Thèse Brave Allocation des Ressources en Bande Passante Via des Uavs pour une Gestion Efficace de la Congestion dans les Réseaux 6G. H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique
Direction de la thèse : Tara YAHIYA
Début de la thèse : 2026-09-01
Date limite de candidature : 2026-05-31T23:59:59

L'évolution de la 4G vers la 6G marque une nouvelle ère dans les communications mobiles, permettant des débits de données ultra-élevés, une faible latence et des réseaux pilotés par l'IA. Cependant, la 6G fait face à des défis de gestion des ressources et de contrôle de la congestion, en particulier dans des environnements ultra-denses. La forte densité des appareils connectés et le trafic imprévisible dans les villes intelligentes contribuent à la congestion. L'intégration des noeuds terrestres, aériens et satellitaires complique la coordination du réseau, tandis que l'utilisation croissante de l'IoT et la mobilité des utilisateurs augmentent la demande de spectre et les interférences. Sans gestion avancée des ressources et optimisation basée sur l'IA, garantir une connectivité 6G fluide dans les villes intelligentes restera un défi majeur. Cette recherche propose un cadre adaptatif de gestion de la congestion assisté par des UAV pour les réseaux 6G, exploitant les réseaux définis par logiciel (SDN) et l'apprentissage automatique. Les UAV agiront comme des stations de base aériennes (ABS) pour améliorer la couverture dans les zones à fort trafic, allégeant ainsi la charge sur l'infrastructure terrestre. Les ABS optimiseront la charge du réseau et l'allocation du spectre en temps réel grâce au contrôle distribué des SDN et à une stratégie de découpage basée sur l'apprentissage. Cette approche permet une gestion adaptative de la congestion, réduit la latence et garantit une connectivité fiable dans les environnements urbains denses.

Dans ce contexte, certaines techniques de pointe existantes peuvent être présentées pour mettre en évidence leurs forces, leurs limitations et les lacunes dans la gestion adaptative de la congestion dans les réseaux 5G assistés par UAV et au-delà. L'article [3] propose un protocole d'expansion de couverture de petites cellules rentable pour résoudre le problème des pannes de réseau et de l'incapacité à soutenir des demandes de trafic continues en utilisant des UAV. Le placement des UAV est basé sur des régions de demande prioritaires et des demandes d'utilisation. Les auteurs ont employé une technique de minimisation de l'entropie pour optimiser le positionnement des UAV. Cependant, en cas de forte mobilité des équipements utilisateurs (UE), la cartographie des UAV basée sur l'entropie nécessitera des recalculs fréquents, ce qui entraîne une augmentation de la latence et de la charge de calcul. Dans [4], un schéma de NOMA (Non-Orthogonal Multiple Access) sans SIC (Successive Interference Cancellation) distribué (DSFNOMA) est proposé pour traiter efficacement la rareté du spectre et la forte consommation d'énergie des dispositifs IoT. Cependant, le processus de réaffectation itérative des sous-canaux peut introduire des délais, entravant ainsi la communication en temps réel dans des conditions de catastrophe dynamique. Les auteurs de [5] ont proposé un protocole de communication ferroviaire à grande vitesse assisté par UAV pour résoudre l'inefficacité du spectre et la complexité de la planification dans les villes dotées de technologies millimétriques. Ils introduisent un algorithme d'assistant basé sur la théorie des graphes pour les UAV et les relais mobiles (UMRA) afin d'atteindre un meilleur placement des UAV en tant que relais. Leur travail suppose un positionnement quasi-statique des UAV, ce qui entraînera un placement inefficace des UAV et une dégradation de la qualité de service (QoS) en cas de changements environnementaux ou de mobilité soudains. Le travail de [6] propose un algorithme de retour d'information sur le routage des goulets d'étranglement (BRF) qui intègre la gestion du trafic centralisée basée sur SDN avec un mécanisme de contrôle en réseau pour optimiser la gestion de la congestion dans les réseaux 5G. L'algorithme BRF alloue dynamiquement la bande passante aux goulets d'étranglement du réseau en utilisant un contrôle de taux basé sur le retour d'information, améliorant l'utilisation de la bande passante, l'équité et la vitesse de convergence par rapport aux algorithmes de contrôle de congestion existants. Cependant, en cas de pannes de site ou de pics de trafic soudains, le schéma proposé peut avoir du mal à s'adapter et à redistribuer les ressources en raison de sa dépendance principalement aux stations de base terrestres sans intégrer d'infrastructure mobile adaptative telle que les UAV. De plus, le schéma ne traite pas du problème d'admission des appels en raison des fréquents changements de main dans des environnements à forte mobilité, ce qui pourrait impacter la continuité du service et augmenter les taux d'abandon d'appels.

