Academic literature on the topic 'Slicing du réseau'

Au cours des dernières décennies, la croissance des statistiques d’utilisation de réseau exige une technologique évolutive. Une question naturelle surgit dans nos esprits: que sera la 5G? Pour répondre à cette question, l’architecture 5G doit être conçue avec un certain niveau de flexibilité via l’intégration des principes de softwarization et virtualisation. Le réseau peut être utilisé de manière efficace et indépendante via la création de plusieurs espaces séparées logiquement, appelés tranches de réseau. De plus, chaque réseau logique peut déployer ses fonctions de réseau dans un environnement de nuage avec la flexibilité d’exécution. À cette fin, l’objectif de cette thèse est d’étudier ces deux techniques: (a) C-RAN et (b) découpage de RAN. Dans la première partie, nous étudions C-RAN, dans lequel les stations de base monolithiques sont remplacées par (1) les éléments radio distribués et (2) les pools centralisés pour des unités de traitement en bande de base. Le concept C-RAN est toujours confronté à des exigences sévères en matière de capacité et de latence de l’interface fronthaul qui connecte l’unité de radio distante distribuée à l’unité de traitement en bande de base centralisée. Dans la deuxième partie, nous nous concentrons sur le découpage RAN non seulement pour permettre des différents niveaux d’isolation et de partage à chaque tranche de réseau, mais également pour customiser le plan de contrôle, le plan utilisateur et la logique de contrôle de réseau virtualisé. Par conséquent, nous proposons un environnement d’exécution flexible pour le système de slicing, nommé «RAN Runtime» pour héberger les instances de service sur chacun des modules RAN sous-jacents
Over the past few decades, the continuing growth of network statistics requires a constantly evolving technology. Therefore, a natural question arises in our minds: what will 5G be? To answer this question, the 5G architecture must be designed with a certain level of flexibility through the integration of softwarization and virtualization principles. Therefore, we can see that 5G will provide a paradigm shift beyond radio access technology in order to establish an agile and sophisticated communication system. The network can be used efficiently and independently by creating multiple logically separated spaces, called network slices. In addition, each logical network can deploy its network functions in a flexible cloud environment. To this end, the goal of this thesis is to study these two techniques: (a) Cloud-RAN and (b) RAN splitting. In the first part, our focus is on the C-RAN concept, in which monolithic base stations are replaced by (1) distributed radio elements and (2) centralized pools for baseband processing units. The C-RAN notion is still confronted with stringent capacity and latency requirements of the fronthaul interface that connects the distributed remote radio unit to the centralized baseband processing unit. In the second part, we focus on RAN cutting not only to allow different levels of isolation and sharing at each slice of network, but also to customize the control plane, user plane and control logic. Therefore, we provide a flexible runtime environment for the "RAN Runtime" slicing system to host service instances on each of the underlying RAN modules

Une des évolutions de la 4G à la 5G est l'hétérogénéité des terminaux qui accèdent au réseau. Ces terminaux vont des smartphones aux véhicules connectés en passant par les capteurs pour l'agriculture. Étant donné que les contraintes et les exigences associées aux différents types de terminaux sont hétérogènes, il n'est pas facile de multiplexer les services qui leur sont associés sur une seule infrastructure physique. Le slicing est la technologie qui permet à l'infrastructure physique de fournir plusieurs réseaux logiques (appelés slices) pour servir les différents terminaux et services associés : cette thèse étudie le slicing et sa mise en œuvre au niveau RAN. Une des principales questions soulevées par le slicing est l'allocation des ressources. En effet, de nombreux modèles existent pour l'allocation des ressources du RAN mais il manque des modèles qui prennent en compte les nouvelles contraintes impliquées par le slicing. La première contribution de cette thèse est de définir un nouveau modèle pour le slicing au niveau RAN. Ce modèle prend en compte différentes contraintes de slicing telles que la capacité, la densité des UEs, la latence et la fiabilité. L'homologie simpliciale est utilisée pour valider le respect des contraintes des slices. De plus, ce modèle est appliqué à l'optimisation de la puissance, qui est un aspect critique du déploiement du réseau. Le deuxième défi abordé dans ce travail est la supervision et le contrôle du réseau. En effet, certains verticaux ont des exigences de contrôle très élevées, et le réseau lui-même pourrait ne pas être en mesure de satisfaire pleinement ces contraintes. Par conséquent, nous introduisons une sonde qui peut extraire des données du réseau pour alimenter des outils de supervision pour le contrôle et le suivi du réseau. Cette sonde est conçue pour être résiliente aux cyber-attaques et est donc indépendante du réseau. La dernière contribution principale de cette thèse est l'introduction d'une couche physique 5G open-source appelée free5GRAN. La couche physique fournit toutes les procédures et algorithmes minimaux pour les communications entre le gNodeB et les UEs. La structure du projet est construite de manière à pouvoir facilement la modifier et mettre en place de nouvelles fonctionnalités. De plus, l'architecture logicielle est conçue de manière à ce que la couche physique soit modulaire et puisse être dérivée pour mettre en œuvre le split 7.2 de l'open-RAN
