Proposition de thèse : Apprentissage par renforcement profond pour les réseaux de communication mobiles déployés par des drones en zones sinistrées


L’ED SISMI propose le sujet de thèse suivant :

Intitulé du sujet : Apprentissage par renforcement profond pour les réseaux de communication mobiles déployés par des drones en zones sinistrées

Ce projet serait sous la direction de Emmanuel Moulay de XLIM à l’Université de Poitiers

Co-directeurs renseignés : Abbas Bradai /

Les financements sont : bourse DGA et Grand Poitiers/UP à solliciter

Le début de la thèse est prévu pour : 10/2019

Mots clés du sujet : Allocation de ressources en 5G, virtualisation, apprentissage par renforcement, systèmes

Présentation du sujet : L’objectif de cette thèse est de proposer de nouvelles stratégies de déploiement et d’allocation des ressources dans des zones sinistrées avec la nouvelle génération de réseaux de télécommunications 5G. Les solutions proposées seront basées sur des techniques d’apprentissage par renforcement profond et sur le déploiement d’une flotte de drones comme support de communication. Les problématiques traitées seront le déploiement et l’allocation de ressources mobiles de communications.

Objectifs : Au cours de cette thèse, nous souhaitons proposer de nouvelles solutions basées sur les algorithmes d’apprentissage par renforcement profond pour déployer une flotte de drones qui servira de réseau mobile de communication. Chaque drone embarquera des ressources de communications (antenne de télécommunication ainsi que des ressources de calcul et de stockage) et servira de mini station de base mobile. Il faudra à la fois optimiser les communications entre les drones ainsi que l’allocation de ressources au niveau des drones. Les simulations se feront à l’aide du simulateur réaliste dédié NS3. L’application principale est de pouvoir déployer rapidement un réseau de communication dans une zone sinistrée par des conflits ou des phénomènes naturels comme des tremblements de terre ou des incendies.

Description du sujet : Ces dernières années, les drones ont été utilisés dans de nombreux domaines civils et militaires, tels que les missions de recherche et de sauvetage, la surveillance des frontières, la cartographie aérienne, l’imagerie agricole, etc. Dans cette thèse, nous nous concentrons sur le scénario d’une zone sinistrée tel que ce qu’on a pu voir avec l’ouragan Katrina sur la côte américaine du golfe du Mexique en 2005 qui a provoqué un vaste effondrement des infrastructures de communication. En effet, une grande partie du réseau de communication des lignes fixes a alors été inondée et les antennes relais ont été mises hors service.
L’objectif de cette thèse est de proposer de nouvelles stratégies de déploiement et d’allocation des ressources dans des zones sinistrées avec la nouvelle génération de réseaux de télécommunications 5G. Les solutions proposées seront basées sur les techniques d’apprentissage par renforcement profond (Deep Reinforcement Learning DRL). En effet, l’apprentissage par renforcement est une stratégie d’apprentissage automatique qui permet le développement de politiques pour un agent autonome à partir de l’optimisation au cours du temps d’une récompense issue de l’environnement et ceci via l’utilisation d’une fonction de valeur. Le DRL est adapté aux systèmes complexes pour lesquels on ne dispose pas de modèle mathématique fiable et qu’on souhaite tout de même contrôler. C’est en particulier le cas pour les problématiques soulevées par le déploiement d’une flotte de drones comme support de communication avec l’aspect multi-agents qui complexifie encore davantage le système.
Le doctorant devra tout d’abord faire un état de l’art sur les techniques de DRL dans le domaine des réseaux de télécommunications et des systèmes multi-agents. Il sera ensuite amené à prendre en main le simulateurs NS3 qui sera utilisé durant la thèse pour tester et valider les approches proposées. Le doctorant sera ensuite en mesure de proposer de nouvelles solutions pour le déploiement des drones et l’allocation des ressources afin de mettre en place une infrastructure de communication mobile dans des zones sinistrées. Ces solutions seront basées sur le DRL et seront testées et validée avec NS3.

Compétences acquises à l’issue de la thèse : Apprentissage par renforcement profond, optimisation de l’allocation des ressources, simulations avec NS3

Présentation de l’équipe d’accueil : Cette thèse se déroulera au sein de l’équipe RUBIH du laboratoire XLIM. L’équipe RUBIH est incluse dans l’axe SRI (Systèmes et Réseaux Intelligents). Elle a pour vocation l’étude, le contrôle et l’optimisation de réseaux de télécommunications numériques, à travers une « approche système », pour satisfaire une qualité de service requise (robustesse, latence, débit) ainsi qu’une certaine efficacité énergétique.

Compétences souhaitées pour les candidats : ressortissant de l’UE (critère DGA), apprentissage automatique, apprentissage par renforcement, apprentissage profond, télécoms

Pour plus d’informations et pour candidater, merci de contacter :

Date de dépôt : 02/05/2019 à 11 h 30 min




ED SISMI