Thèse - Prédiction de la qualité d'expérience (QoE) de verticales portées par des slices 5G et recommandation d'actions correctives (F/H)

Description de l'offre

about the role

Le nombre de clients aux services de télécommunications 5G devrait atteindre 1,9 milliard au niveau mondial [1]. De plus, la 5G est censée fournir des fondations solides pour l'«Internet de tout », qui rendront possibles des services tels que les « villes intelligentes » et les véhicules connectés, etc. A cette fin, les réseaux doivent être plus élastiques et ainsi répondre à des défis en termes de coût, d'efficacité ou de flexibilité très différents selon les services. Le concept de network slicing a été proposé comme solution pour permettre la coexistence de multiples réseaux logiques se partageant une infrastructure physique. On attend des slices des réseaux 5G qu'ils respectent les exigences plus pointues des industries des verticales en termes de fourniture de service [2], comme le fonctionnement en temps réel, de faibles temps de transmission, une fiabilité extrême et un haut degré de sécurité.

Pour garantir toutes ces promesses, les opérateurs et fournisseurs de services ont besoin de prendre un soin accru de la qualité des services (QoS) perçue par l'utilisateur final des verticales 5G, autrement dit la qualité d'expérience (QoE [3]). Cette dernière dépend de la QoS es et aussi d'autres facteurs d'influence telles que les prérequis et attentes de l'utilisateur, les conditions tarifaires, ou bien encore la conjonction dans le temps entre une situation d'usage et l'occurrence d'une dégradation. S'ils pouvaient prédire avec précision l'insatisfaction d'une verticale, les opérateurs se donneraient la capacité d'améliorer les services correspondants qu'ils offrent et ainsi de s'assurer des clients plus satisfaits et au final plus fidèles [3]. La prédiction de la QoE est un thème qui a fait l'objet de nombreuses recherches récentes ou en cours et dont la difficulté découle notamment de la combinaison de problématiques réseau et service.

La prédiction de la QoE est largement utilisée dans les industries du commerce électronique ou de vidéo en ligne. Dans le domaine des télécommunications, des recherches se sont intéressées au concept même de la QoE [13-18] tandis que d'autres se sont focalisées sur la corrélation entre des métriques techniques de « QoS" et des métriques représentatives de la QoE [11-12]. Pour l'heure, on n'a pas encore pu développer d'approche multidimensionnelle pour modéliser la QoE, englobant les différents facteurs d'influence et quantifiant leur contribution.

De nombreux travaux ont été publiés concernant la prédiction de la QoE des services multimédia (streaming vidéo, TV sur IP ou mobile) [5-10] ou conversationnels (téléphonie) [4]. La recherche sur la quantification de la QoE pour d'autres types de services est moins avancée. En particulier, la détermination de l'origine d'une dégradation perçue est un vaste sujet d'étude, où la dimension subjective joue un rôle déterminant. Quant aux mécanismes de décision d'action corrective basée sur des informations de la QoE, ils en sont encore aux balbutiements.

Puisque la prédiction de la QoE est le coeur du sujet de la thèse proposée, une ou plusieurs verticales de service 5G seront sélectionnées en anticipation pour lesquelles on a une bonne connaissance de la perception de qualité par les utilisateurs et de ses dimensions ainsi que des métriques et indicateurs représentatifs. Le travail de thèse sera ainsi alimenté par des données en quantité suffisante, collectées à partir d'un usage réel ou simulé de ces services, dans un format exploitable et fiable.

Ainsi, votre rôle est d'effectuer un travail de thèse sur la « Prédiction de la qualité d'expérience (QoE) de verticales portées par des slices 5G et recommandation d'actions correctives à l'orchestrateur ».

about you

·  Un diplôme d'ingénieur ou un master dans un de ces domaines : intelligence artificielle, ingénierie logicielle, mathématiques, statistique, télécommunications ou similaire

Expérience passée si possible :

·  Une bonne connaissance des architectures de réseaux (5G, 4G, coeur, RAN…)

·  Une expérience en développement Big data

·  Une participation à des recherches dans les domaines suivants : apprentissage par renforcement, systèmes de recommandation, apprentissage automatique statistique

·  Une bonne connaissance des techniques et outils de machine learning, statistiques, optimisation, systèmes de recommandation, apprentissage par renforcement

·  Une bonne connaissance des architectures virtualisées (SDN / NFV)