A critical evolution from 4G to 5G is the heterogeneity of the terminals that connect the network. Those terminals range from smartphones to connected vehicles and sensors for agriculture. Given that the constraints and requirements associated with the different kinds of terminals are heterogeneous, it is not trivial to multiplex the services associated with them on top of a single physical infrastructure. Network slicing is the technology that enables the physical infrastructure to provide multiple logical networks (called network slices) to serve the various devices and associated services: this thesis studies network slicing and its implementation at the RAN level.One main issue raised by network slicing is resource allocation. Indeed, many models exist for resource allocation of the RAN but we are missing models which take into account new constraints implied by network slicing. The first contribution of this thesis is to define a new model for network slicing at the RAN level. This model takes into account diverse slices constraints such as capacity, UEs density, latency, and reliability. Simplicial homology is used to validate slices constraints fulfillment. Furthermore, this model is applied to power optimization, which is a critical aspect of network deployment. The second challenge addressed in this work is the network's supervision and control. Indeed, some verticals have ultra-high control requirements, and the network itself might not be able to satisfy this constraint fully. Therefore, we introduce a probe that can extract data from the network to feed supervision tools for the network's monitoring and control. This probe is designed to be resilient to cyber-attacks and is thus independent of the network.The last main contribution of this thesis is the introduction of an open-source 5G physical layer called free5GRAN. The physical layer provides all the minimal procedures and algorithms for communications between the gNodeB and UEs. The project's structure is built so one can easily modify it and implement new features. Furthermore, the software architecture is designed so that the physical layer is modular and can be derived to implement the open-RAN split 7.2

Les architectures de réseaux sans fil actuelles, de type « une taille pour tous », ne peuvent pas prendre en charge ces critères de services hétérogènes de nouvelle génération 5G. Par conséquent, la recherche autour de la 5G vise à fournir des architectures et des mécanismes plus adéquats pour répondre à ce besoin. L'architecture 5G est conçue pour répondre aux exigences variées et contradictoires des services, en termes de latence, de bande passante et de fiabilité, qui ne peuvent être assurées par la même infrastructure du réseau. Dans ce contexte, le découpage du réseau fourni par la virtualisation du réseau permet de diviser l'infrastructure en différentes tranches, chaque tranche est adaptée aux besoins spécifiques des services, où elle permet à différents services (comme l'automobile, l'Internet des objets...) d'être fournis par différentes instances de la tranche du réseau. Les chercheurs ont défini trois grandes classes de services de découpage en réseau, qui sont: enhanced Mobile BroadBand (eMBB), massive Machine Type Communication (mMTC), and ultra-Reliable and Low-Latency Communication (uRLLC). L'un des principaux défis du déploiement des tranches de réseau est le découpage du réseau d'accès radio (RAN). En effet, la gestion des ressources RAN et leur partage entre les tranches de réseau est une tâche particulièrement difficile. Cette thèse propose des solutions qui visent à améliorer les performances du réseau et d'introduire de la flexibilité et une plus grande utilisation des ressources du réseau, en fournissant de manière précise et dynamique aux tranches de réseau activées les quantités de ressources appropriées pour répondre à leurs divers besoins
The current architecture “one size fits all” of 4G network cannot support the next-generation 5G heterogeneous services criteria. Therefore, research around 5G aims to provide more adequate architectures and mechanisms to deal with this purpose. The 5G architecture is envisioned to accommodate the diverse and conflicting demands of services in terms of latency, bandwidth, and reliability, which cannot be sustained by the same network infrastructure. In this context, network slicing provided by network virtualization allows the infrastructure to be divided into different slices. Each slice is tailored to meet specific service requirements allowing different services (such as automotive, Internet of Things, etc.) to be provided by different network slice instances. Each of these instances consists of a set of virtual network functions that run on the same infrastructure with specially adapted orchestration. Three main service classes of network slicing have been defined by the researchers as follows: Enhanced Mobile Broadband (eMBB), massive Machine Type Communication (mMTC), and ultra-Reliable and Low-Latency Communication (uRLLC). One of the main challenges when it comes to deploying Network Slices is slicing the Radio Access Network (RAN). Indeed, managing RAN resources and sharing them among Network Slices is an increasingly difficult task, which needs to be properly designed. This thesis proposes solutions that aim to improve network performance, and introduce flexibility and greater utilization of network resources by accurately and dynamically provisioning the activated network slices with the appropriate amounts of resources to meet their diverse requirements

