Contrôle d'Infrastructure et orchestration de services de bout-en-bout pour les réseaux optiques du futur

La croissance exponentielle du trafic de données et la complexité croissante des réseaux de transport optique ont créé un besoin important d'architectures de contrôle plus flexibles, automatisées et intelligentes. Les systèmes optiques actuels sont, monolithiques et propriétaires, et, ne peuvent plus répondre aux exigences de déploiement rapide de services, de mise à l'échelle rentable et de gestion de réseau autonome. Cette thèse aborde ces défis en développant une architecture complète pour le contrôle de l'infrastructure et l'orchestration de services de bout en bout pour les futurs réseaux de transport, par la convergence de la mise en réseau définie par Software-Defined Networking (SDN), de la désagrégation du réseau et de l'intelligence fondée sur l'apprentissage automatique (Machine Learning). Trois contributions principales de recherche sont présentées qui, collectivement, permettent d'arriver à des fonctions de contrôle autonome des réseaux optiques. Premièrement, une plateforme de contrôle pour le transport optique, ouverte, désagrégée et native pour le cloud (cloud native) est développée, comprenant un contrôleur SDN de transport (T-SDNC) basé sur le logiciel ouvert OpenDaylight et doté d'une architecture en micro-services. Une amélioration essentielle de l'interface des services de communication de Transport API (TAPI) intègre des paramètres prenant en compte des dégradations optiques, permettant une validation de la couche physique indépendante des fournisseurs et contribuant directement à la spécification TAPI v2.4.0. La plateforme intègre une architecture de gestion de réseau sous forme de code (NMaC) qui applique les principes GitOps pour automatiser la gestion du cycle de vie du plan de contrôle, démontrée par une migration transparente d'architectures réseau partiellement à entièrement désagrégées. Deuxièmement, deux nouvelles fonctions de contrôle basées sur l'apprentissage automatique pour effectuer des opérations critiques sont proposées : un apprentissage par renforcement convolutionnel sur graphes et multi-agents pour le routage et l'allocation spectrale (MAGC-RSA) emploie une prise de décision distribuée avec un apprentissage centralisé pour optimiser l'allocation des ressources, tandis qu'une architecture de classification de la qualité de transmission par ensemble et adaptative à la dérive (DAEQoT) permet de maintenir des performances robustes de classification de la qualité de transmission (QoT) dans des conditions de réseau qui changent, grâce à des mécanismes dynamiques d'adaptation à la dérive. Troisièmement, une architecture de composition automatique de fonction d'apprentissage (CMLF) permet la découverte, l'assemblage et l'orchestration automatisés des services d'apprentissage automatiques et distribués, facilitant la création de séquences de processus d'apprentissage complexes et de façon réutilisables. L'architecture est validée sur un cas d'usage de routage et d'allocation de format de modulation et spectrale (RMSA) compositionnel combinant la prévision de séries temporelles avec un agent d'apprentissage par renforcement profond sensible à la fragmentation. Les résultats obtenus démontrent la faisabilité de la composition des fonctions d'apprentissage en utilisant des simulations et des réalisations de preuve de concept sur des équipements de réseau optique 1830 PSS de Nokia, montrant des améliorations significatives de la probabilité de blocage, de l'efficacité de l'allocation spectrale et de l'automatisation opérationnelle. Ces contributions sont les prémisses des réseaux optiques totalement autonomes, capables de s'auto- optimiser, de s'auto-réparer et de se gérer leurs ressources de façon intelligente, répondant ainsi aux besoins critiques des infrastructures de transport pour les nouvelles générations de service.