et basées sur l’apprentissage, les utilisateurs finaux peuvent bénéficier de services et d’applications plus fiables, efficaces, évolutifs, sécurisés et diversifiés. Cette thèse, composée de plusieurs articles, étudie les différentes approches méthodologiques pour l’orchestration multi-domaines de ressources virtuelles dans les réseaux de la prochaine génération afin de fournir des services à valeur ajoutée à des exigences de qualité de service (Quality of Service - QoS) strictes. En raison de la complexité de la question de l’orchestration, chaque article se concentre sur une partie du problème, en commençant par les réseaux mono-domaines et en progressant vers les réseaux multi-domaines. Nous utilisons les enseignements tirés de nos publications précédentes pour élaborer de nouvelles stratégies pour nos travaux futurs. Le premier article de cette thèse, intitulé CPVNF : Cost-efficient Proactive VNF Placement and Chaining for Value-Added Services in Content Delivery Networks, porte sur le problème de fourniture de ressources virtuelles dans un réseau de diffusion de contenu mono-domaine (Content Delivery Networks - CDN) afin de garantir les exigences QoS d’applications multimédias. Le problème présente deux principaux obstacles : (1) la présence de plusieurs sources de contenus dans un réseau CDN et (2) l’hétérogénéité de la chaîne de fonctions réseaux virtuelles (Virtual Network Functions - VNFs) à établir selon l’utilisateur final. Pour remédier à ces difficultés, nous proposons un algorithme proactif de placement et de chaînage d’instances VNFs, avec comme contraintes la minimisation des coûts d’exploitation et le respect des exigences QoS. Le problème est modélisé à travers une formulation de programmation linéaire en nombres entiers (Integer Linear Programming - ILP). Après avoir démontré la NP-difficulté du problème, nous proposons une solution algorithmique basée sur PageRank. Le deuxième article de la thèse, intitulé Towards Reliable Remote Health Monitoring in Fog Computing Networks, se concentre sur la question de la fourniture de services critiques dans un environnement de réseau non fiable, tel que les réseaux de fog computing. Plus précisément, nous étudions ce problème à travers la mise en place d’une plateforme de suivi médical à distance, dans le contexte de la pandémie COVID-19. Cet article explore les avantages de l’utilisation d’un algorithme d’apprentissage pour résoudre un problème de fourniture de ressources dans un réseau à grande échelle, avec des objectifs critiques en termes de délais à respecter. L’objectif est de maximiser le nombre de tâches de traitement exécutées en respectant les contraintes de délais et de disponibilité. Après avoir montré la NP-difficulté du problème dans le cas général, nous proposons un algorithme basé sur l’apprentissage par renforcement profond (Deep Reinforcement Learning - DRL) et l’évolution différentielle (Differential Evolution - DE). Le troisième article de cette thèse, intitulé DRL-based Green Resource Provisioning for 5G Networks, porte sur la fourniture de ressources virtuelles à grande échelle dans les réseaux mobiles et fixes. Notre approche tient compte de l’impact écologique ainsi que des contraintes de qualité de service. En particulier, cet article se concentre sur la capacité de généralisation d’un algorithme basé sur l’apprentissage par renforcement lorsque l’environnement de réseau est caractérisé par un dynamisme (c’est-à-dire, la mobilité des utilisateurs, l’indisponibilité d’hôtes, la libération de ressources, etc.) et une hétérogénéité notable. Nous proposons des algorithmes d’apprentissage par renforcement auxquels nous associons des algorithmes parallélisables afin d’améliorer les performances d’apprentissage. En parallèle, nous explorons les avantages de la simplification des mécanismes de récompense pour les algorithmes d’apprentissage par renforcement. Le dernier article de la thèse est intitulé Market Driven Multi-domain Network Service Orchestration in 5G Networks et porte sur la fourniture de ressources dans les réseaux multi-domaines, multi-opérateurs, en respectant les contraintes d’exigences de qualité de service et en maximisant les profits. Nous établissons un environnement de libre marché pour les ressources dans lequel différents modèles de coopération sont permis aux opérateurs de réseau, en fonction de leur capacité financière. Nous proposons un algorithme basé sur l’apprentissage par renforcement multi-agents. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : fonctions réseau virtuelles, allocation de ressources virtuelles, allocation d’utilisateurs, allocation de fréquences, gestion d’interférences, multi-domaines, mono-domaines, complexité asymptotique, NP-difficulté, algorithmes gloutons, algorithmes compétitifs, algorithmes d’approximation, algorithmes d’apprentissage, apprentissage par renforcement, apprentissage par renforcement multi-agents

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.