Le réseau d’accès radio (RAN) 5G vise à faire évoluer de nouvelles technologies couvrant l’infrastructure Cloud, les techniques de virtualisation et le réseau défini par logiciel (SDN). Des solutions avancées sont introduites pour répartir les fonctions du réseau d’accès radio entre des emplacements centralisés et distribués (découpage fonctionnel) afin d’améliorer la flexibilité du RAN. Cependant, l’une des préoccupations majeures est d’allouer efficacement les ressources RAN, tout en prenant en compte les exigences hétérogènes des services 5G. Dans cette thèse, nous abordons la problématique du provisionnement des ressources Cloud RAN centré sur l’utilisateur (appelé tranche d’utilisateurs ). Nous adoptons un déploiement flexible du découpage fonctionnel. Notre recherche vise à répondre conjointement aux besoins des utilisateurs finaux, tout en minimisant le coût de déploiement. Pour surmonter la grande complexité impliquée, nous proposons d’abord une nouvelle implémentation d’une architecture Cloud RAN, permettant le déploiement à la demande des ressources, désignée par AgilRAN. Deuxièmement, nous considérons le sous-problème de placement des fonctions de réseau et proposons une nouvelle stratégie de sélection de découpage fonctionnel centrée sur l’utilisateur nommée SPLIT-HPSO. Troisièmement, nous intégrons l’allocation des ressources radio. Pour ce faire, nous proposons une nouvelle heuristique appelée E2E-USA. Dans la quatrième étape, nous envisageons une approche basée sur l’apprentissage en profondeur pour proposer un schéma d’allocation temps réel des tranches d’utilisateurs, appelé DL-USA. Les résultats obtenus prouvent l’efficacité de nos stratégies proposées
5G Radio Access Network (RAN) aims to evolve new technologies spanning the Cloud infrastructure, virtualization techniques and Software Defined Network capabilities. Advanced solutions are introduced to split the RAN functions between centralized and distributed locations to improve the RAN flexibility. However, one of the major concerns is to efficiently allocate RAN resources, while supporting heterogeneous 5G service requirements. In this thesis, we address the problematic of the user-centric RAN slice provisioning, within a Cloud RAN infrastructure enabling flexible functional splits. Our research aims to jointly meet the end users’ requirements, while minimizing the deployment cost. The problem is NP-hard. To overcome the great complexity involved, we propose a number of heuristic provisioning strategies and we tackle the problem on four stages. First, we propose a new implementation of a cost efficient C-RAN architecture, enabling on-demand deployment of RAN resources, denoted by AgilRAN. Second, we consider the network function placement sub-problem and propound a new scalable user-centric functional split selection strategy named SPLIT-HPSO. Third, we integrate the radio resource allocation scheme in the functional split selection optimization approach. To do so, we propose a new heuristic based on Swarm Particle Optimization and Dijkstra approaches, so called E2E-USA. In the fourth stage, we consider a deep learning based approach for user-centric RAN Slice Allocation scheme, so called DL-USA, to operate in real-time. The results obtained prove the efficiency of our proposed strategies

Les réseaux 5G émergents et au-delà promettent de prendre en charge de nouveaux cas d'utilisation tels que la communication holographique immersive, l'internet des compétences et la cartographie interactive 4D [1]. Ces cas d'usage ont des exigences strictes en termes de Quality de Service (Quality of Service), telles qu'une faible latence, un débit descendant et ascendant (Downlink (DL)/Uplink (UL)) élevé, ainsi qu'une faible consommation d'énergie. Les spécifications du groupe de normalisation 3GPP ont introduit de nombreuses fonctionnalités aux système radio 5G (5G NR), dans le but d'améliorer l'efficacité spectrale de la 5G et de répondre aux exigences strictes et hétérogènes des services de la 5G et au-delà. Parmi les principales fonctionnalités de la 5G NR, on peut citer l'introduction du concept de numérologie et BandWidth Part (BWP), le multiplexage temporel (TDD) dynamique et Connected-mode Discontinuous Reception (C-DRX). Toutefois, les spécifications 3GPP n'indiquent pas comment configurer la next gNode B (gNB)/User Equipment (UE) pour optimiser l'utilisation des fonctionnalités 5G NR. Afin de combler ce manque, nous proposons de nouvelles solutions qui mettent en œuvre des fonctionnalités 5G NR en appliquant les techniques de l'apprentissage automatique ou Machine Learning (ML), en particulier l'apprentissage profond par renforcement ou Deep Reinforcement Learning (DRL). En effet, les outils de l'intelligence artificielle jouent un rôle essentiel dans l'optimisation des systèmes de communication et des réseaux [2] grâce à leurs capacités à rendre le réseau capable de s'auto-configurer et s'auto-optimiser.Dans cette thèse, nous proposons plusieurs solutions pour permettre une configuration intelligente du réseau d'accès radio (RAN). Nous avons divisé les solutions en trois parties distinctes.Dans la première partie, nous proposons deux contributions. Tout d'abord, nous présentons NRflex, une solution de découpage du RAN en tranches (ou slicing), aligné sur l'architecture Open RAN (O-RAN). Par la suite, nous modélisons le problème de découpage du RAN en tranches comme un problème Mixed-Integer Linear Programming (MILP). Après avoir montré que la résolution du problème prend un temps exponentiel, nous avons introduit une nouvelle