Pour faire face à des situations dynamiques et imprévisibles dans des scénarios d'urgence, certains travaux de recherche exploitent le SDN pour atteindre un contrôle centralisé afin d'améliorer la flexibilité, l'évolutivité et l'efficacité. Le SDN permet la programmabilité du réseau en découplant la couche de contrôle des composants de transfert de données du réseau. Son architecture peut réduire considérablement le temps et le coût nécessaires à la configuration du réseau, ce qui est essentiel pour la nature dynamique des réseaux UAV [7]. Les auteurs de [8] proposent un cadre d'optimisation basé sur le SDN pour l'allocation conjointe de tâches et de ressources. Les auteurs ont employé une approche d'optimisation heuristique qui, bien que computationnellement efficace, se révèle sous-optimale en présence de changements rapides dans la topologie du réseau.
La revue des travaux existants met en évidence des progrès notables dans le contrôle de la congestion 5G, les stratégies de déploiement des UAV et l'allocation de ressources basée sur le SDN. Cependant, ces solutions dans la littérature ne sont pas équipées pour gérer l'échelle et la complexité de la croissance future du trafic. La plupart des approches existantes manquent d'adaptabilité aux modèles de mobilité dynamiques et n'incorporent pas de découpage de réseau en temps réel, conscient de la situation, pour faire face aux pics de congestion soudains ou aux pannes de site. À mesure que la demande de trafic augmente avec l'émergence des applications 6G, ces limitations soulignent la nécessité d'un protocole de gestion de la congestion assisté par UAV, plus robuste et en temps réel, capable de s'ajuster dynamiquement aux conditions évolutives du réseau, à la mobilité des utilisateurs et aux demandes de service.

Plusieurs modèles et protocoles de gestion des ressources ont été proposés pour relever les défis de la qualité de service (QoS) dans des environnements à forte densité tels que les stades, les salles de concert et les zones d'urgence, où une congestion de trafic localisée est observée en raison de pannes de cellules, de saturation de cellules ou de distributions de trafic déséquilibrées. Certains de ces protocoles proposent l'utilisation de véhicules aériens sans pilote (UAV) pour améliorer la couverture et atteindre une meilleure augmentation de capacité. Malgré les efforts déployés dans les travaux existants, certains problèmes restent à résoudre.

Dans les réseaux 5G denses et au-delà, la congestion survient souvent en raison d'une distribution de charge déséquilibrée à travers les cellules du réseau, où certaines stations de base ou gNB (gNodeB) subissent un trafic excessif, tandis que d'autres, y compris les stations de base aériennes (ABS) basées sur des UAV, restent sous-utilisées. Les mécanismes traditionnels d'équilibrage de charge statique sont inefficaces pour s'adapter aux fluctuations en temps réel de la demande des utilisateurs, entraînant des goulets d'étranglement dans le réseau, une dégradation de la QoS et une utilisation inefficace des ressources. L'incapacité à allouer dynamiquement les ressources du réseau aggrave la congestion dans les zones à fort trafic, tandis que d'autres sites sont sous-utilisés.

