| Titre : | Une gestion des tranches de réseau 5G basée sur l’apprentissage automatique |
| Auteurs : | Amira Nouha Achouri, Auteur ; Soheyb Ayad, Auteur |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (115 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | 5G, Découpage de réseau, Apprentissage automatique, Apprentissage profond. |
| Résumé : | La 5G, est la cinquième génération de la téléphonie mobile qui succède à la 4G, elle est fondée principalement en fonction des indicateurs de performance (KPIs) selon trois catégories d’usages (le haut débit mobile évolué (eMBB), la communication de type machine massive (mMTC) et la communication ultra-fiable et à faible latence (uRLLC)).Étant donné que chacun de ces catégories nécessite différents types de KPIs, ils ne peuvent pas être fournis efficacement sur un seul réseau homogène.Le découpage de réseau est considéré comme une technologie clé qui permet de déployer efficacement plusieurs tranches du réseau virtuelles sur une infrastructure physique commune pour servir ces catégories d’usages avec la qualité de service requise. La croissance des données et l’énorme nombre de nouveaux appareils connectés au réseau 5G, nécessite l’adoption de nouvelles techniques pour une meilleure gestion de trafic réseaux.Dans ce contexte, nous avons proposé des modèles basés sur les techniques d’apprentissage automatique et d’apprentissage profond afin d’automatiser la gestion de trafic et prédire la tranche de réseau virtuelle approprié pour n’importe quel type d’équipement connecté dépendamment de performances applicatives requises (KPIs).Selon les résultats obtenus, Parmi les modèles d’apprentissage automatique utilisé le Random Forest a donné de meilleurs résultats et le modèle d’apprentissage profond DNN a donné encore une meilleure performance par rapport à ce dernier et cela dû aux caractéristiques et puissance des modèles d’apprentissage profond. |
| Sommaire : |
Chapitre 1 : Introduction générale
1.1. Contexte de travail .................................................................................................. 1 1.2. Problématique et objectifs. ..................................................................................... 2 1.3. Contributions .......................................................................................................... 2 1.4. Structure de mémoire .............................................................................................. 4 Chapitre 2 : Des généralités sur la 5G 2.1. Introduction ............................................................................................................. 4 2.2. La 5G ...................................................................................................................... 4 2.3. Architecture de réseau 5G ....................................................................................... 5 2.3.1. L’accès radio 5G (RAN).................................................................................. 5 2.3.2. Le coeur réseau 5G (5GC) ................................................................................ 5 2.4. Les catégories d’usages de la 5G ............................................................................ 7 2.4.1. Les communications massives de type machine (mMTC – Massive Machine Type Communications) .................................................................................................. 7 2.4.2. La large bande mobile évolué (eMBB – Enhanced Mobile Broadband) ........ 7 2.4.3. Les communications ultra-fiables à très faible latence (uRLLC – Ultra-reliable and Low Latency Communications) ................................................................. 7 2.5. Les indicateurs de performances de la 5G .............................................................. 9 2.6. Les technologies émergentes de la 5G .................................................................. 12 2.6.1. Les ondes millimétriques ............................................................................... 12 Table de matière 2.6.2. Les petites cellules ........................................................................................ 13 2.6.3. MIMO Massive (Multiple Inputs - Multiple Outputs) .................................. 13 2.6.4. Formation de faisceau .................................................................................... 13 2.6.5. Technologie Full Duplex ............................................................................... 14 2.6.6. Multiplexage NOMA (NOMA-Non Orthogonal Multiple Access) .............. 15 2.6.7. Contrôleur de réseau logiciel (SDN) et virtualisation du réseau (NFV) ....... 15 2.6.8. Découpage de réseau ................................................. 16 2.7. Les concepts de découpage de réseau ................................................... 16 2.7.1. Définition de découpage de réseau .......................... 16 2.7.2. Définition d’une tranche de réseau ................................................................ 17 2.7.3. Principes de fonctionnement de découpage de réseau................................... 17 2.7.4. Exemple de découpage de réseau .................................................................. 18 2.8. Conclusion ............................................................................................................ 20 Chapitre 3 : L’apprentissage automatique dans les réseaux 5G 3.1.Introduction ............................................................................................................... 21 3.2.Apprentissage automatique ........................................................................................ 22 3.2.1.Les techniques d’apprentissage automatique ..................................................... 22 3.3.Classification en apprentissage automatique ............................................................. 25 3.3.1. Types de classification...................................................................................... 25 3.3.2. Les algorithmes de classification d’apprentissage automatique ..................... 27 3.4 Apprentissage profond ............................................................................................. 34 3.4.1. Le réseau neuronal profond (DNN) ................................................................. 34 3.5.Défis des réseaux 5G ................................................................................................. 36 3.6.L’apprentissage automatique pour le découpage de réseau 5G ................................. 36 3.7.L'apprentissage en profondeur pour le découpage de réseau 5G ............................... 38 3.8.Travaux connexes ...................................................................................................... 39 3.8.1.Algorithmes d’allocation des tranches basés sur l’apprentissage automatique dans les réseaux 5G ................. 39 3.8.2.Une approche d’apprentissage profond vers un découpage efficace et fiable du réseau 5G ........................ 40 3.8.3.Vers l’ultra-latence en utilisant l’apprentissage profond dans le découpage de réseau 5G en appliquant la construction approximative de k-voisin le plus proche graphique (G -KNN) ................................ 40 3.9. Conclusion ............................................................................................................ 42 Chapitre 4 : Une gestion des tranches de réseau 5G basée sur l’apprentissage automatique 4.1. Introduction ........................................................................................................... 43 4.2. Objectif ................................................................................................................. 43 4.3. Méthodologie ........................................................................................................ 43 4.3.1. Processus de modélisation ............................................................................. 43 4.3.2. Préparation et prétraitements de données ...................................................... 45 4.3.3. Traitement ................................................................................................... 50 4.3.4. Evaluation de performance ........................................................................ 55 4.3.4. La validation .............................................................................................. 58 4.4. Conclusion ............................................................................................................ 59 Chapitre 5 : Résultats expérimentaux et discussions 5.1. Introduction ........................................................................................................... 60 5.2. Environnements et outils de développement utilisés ............................................ 60 5.3. Description d’Environnement ............................................................................... 61 5.4. Analyse de dataset ................................................................................................ 62 5.4.1. Aperçu sur de l’ensemble de données ........................................................... 62 5.4.1. Prétraitement de l’ensemble de donnée ......................................................... 63 5.5. Entrainement et évaluation des modèles ............................................................... 69 5.5.1. Algorithmes d’apprentissage automatique .................................................... 69 5.5.2. Apprentissage profond ................................................................................... 80 5.6. Comparaison avec les modèles des travaux connexes .......................................... 83 5.7. Conclusion ............................................................................................................ 84 Conclusion générale 85 Bibliographie 86 ANNEXE A 90 ANNEXE B 96 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/614 | Mémoire master | bibliothèque sciences exactes | Consultable |
