Modélisation et optimisation des réseaux 5G NR-Light

Description :

L'objectif de cette thèse est de proposer une modélisation analytique pour la 5G NR-light où les modèles physique et protocolaire sont modélisés avec précision en prenant en compte les interférences générées par tous les dispositifs actifs tout en contournant les hypothèses simplistes. Le modèle imaginé consistera à remplacer un nombre fini de dispositifs par un continuum équivalent - caractérisé par une densité de dispositifs - et disséminé dans le réseau selon une certaine fonction de distribution. La caractéristique principale du modèle proposé est de prendre en compte l'effet des interférences, le mécanisme d'ordonnancement et les aspects de propagation radio. De plus, dans cette thèse, toutes les hypothèses des modèles analytiques proposés seront corroborées par des résultats de simulation approfondis. Par conséquent, l'impact des différents paramètres de réseau calculés sera évalué dans un banc d'essai avec des simulations de réseau réalistes, offrant des directives précieuses pour la conception pratique de la 5G NR-light en mesurant des indicateurs de performance importants tels que l'efficacité spectrale, l'efficacité énergétique et la probabilité de blocage. Il est très difficile et long pour les opérateurs de réseaux 5G de résoudre les problèmes de configuration toujours plus compliqués avec l'émergence de nouveaux types de trafic et de classes d'appareils. Les réseaux 5G possèdent encore plus d'options techniques pour traiter des problèmes intelligents prédéfinis, plutôt que d'acquérir la capacité d'interagir avec l'environnement (par exemple, pour prédire la charge de trafic, les caractéristiques des services, le comportement des utilisateurs, etc.) Une telle interaction avec l'aide de l'intelligence artificielle (IA) donne en fait aux réseaux 5G et post-5G la capacité de traiter ces problèmes émergents, comme l'amélioration conjointe de l'efficacité de l'énergie et de l'allocation des ressources avec une complexité réduite des dispositifs, comme le prévoit la norme NR-Light. Nous aurons recours à la modélisation ML (Machine Learning) lorsque la modélisation analytique ne parviendra pas à évaluer de manière optimale l'ensemble des paramètres nécessaires pour atteindre l'objectif de qualité de service NR-Light tout en maintenant la complexité du dispositif. Au cours de la thèse, certains des outils suivants pourraient être utilisés : conception de protocoles/algorithmes, simulations (Matlab ou Python) sur des modèles de réseaux détaillés ou simplifiés, modélisation mathématique ; techniques d'apprentissage automatique (telles que RL ou Deep RL).