Le découpage de réseau traditionnel suit une configuration de priorité prédéfinie basée sur la QoS variable des flux de trafic. Cependant, la congestion dans le monde réel causée par des pics de trafic inattendus ou des pannes de sites réseau peut ne pas correspondre aux tranches préconfigurées, entraînant un échec à garantir la QoS et l'équité. À mesure que la demande de connectivité ultra-fiable et à haute vitesse continue de croître, les limitations de la 5G à gérer les charges de trafic futures deviennent de plus en plus évidentes. Les applications émergentes telles que la communication holographique en temps réel, les déploiements massifs de l'IoT et l'automatisation pilotée par l'IA généreront des volumes de données sans précédent et nécessiteront une efficacité réseau extrême, que la 5G seule ne peut pas soutenir. Par conséquent, tirer parti des paradigmes clés de la 6G, y compris le réseau natif à IA, est crucial. Cependant, gérer efficacement ces technologies dans des environnements ultra-denses nécessite une approche plus flexible et évolutive. Les véhicules aériens sans pilote définis par logiciel (SDUAV) jouent un rôle essentiel, offrant une couverture réseau adaptative à la demande et une gestion intelligente du trafic pour garantir une communication fluide et sans congestion dans les futurs écosystèmes de villes intelligentes.

L'objectif de cette thèse est de développer un cadre de gestion de la congestion assisté par UAV adaptatif pour les réseaux 5G et au-delà. Cet objectif sera atteint à travers les objectifs suivants : 1) développer un protocole d'adaptation de tranche basé sur le réseau défini par logiciel (SDN) en temps réel qui ajustera dynamiquement les paramètres de tranche en fonction des conditions réseau instantanées. 2) développer un mécanisme d'équilibrage de charge optimisé pour garantir une distribution équitable des ressources à travers les cellules du réseau.

Le cadre de gestion de la congestion assisté par UAV et activé par SDN intègre plusieurs composants pour garantir une allocation adaptative des ressources, une résolution en temps réel de la congestion et une continuité de service améliorée dans les réseaux 5G et au-delà. Le SDN offre un mécanisme de contrôle centralisé permettant le placement dynamique des UAV, le reroutage intelligent du trafic et l'équilibrage de charge en temps réel. De plus, la virtualisation des fonctions réseau (NFV) facilite le déploiement à la demande de fonctions réseau virtualisées (VNFs) sur les UAV, leur permettant d'agir comme des stations de base temporaires ou des noeuds de calcul en périphérie, renforçant ainsi la flexibilité et la résilience du réseau.

Pour mettre en oeuvre ce cadre, une méthodologie systématique et multi-phase est adoptée afin de développer, implémenter et évaluer le modèle proposé de gestion de la congestion assisté par UAV. Cette approche exploite le SDN, la NFV et des stratégies d'optimisation basées sur l'IA pour ajuster dynamiquement l'allocation des ressources et améliorer le découpage réseau (network slicing). La méthodologie suit un processus structuré comprenant les étapes suivantes :

Analyse du problème & définition des exigences système : Identification des principaux facteurs de congestion dans les réseaux 5G assistés par UAV, définition des exigences du système et établissement des métriques de performance.
Développement du modèle de contrôle de congestion assisté par UAV : Formulation d'un modèle adaptatif de placement des UAV, intégrant la détection en temps réel de la congestion, l'analyse du trafic et des mécanismes de découpage réseau.
Conception et optimisation des algorithmes : Développement d'algorithmes de placement des UAV basés sur l'apprentissage automatique, gestion du trafic via SDN et stratégies d'allocation dynamique des ressources activées par la NFV.
Simulation et évaluation des performances : Implémentation du protocole réseau proposé dans le simulateur d'événements discrets NS-3 et du composant ML dans mlpack 4.2.1 afin d'évaluer son impact sur la QoS, le débit, la latence et l'efficacité des handovers.
Validation et analyse comparative : Comparaison du modèle proposé avec les techniques de placement des UAV et de contrôle de congestion les plus avancées, garantissant sa robustesse et son applicabilité pratique.