Les réseaux de communication opèrent une mutation extrêmement rapide vers des réseaux plus flexibles et performants, tout en offrant des services de plus en plus complexes et dynamiques. En effet, les opérateurs peuvent s’appuyer sur des mécanismes de configuration de réseaux très flexibles, de type Software Defined Network. Ces mécanismes permettent de réserver les ressources de communication nécessaires lors du déploiement des services de communication, et supportent l’optimisation à la volée de l’usage de ces ressources. Ce stage s’inscrit donc dans le cadre de l’optimisation de la gestion des ressources réseau pour des réseaux multi-domaines par des techniques d’intelligence artificielle.

Les travaux précédents de l’équipe se basent sur l’optimisation de ressources en utilisant des techniques de Programmation Linéaire en nombre Entier (PLNE) [1]. Ces techniques, fiables, peuvent trouver leurs limites lors du traitement de grands réseaux. Pour lever potentiellement ces limites, ce stage s’intéresse à des techniques d’optimisation par Intelligence Artificielle (IA), que ce soit partiellement (techniques hybrides/IA), ou entièrement par IA.

Dans un premier temps, l’objectif du stage sera de faire un état de l’art sur l’optimisation des ressources d’un réseau monolithique par les techniques étudiées.

Dans un deuxième temps, on souhaite étendre l’apport de ces techniques pour gérer les ressources des réseaux multi-domaines, qui sont plus proches de configurations multi opérateurs réelles. De façon plus précise, le cœur du stage porte sur la possibilité d’utiliser du Machine Learning fédéré [2] pour l’optimisation de ces réseaux multi-domaines. L’approche serait que chaque domaine réseau entraine un algorithme pour la partie de réseau qu’il gère, avec ses propres données de monitoring, pour ensuite, avec l’assemblage de ces algorithmes, être capable de faire une optimisation du réseau global.

Le principal intérêt d’une telle approche réside dans le fait que les données monitorées et utilisées pour l’entrainement des algorithmes restent confinées dans leur propre domaine. Ceci renforce la propriété de confidentialité de chaque opérateur de la fédération, ce qui est un point sensible pour chacun d’entre eux. Le second intérêt est d’obtenir un algorithme d’optimisation global.

Le candidat recherché devra avoir des connaissances en réseaux de communication et en intelligence artificielle, si possible autour des techniques d'apprentissage par renforcement profond (Deep Reinforcement Learning (DRL)). Une thèse démarrera à l’issu du stage et la bonne réalisation de ce stage sera un atout pour la candidature à suivre.

[1] Pedebearn, S., Abellatif, S., Berthou, B., Nogalski, D., Belabed, D.. “Virtual Link Embedding in Collaborative Sliced Multi-Administrative Multi-Domain Networks. “ SIGAPP Symposium On Applied Computing, ACM, Apr 2024, Avila, Spain. ⟨hal-04502307v2⟩

[2] Drosatos, G., Efraimidis, P. S., & Arampatzis, A. (2023). « Federated and Transfer Learning Applications”. Applied Sciences, 13(21), 11722. https://doi.org/10.3390/app132111722