approche pour le résoudre en un temps polynomial, ce qui est très important pour la fonction de l'ordonnancement (scheduling) des ressources radio. La nouvelle approche consiste à formaliser et résoudre ce problème par le biais l'apprentissage par renforcement profond (DRL).Dans la deuxième partie de la thèse, nous proposons une solution basée sur le DRL pour permettre un TDD dynamique dans une seule cellule 5G NR. La solution a été implémentée dans la plateforme OpenAirInterface (OAI) et testée avec UEs réels. Nous avons ensuite étendu la solution, en tirant parti de Multi-Agent Deep Reinforcement Learning (MADRL), pour prendre en charge plusieurs cellules en tenant compte de l'interférence radio entre les liaisons transversales entre les cellules.Dans la dernière partie de la thèse, nous avons proposé trois solutions pour optimiser le RAN afin de prendre en charge les services URLLC. Tout d'abord, nous avons proposé une solution en deux étapes basées sur l'apprentissage automatique pour prédire les coupures du lien radio ou Radio Link Failure (RLF). Le modèle de prédiction RLF a été entraîné avec des données réelles obtenues à partir d'un banc d'essai 5G. Dans la deuxième contribution, nous avons proposé une solution basée sur le DRL pour réduire la latence UL. Notre solution alloue (prédit) dynamiquement les futurs besoins en ressource radio du UL en apprenant du modèle de trafic. Dans la dernière contribution, nous introduisons une solution basée sur le DRL afin d'équilibrer la latence et la consommation d'énergie en calculant conjointement les paramètres C-DRX et la configuration BWP
The emerging 5G networks and beyond promise to support novel use cases such as immersive holographic communication, Internet of Skills, and 4D Interactive mapping [usecases]. These use cases require stringent requirements in terms of Quality of Service (QoS), such as low latency, high Downlink (DL)/Uplink (UL) throughput and low energy consumption. The 3rd Generation Partnership Project (3GPP) specifications introduced many features in 5G New Radio (NR) to improve the physical efficiency of 5G to meet the stringent and heterogeneous requirements of beyond 5G services. Among the key 5G NR features, we can mention the numerology, BandWidth Part (BWP), dynamic Time Duplex Division (TDD) and Connected-mode Discontinuous Reception (C-DRX). However, the specifications do not provide how to configure the next Generation Node B (gNB)/User Equipment (UE) in order to optimize the usage of the 5G NR features. We enforce the 5G NR features by applying Machine Learning (ML), particularly Deep Reinforcement Learning (DRL), to fill this gap. Indeed, Artificial Intelligence (AI)/ML is playing a vital role in communications and networking [1] thanks to its ability to provide a self-configuring and self-optimizing network.In this thesis, different solutions are proposed to enable intelligent configuration of the Radio Access Network (RAN). We divided the solutions into three different parts. The first part concerns RAN slicing leveraging numerology and BWPs. In contrast, the second part tackles dynamic TDD, and the last part goes through different RAN optimizations to support Ultra-Reliable and Low-Latency Communication (URLLC) services.In the first part, we propose two contributions. First, we introduce NRflex, a RAN slicing framework aligned with Open RAN (O-RAN) architecture. NRflex dynamically assigns BWPs to the running slices and their associated User Equipment (UE) to fulfill the slices' required QoS. Then, we model the RAN slicing problem as a Mixed-Integer Linear Programming (MILP) problem. To our best knowledge, this is the first MILP modeling of the radio resource management featuring network slicing, taking into account (i) Mixed-numerology, (ii) both latency and throughput requirements (iii) multiple slices attach per UE (iv) Inter-Numerology Interference (INI). After showing that solving the problem takes an exponential time, we consider a new approach in a polynomial time, which is highly required when scheduling radio resources. The new approach consists of formalizing this problem using a DRL-based solver.In the second part of this thesis, we propose a DRL-based solution to enable dynamic TDD in a single 5G NR cell. The solution is implemented in OAI and tested using real UEs. Then, we extend the solution by leveraging Multi-Agent Deep Reinforcement Learning (MADRL) to support multiple cells, considering cross-link interference between cells.In the last part, we propose three solutions to optimize the RAN to support URLLC services. First, we propose a two-step ML-based solution to predict Radio Link Failure (RLF). We combine Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) to find the correlation between radio measurements and RLF. The RLF prediction model was trained with real data obtained from a 5G testbed. In the second contribution, we propose a DRL-based solution to reduce UL latency. Our solution dynamically allocates the future UL grant by learning from the dynamic traffic pattern. In the last contribution, we introduce a DRL-based solution to balance latency and energy consumption by jointly deriving the C-DRX parameters and the BWP configuration

