Algorithmes d'apprentissage dynamique pour le jumeau numérique des infrastructures du réseau

Cette thèse fait progresser les Jumeaux Numériques des Réseaux (JNR) pour les réseaux mobiles de nouvelle génération en montrant que la modélisation explicite de l’infrastructure sous forme de graphes permet une intelligence plus adaptative, économe en données et évolutive que les approches conventionnelles. Les systèmes 5G/6G modernes sont hétérogènes, dynamiques et fortement contraints par des topologies évolutives couvrant les domaines edge, transport et cloud. Les chaînes classiques de prédiction et d’optimisation se dégradent face aux changements structurels, à la rareté des données ou à l’entrelacement des décisions de conception. Nous développons deux cadres graphiques complémentaires couvrant les deux piliers d’un JNR : la prévision (modélisation prédictive) et l’action guidée (optimisation des ressources). Le premier fournit une prédiction de trafic cellulaire inductive qui généralise à de nouveaux sites, atténue la pénurie de données et transfère des connaissances entre environnements sans ré-entraînement exhaustif. Le second propose une allocation de ressources consciente de la topologie qui traite conjointement les choix architecturaux et de placement sous contraintes opérationnelles, améliorant la qualité des solutions et passage à l’échelle. Ensemble, ils illustrent un principe unificateur : intégrer la structure relationnelle topologique au cœur de l’apprentissage et de la décision produit des systèmes robustes face à l’évolution du réseau, réduit les coûts d’adaptation et aligne mieux les résultats sur les besoins réels de déploiement. Le travail positionne les méthodes orientées graphe comme paradigme fondamental de la gestion autonome future des réseaux.