Δυναμική προσαρμογή και διαχείριση τηλεπικοινωνιακών δικτύων 6ης γενιάς

Les réseaux de télécommunication de cinquième génération (5G) promettent des améliorations majeures en connectivité, avec des débits élevés, des communications ultra-fiables à faible latence (URLLC) et une connectivité massive d'appareils divers. Ces caractéristiques sont essentielles pour des applications telles que les véhicules autonomes, la chirurgie à distance, l'automatisation industrielle et l'Internet des objets (IoT). Cependant, malgré ces avancées théoriques, les déploiements pratiques peinent souvent à atteindre les performances attendues. Cet écart provient principalement d'hypothèses simplistes sur la mobilité des utilisateurs, de stratégies statiques d'allocation des ressources, et d'une faible adaptabilité aux conditions dynamiques du réseau. À mesure que l'industrie progresse vers la sixième génération (6G), relever ces défis via une reconfiguration dynamique et une gestion intelligente devient crucial. Cette thèse examine des problématiques fondamentales liées à l'allocation dynamique des ressources, à la continuité des services lors de la mobilité des utilisateurs et à la sécurité renforcée dans les environnements automatisés en périphérie. Elle répond à trois questions principales : comment l'Intelligence Artificielle (IA) et l'apprentissage automatique (ML) peuvent-ils optimiser dynamiquement l'allocation des ressources dans le réseau d'accès radio (RAN) ? Comment maintenir un accès continu à faible latence pour les utilisateurs mobiles dans les infrastructures de calcul multi-accès (MEC) ? Enfin, comment assurer la sécurité et la résilience des infrastructures réseau face aux menaces telles que les attaques par déni de service (DoS) ? Pour résoudre l'allocation dynamique des ressources, nous avons conçu une plateforme MLOps intégrée à l'architecture 5G, collectant des données utilisateurs et radio via une fonction personnalisée d'analyse réseau (NWDAF). Grâce à l'apprentissage profond, nous prédisons les besoins utilisateurs, les interactions applicatives et les conditions radio, permettant une réallocation proactive des blocs de ressources physiques (PRB). Cette approche marque une transition vers un paradigme orienté-service, où le réseau s'adapte automatiquement aux besoins applicatifs en temps réel, réduisant significativement le sur- et sous-dimensionnement des ressources. Pour garantir la continuité des services MEC en mobilité, nous avons introduit un cadre de connectivité hétérogène combinant technologies 3GPP et non-3GPP. Un contrôleur dynamique sélectionne les technologies d'accès radio (RAT) optimales selon les conditions réelles et migre les services plus près des utilisateurs. Nous proposons également une stratégie basée sur l'apprentissage par renforcement profond (DRL), exploitant des mesures du temps aller-retour (RTT) multi-cellules pour repositionner proactivement les services et maintenir un accès continu à faible latence. Des expérimentations approfondies ont validé cette approche, démontrant une excellente expérience utilisateur en mobilité. Concernant la sécurité, nous avons intégré un mécanisme robuste de détection d'anomalies au sein d'une architecture Open RAN. Ce système détecte et atténue en temps réel des menaces telles que les attaques DoS, en ajustant dynamiquement les ressources et la gestion des utilisateurs afin de préserver l'intégrité du réseau et la qualité du service. La synergie entre allocation dynamique des ressources et sécurité renforcée améliore ainsi notablement la résilience des infrastructures réseau. Des évaluations expérimentales réalisées sur des bancs d'essai réalistes montrent des améliorations importantes sur plusieurs critères : réduction de latence, augmentation du débit, optimisation des ressources et efficacité énergétique accrue. Ces résultats confirment la viabilité pratique des méthodologies proposées, établissant une base solide pour relever les défis futurs des écosystèmes réseau 6G.