Ces dernières années, en raison de la croissance sans précédent du nombre d'appareils connectés et de données mobiles, et des développements continus des technologies pour répondre à cette énorme demande de données, le réseau de cinquième génération (5G) a émergé. La future architecture 5G sera essentiellement basée sur le Network Slicing (NS), qui permet de fournir une approche flexible pour réaliser la vision 5G. Grâce au concept émergent de virtualisation des fonctions réseau (NFV), les fonctions réseau sont découplées des matériels physiques dédiés et réalisées sous forme de logiciel. Cela offre plus de flexibilité et d'agilité dans les opérations commerciales. Malgré les avantages qu'il apporte, NFV soulève quelques défis techniques, le problème de reconfiguration étant l'un d'entre eux. Ce problème, qui est NP-difficile, consiste à réaffecter les fonctions de réseau virtuel (VNFs) pour s'adapter aux changements du réseau, en transformant l'état courant des services déployés, on peut illustrer cela par la migration des machines virtuelles (VM) qui hébergent les VNF, à un autre état qui répond aux objectives des opérateurs. Cette thèse de doctorat étudie comment reconfigurer les VNFs en les migrant vers un état optimal qui pourrait être calculé en avance ou inconnu. Dans cette thèse, nous avons étudié les deux cas en minimisant la durée d'interruption de service et la durée de migration des VNFs. Nous avons proposé des méthodes exactes et approchées. Parmi les méthodes exactes, nous citons deux modèles PLNE. Nous avons également proposé deux approches heuristiques, l'une basée sur la génération de colonnes et la deuxième utilisant la notion de “feedback arc set". L'objectif global de ce travail est donc de définir et d'étudier le problème de reconfiguration des VNFs dans le contexte du 5G network slicing, et de proposer des modèles mathématiques et des algorithmes efficaces pour résoudre les problèmes d'optimisation sous-jacents
In recent years, because of the unprecedented growth in the number of connected devices and mobile data, and the ongoing developments in technologies to address this enormous data demand, the fifth generation (5G) network has emerged. The forthcoming 5G architecture will be essentially based on Network Slicing (NS), which enables provide a flexible approach to realize the 5G vision. Thanks to the emerging Network Function Virtualization (NFV) concept, the network functions are decoupled from dedicated hardware devices and realized in the form of software. This offers more flexibility and agility in business operations. Despite the advantages it brings, NFV raises some technical challenges, the reconfiguration problem is one of them. This problem, which is NP-Hard, consists in reallocating the Virtual Network Functions (VNFs) to fit the network changes, by transforming the current state of deployed services, e.g., the current placement of Virtual Machines (VM) that host VNFs, to another state that updates providers’ objectives. This PhD thesis investigates how to reconfigure the VNFs by migrating them to an optimal state that could be computed in advance or free placement. In this thesis, we studied both cases while minimizing the service interruption duration and the VNF migration duration. We have proposed exact and approximate methods. Among the exact methods, we cite two ILP models. We also proposed two heuristic approaches, one based on column generation and the second using the concept of “arc set feedback”. The overall objective of this work is therefore to define and study the problem of VNF reconfiguration problem in the context of 5G network slicing, and propose mathematical models and efficient algorithms to solve the underlying optimization problems

La 5G-NR (Fifth Generation-New Radio) a introduit le concept de slicing pour cibler différents types de services. Nous considérons dans cette thèse le trafic véhiculaire, les véhicules envoyant deux types de flux : eMBB ( enhanced Mobile BroadBand ) et URLLC ( Ultra-Reliable and Low Latency Communications ). Ces flux sont acheminés en deux slices différents, la première cherchant à garantir et/ou maximiser le débit, tandis que la seconde doit répondre à de fortes contraintes de QoS( Quality of Service ) en termes de délai, de l'ordre de 1ms, et de fiabilité, sur de l'ordre de 99.999%. Ces slices avec des profils de trafic et des exigences de QoS hétérogènes doivent partager la même infrastructure physique. Cette thèse vise à proposer de nouveaux schémas d'allocation de ressources pour satisfaire les exigences strictes de qualité de service de l'URLLC sans impacter trop le trafic eMBB. L'un des principaux défis est le moment où les ressources initialement réservées à l'eMBB doivent être allouées à l'arrivée de nouveaux flux URLLC. En raison de l'utilisation de différentes numérologies, ces ressources doivent être reconfigurées, ce qui ajoute un délai supplémentaire de l'ordre de 80 ms, ce qui dépasse le budget de délai URLLC. Pour répondre à ce problème de délai, nous proposons des schémas proactifs de réservation de ressources pour URLLC qui anticipent l'arrivée des véhicules dans une cellule et (re-)configurent la tranche avant leur arrivée effective dans la cellule. Ces approches permettent de répondre aux exigences de délai et de débit du trafic URLLC et eMBB des véhicules, respectivement.Nous introduisons en outre un modèle de dimensionnement inter-slice qui prend en compte les conditions radio et les trajectoires de l'utilisateur dans le réseau, ce qui permet de prendre en compte les MCS ( Modulation and Coding Scheme ) des utilisateurs. Ce faisant, nous obtenons une meilleure allocation des ressources grâce à une optimisation plus fine. Nos résultats montrent que nous sommes en mesure de satisfaire les exigences de trafic avec une meilleure utilisation des ressources. Finalement, nous étudions un modèle de dimensionnement alternatif basé sur des bornes de grande déviation. Nous analysons la queue du système correspondant à la région de perte URLLC. Nous considérons deux approches : avec et sans mise en file d'attente de paquets. Nous observons que les grandes limites d'écart entraînent une surréservation légèrement supérieure à l'approche susmentionnée lorsqu'elle est appliquée à l'URLLC, avec l'avantage du calcul instantané des ressources nécessaires
