Mathématiques, Télécommunications, Informatique, Signal, Systèmes, Électronique

L'évolution des réseaux de télécommunications, en particulier avec l'avènement du découpage de réseau 5G, a introduit des complexités dans la surveillance des réseaux. Les approches de surveillance traditionnelles, conçues pour des environnements plus uniformes et statiques, rencontrent des défis significatifs pour gérer l'augmentation du volume de trafic, traiter les applications sensibles à la latence et minimiser la surcharge introduite par les outils de surveillance. Cette thèse examine l'application de la tomographie réseau comme solution pour la surveillance des réseaux, en se concentrant sur deux aspects critiques : la sélection des chemins de mesure et l'optimisation du placement des moniteurs.

Nous présentons deux contributions principales pour faire progresser le domaine de la surveillance des réseaux. Tout d'abord, nous développons un cadre basé sur un algorithme génétique pour optimiser la sélection des chemins de mesure dans la surveillance des tranches de réseau. Cette approche intègre à la fois des techniques de mutation fixes et adaptatives, démontrant une précision améliorée dans l'estimation des métriques de lien et de tranche tout en équilibrant l'exploration et l'exploitation dans l'espace de recherche. Grâce à des simulations approfondies, nous validons l'efficacité de notre approche par algorithme génétique à travers plusieurs générations et configurations de réseau.

Deuxièmement, nous proposons une solution innovante pour généraliser le placement des moniteurs en utilisant des Réseaux de Convolution de Graphes Relationnels (RGCN). Notre approche crée une tâche d'apprentissage basée sur les nœuds et développe une représentation graphique relationnelle pour les topologies de réseau, permettant une généralisation efficace du placement des moniteurs. Le modèle RGCN démontre des capacités de généralisation supérieures à travers diverses combinaisons de paires de nœuds et tailles de réseaux par rapport aux approches conventionnelles des réseaux neuronaux. De plus, notre concentration sur les solutions à deux moniteurs s'appuie sur des recherches existantes tout en maintenant une grande précision dans l'inférence de l'état du réseau avec un équipement de surveillance réduit.

Cette recherche contribue au développement continu des techniques de surveillance des réseaux en combinant la tomographie des réseaux avec des méthodes avancées d'apprentissage automatique, offrant des solutions pratiques aux défis complexes posés par les architectures de réseaux modernes. Les approches proposées offrent des directions prometteuses pour des solutions de surveillance efficaces et évolutives dans le contexte des réseaux 5G et au-delà.