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. Pour cela les opérateurs peuvent s’appuyer sur des mécanismes de configuration de réseaux très flexibles (Software Defined Network) et optimiser l’usage des ressources au moment du déploiement des services. Ce stage s’inscrit 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 de l’optimisation de ressources par des techniques de Programmation Linéaire en nombre Entier (ILP). Ces techniques fiables peuvent trouver leurs limites lors du traitement de grands réseaux et ce stage s’intéresse donc à des techniques d’optimisation par l’IA. L’objectif du stage sera donc dans un premier temps, de faire un état de l’art et l’optimisation d’un réseau monolithique par les techniques étudiées. Dans un deuxième temps, et c’est le cœur de ce stage, étudier la possibilité d’utiliser du machine learning fédéré [2] pour l’optimisation de réseaux multi-domaines. L’idée, pour faire simple, est que chaque domaine réseau puisse entrainer 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. L’intérêt d’une telle approche réside dans le confinement au domaine des données de monitoring pour l’entrainement, qui sont un point sensible pour un opérateur, tout en permettant d’avoir un algorithme d’optimisation global.

Compétences requises : Développement python/C++, connaissances réseau, connaissances de l’IA.

[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