The Fifth Generation-New Radio (5G-NR) introduced the concept of slicing to target different types of services. We consider in this thesis vehicular traffic, with vehicles sending two types of flows: enhanced Mobile BroadBand (eMBB) and Ultra-Reliable and Low Latency Communications (URLLC). These flows are transported in two different slices, the former trying to guarantee and/or maximize the throughput, while the latter has to meet stringent Quality of Service (QoS) constraints in terms of delay, on the order of 1ms, and reliability, on the order of 99,999%. These slices with heterogeneous traffic profiles and QoS requirements must share the same physical infrastructure. This thesis aims to propose new resource allocation schemes to satisfy URLLC stringent QoS requirements without impacting too much eMBB traffic. One main challenge is when resources initially reserved for eMBB must be allocated to the arrival of new URLLC flow. Due to using different numerologies, these resources need to be reconfigured, adding extra delay on the order of 80ms, which exceeds the URLLC delay budget. To respond to this delay problem, we propose proactive resource reservation schemes for URLLC which anticipates the vehicles' arrival in a cell and (re-)configures the slice before their effective arrival in the cell. These approaches enable to meet the delay and throughput requirements of vehicular URLLC and eMBB traffic, respectively.We additionally introduce an inter-slice dimensioning model that considers user's radio conditions and trajectories in the network, which enables taking into consideration users Modulation and Coding Schemes (MCS). By doing so, we achieve a better resource allocation through finer optimization. Our results show that we are able to satisfy traffic requirements with a better resource utilization.Eventually, we investigate an alternative dimensioning model based on large deviation bounds. We analyze the tail of the system corresponding to the URLLC outage region. We consider two approaches: with and without packet queuing. We observe that large deviation bounds result in slightly more over-reservation than the aforementioned approach when applied to URLLC, with the advantage of instantaneous computation of the needed resources

La gestion de réseau subit des changements radicaux en raison des attentes élevées de l’infrastructure pour supporter de nouveaux services. Les diverses exigences de ces services nécessitent l’intégration de nouvelles technologies habilitantes qui compliquent le processus de surveillance et de planification du réseau. Par conséquent, pour alléger la charge et augmenter la précision de la surveillance et de la planification, des solutions plus automatisées au niveau des éléments/dispositifs sont nécessaires. Dans cette thèse, nous proposons un cadre semi-automatique appelé AI-driven telemetry (ADT) pour collecter, traiter et évaluer l’état des routeurs en utilisant des données de télémétrie en continu. ADT se compose de 4 blocs de construction : le collecteur, le détecteur, l’explicateur et l’exportateur. Nous nous concentrons sur le bloc de détection dans ADT et proposons une technique de détection de changement en ligne multi-variable appelée DESTIN. Notre étude sur le bloc d’explication de la TAD se limite à explorer le potentiel des données d’entrée et à montrer la possibilité d’une description automatique des événements. Ensuite, nous abordons le problème de la planification et du dimensionnement dans les réseaux d’accès radio équipés de serveurs périphériques distribués. Nous proposons un modèle qui satisfait aux exigences de service et utilise les nouvelles technologies habilitantes, c’est-à-dire le découpage en tranches du réseau et les techniques de virtualisation. Nous montrons les avantages de l’utilisation de notre modèle holistique pour automatiser la planification des réseaux d’accès radio en utilisant le recuit simulé et les méthodes gourmandes
Network management is undergoing drastic changes due to the high expectations of the infrastructure to support new services. The diverse requirements of these services, call for the integration of new enabler technologies that complicate the network monitoring and planning process. Therefore, to alleviate the burden and increase the monitoring and planning accuracy, more automated solutions on the element/device level are required. In this thesis, we propose a semi-automated framework called AI-driven telemetry (ADT) for collecting, processing, and assessing the state of routers using streaming telemetry data. ADT consists of 4 building blocks: collector, detector, explainer, and exporter. We concentrate on the detection block in ADT and propose a multi-variate online change detection technique called DESTIN. Our study on the explainer block of ADT is limited to exploring the potential of the input data and showcasing the possibility of the automated event description. Then, we tackle the problem of planning and dimensioning in radio access networks equipped with distributed edge servers. We propose a model that satisfies the service requirements and makes use of novel enabler technologies, i.e. network slicing and virtualization techniques. We showcase the advantages of using our holistic model to automate RAN planning by utilizing simulated annealing and greedy methods

Cette thèse examine comment optimiser le placement de tranches (slices) de réseau dans les infrastructures distribuées à grande échelle en se concentrant sur des approches heuristiques en ligne et basées sur l'apprentissage par renforcement profond (DRL). Tout d'abord, nous nous appuyons sur la programmation linéaire en nombre entiers (ILP) pour proposer un modèle de données permettant le placement de tranches de réseau sur le bord et le cœur du réseau. Contrairement à la plupart des études relatives au placement de fonctions réseau virtualisées, le modèle ILP proposé prend en compte les topologies complexes des tranches de réseau et accorde une attention particulière à l'emplacement géographique des utilisateurs des tranches réseau et à son impact sur le calcul de la latence de bout en bout. Des expérimentations numériques nous ont permis de montrer la pertinence de la prise en compte des contraintes de localisation des utilisateurs.Ensuite, nous nous appuyons sur une approche appelée "Power of Two Choices" pour proposer un algorithme heuristique en ligne qui est adapté à supporter le placement sur des infrastructures distribuées à grande échelle tout en intégrant des contraintes spécifiques au bord du réseau. Les résultats de l'évaluation montrent la bonne performance de l'heuristique qui résout le problème en quelques secondes dans un scénario à grande échelle. L'heuristique améliore également le taux d'acceptation des demandes de placement de tranches de réseau par rapport à une solution déterministe en ligne en utilisant l'ILP.Enfin, nous étudions l'utilisation de méthodes de ML, et plus particulièrement de DRL, pour améliorer l'extensibilité et l'automatisation du placement de tranches réseau en considérant une version multi-objectif du problème. Nous proposons d'abord un algorithme DRL pour le placement de tranches réseau qui s'appuie sur l'algorithme "Advantage Actor Critic" pour un apprentissage rapide, et sur les réseaux convolutionels de graphes pour l'extraction de propriétés. Ensuite, nous proposons une approche que nous appelons "Heuristically Assisted DRL" (HA-DRL), qui utilise des heuristiques pour contrôler l'apprentissage et l'exécution de l'agent DRL. Nous évaluons cette solution par des simulations dans des conditions de charge de réseau stationnaire, ensuite cyclique et enfin non-stationnaire. Les résultats de l'évaluation montrent que le contrôle par heuristique est un moyen efficace d'accélérer le processus d'apprentissage du DRL, et permet d'obtenir un gain substantiel dans l'utilisation des ressources, de réduire la dégradation des performances et d'être plus fiable en cas de changements imprévisibles de la charge du réseau que les algorithmes DRL non contrôlés
This PhD thesis investigates how to optimize Network Slice Placement in distributed large-scale infrastructures focusing on online heuristic and Deep Reinforcement Learning (DRL) based approaches. First, we rely on Integer Linear Programming (ILP) to propose a data model for enabling on-Edge and on-Network Slice Placement. In contrary to most studies related to placement in the NFV context, the proposed ILP model considers complex Network Slice topologies and pays special attention to the geographic location of Network Slice Users and its impact on the End-to-End (E2E) latency. Extensive numerical experiments show the relevance of taking into account the user location constraints. Then, we rely on an approach called the “Power of Two Choices"(P2C) to propose an online heuristic algorithm for the problem which is adapted to support placement on large-scale distributed infrastructures while integrating Edge-specific constraints. The evaluation results show the good performance of the heuristic that solves the problem in few seconds under a large-scale scenario. The heuristic also improves the acceptance ratio of Network Slice Placement Requests when compared against a deterministic online ILP-based solution. Finally, we investigate the use of ML methods, more specifically DRL, for increasing scalability and automation of Network Slice Placement considering a multi-objective optimization approach to the problem. We first propose a DRL algorithm for Network Slice Placement which relies on the Advantage Actor Critic algorithm for fast learning, and Graph Convolutional Networks for feature extraction automation. Then, we propose an approach we call Heuristically Assisted Deep Reinforcement Learning (HA-DRL), which uses heuristics to control the learning and execution of the DRL agent. We evaluate this solution trough simulations under stationary, cycle-stationary and non-stationary network load conditions. The evaluation results show that heuristic control is an efficient way of speeding up the learning process of DRL, achieving a substantial gain in resource utilization, reducing performance degradation, and is more reliable under unpredictable changes in network load than non-controlled DRL algorithms

Vehicle to Everything (V2X), y compris véhicule à véhicule (V2V) et véhicule à infrastructure (V2I), est la base de communications véhiculaires, où Les messages de sécurité routière active, d’infotainment et de gestion du trafic sont transmis sur des liaisons à bande passante élevée, à faible temps de latence et à haute fiabilité, ouvrant ainsi la voie à une conduite totalement autonome. L’objectif ultime des systèmes de communication V2X de la prochaine génération est de permettre une conduite coopérative sans accident. Pour atteindre cet objectif, le système de communication devra permettre un ensemble diversifié de cas d'usage, chacun avec un ensemble spécifique d'exigences. L'analyse des exigences relatives aux principales catégories de cas d’usage, en particulier les applications de temps réel critiques, souligne la nécessité d'une conception de système V2X efficace, capable de fournir les performances du réseau. La technologie de cinquième génération (5G), avec sa Qualité de Service (QoS) fournie en termes de capacité élevée et de faible temps de latence, est préconisée comme solution pour faire face aux exigences strictes imposées par les applications V2X.Dans cet écosystème 5G véhiculaire, diverses technologies de communication sont envisagés, allant des communications IEEE 802.11p, LTE, LTE-V aux Visible Light Communications. Par conséquent, l’hétérogénéité des technologies d’accès radio suscitera des inquiétudes quant à la gestion transparente de la mobilité et à la garantie de qualité de service.Cette thèse propose un nouveau système de gestion de la mobilité conçu pour les réseaux de véhicules 5G, basé sur la technologie émergente SDN (Software Defined Networking). SDN offre une programmabilité réseau qui vise à obtenir une allocation efficace des ressources du réseau et une gestion de la mobilité.Notre travail de recherche vise trois objectifs. Dans un premier temps, nous concevons une architecture de réseau de véhicules. Au sommet de cette architecture, nous implémentons deux Applications SDN, à savoir application de sélection de réseau et gestion de la mobilité Application. L'architecture proposée est renforcée par une solution de placement de contrôleur visant à réduire le temps de latence des communications. De plus, une préoccupation particulière est consacrée à la conception d’une application de sécurité active de la route SDN contrôlant l’emplacement des capteurs de vitesse sur les routes. L’application proposée vise à réduire le taux d’accidents, objectif principal du futur système de transport intelligent.Le deuxième objectif de cette thèse aborde le problème de la gestion de la mobilité.Ceci est réalisé en implémentant des applications liées à la mobilité SDN au sommet de la topologie de réseau adoptée. La première application est dédiée à la résolution du problème de sélection du réseau. Son objectif est de mapper les sessions V2X en cours sur la technologie correspondante. La deuxième application est conçue pour résoudre le handover; ceci est réalisé en utilisant la duplication de paquets et en introduisant un algorithme de routage efficace.Le troisième objectif de la thèse est axé sur l’approvisionnement en qualité de service pour les communications V2X
Vehicle to everything (V2X), including vehicle-to-vehicle (V2V) and vehicle-to-infrastructure(V2I), is the umbrella for the vehicular communication system, where active road safety, infotainment and traffic management messages are transmitted over high-bandwidth, low-latency, high-reliability links, paving the way to fully autonomous driving. The ultimate objective of next generation V2X communication systems is enabling accident-free cooperative driving that uses the available roadway efficiently. To achieve this goal, the communication system will need to enable a diverse set of use cases, each with a specific set of requirements.The main use case categories requirements analysis, specifically the critical realtime applications, points out the need for an efficient V2X system design that could fulfill the network performance. The Fifth Generation (5G) technology, with its provisioned QoS features in terms of high capacity and low latency, is advocated as a prominent solution to cope with the firm requirements imposed by V2X applications.In this multifaceted vehicular 5G ecosystem, diverse communication technologies are envisioned, spanning from IEEE 802.11p, LTE, LTE-V to vehicular visible light communications. Therefore, the heterogeneity of radio access technologies will raise a concern regarding the seamless mobility management and the quality of service guarantee.This thesis provides a novel mobility management scheme devised for 5G vehicular networks based on the emerging Software Defined Networking (SDN) technology.SDN provides network programmability that strives to achieve an efficient network resource allocation and mobility management.Our research work tackles three objectives. At a first stage, we design a software defined vehicular network topology. On the top of this topology, we implement twoSDN applications, namely Network Selection Application and Mobility Management Application. The proposed architecture is enhanced by a controller placement solution that aims at reducing communication latency. Moreover, a special concern is devoted to design a SDN road active safety application that controls speed traps placement. The proposed application aims at reducing accidents rate which is a main purpose of future Intelligent Transportation System.The second objective of this thesis tackles the mobility management problem. This is achieved by implementing SDN mobility related applications on the top of the adopted network topology. The first application is dedicated to solve the network selection problem; it aims at mapping running V2X sessions to the corresponding technology. The second application is conceived to solve the handover procedure; this is achieved using packets duplication and introducing an efficient routing algorithm.The third thesis objective is focused on QoS provisioning for V2X communications

Ce chapitre introduit le Cloud et l’Edge des réseaux 5G. Après une description de la 5G, il analyse le Cloud RAN (Radio Access Network) et les centres de données MEC (Multi-access Edge Computing). Le chapitre se termine par une description du cœur de réseau de la 5G avec les techniques de slicing.