·  Un excellent niveau en développement : Python et R

·  Un excellent niveau en anglais (lecture et rédaction d'articles scientifiques, présentation lors des conférences)

·  Autonomie, curiosité, dynamisme, proactivité, capacité à analyser et à synthétiser

·  Avoir déjà écrit des papiers scientifiques

additional information

Pendant la thèse, le candidat retenu aura à proposer un modèle, à base de machine learning , de prédiction de l'insatisfaction des clients finaux, à partir de données consistant de métriques de QoS et de résultats de tests subjectifs. Si le problème est jugé sérieux, un système de réaction sera alors déclenché. Il s'agira de recommander à l'orchestrateur du réseau la ou les solutions les plus adaptées, ce qui sera rendu possible grâce à un système intelligent de recommandation en permanente interaction avec l'orchestration et le niveau applicatif présent dans les terminaux des clients (qui va lui aussi appliquer des mesures correctives avec lesquelles il faut se coordonner). Le résultat final est donc une sorte de tuyau transverse permettant de prédire le comportement de bout-en-bout d'une verticale et le ressenti de ses utilisateurs et de le prendre en compte dans la gestion des ressources réseau (les fameuses slices ) correspondantes.

Plusieurs défis scientifiques sont à relever notamment:

·  La collecte de données relatives à la QoS et au fonctionnement des slices 5G, nécessaires pour entraîner les systèmes de prédiction.

·  La définition d'un modèle transverse permettant d'évaluer la pertinence des alertes liées aux événements détectés, ce qui va nécessiter une interaction avec la verticale de service.

·  La proposition d'un système de recommandation fiable en termes d'impact sur le réseau de l'opérateur et sur la perception du client final (QoE). Il faudra en effet éviter les fausses recommandations. Une bonne prise en compte de la chaîne de bout-en-bout, jusqu'à l'application du client, va être un élément crucial. Un mécanisme de validation des recommandations devra être mis au point.

Le plus de cette thèse, c'est qu'elle permet au doctorant de proposer des solutions visant un bénéfice concret pour les opérateurs de télécommunications : prédiction de la qualité perçue, actions correctives, orchestration des réseaux. Le tout en mettant en oeuvre des techniques et des solutions d'intelligence artificielle innovants.

Organisation et environnement de la thèse :

  Le travail de recherche que le candidat devra mener sera planifié de la manière suivante:

·  État de l'art dans les domaines suivants: (i) les architectures 5G (notamment les verticales et les slices ), (ii) la QoE et sa mesure, (iii) les techniques et systèmes de prédiction et de recommandations étudiées dans le domaine des réseaux (6 mois).

·  Participation à la collecte de données, sur réseaux réels ou simulés (dans ce cas : création d'une simulation d'éléments réseau) (6 mois)

·  Proposition et développement de mécanismes d'intelligence artificielle pour la prédiction de la QoE et sa validation, à base d'apprentissage sur les données collectées précédemment et de connaissance des paramètres des slices (4 mois, 1 publication).

·  Modélisation d'un système de recommandation pour préconiser à un orchestrateur réseau les meilleures actions correctives, à partir de la prédiction de la QoE de la phase précédente ainsi que la connaissance des autres éléments de correction, notamment au niveau applicatif. Un système à base de renforcement pourrait être développé et entraîné sur une verticale de services 5G pour évaluer l'impact des décisions et actions correctives possibles. (8 mois, 2 publications)

·  Réalisation d'une preuve de concept comprenant l'ensemble des éléments développés précédemment, y compris l'interaction avec l'orchestration de réseau (6 mois, 1 brevet, 1 publication).

·  Rédaction de la thèse et préparation de la soutenance (6 mois).

department

Cette thèse se déroulera au sein du département SECRES (SECurity  Roaming rEsilience and Signaling) qui a pour mission d'améliorer la sécurité des infrastructures réseau ainsi que la résilience de nos réseaux mobiles, de définir la stratégie d'évolution du réseau de signalisation et les principes d'architecture et d'interconnexion internationale. Plus précisément, la thèse est proposée par l'équipe BRAINS (dataBase Resilience Artificial Intelligence for Network and Signaling) qui s'occupe notamment d'étudier les évolutions dans la gestion de données réseaux ainsi que les évolutions de la signalisation, d'apporter un soutien aux pays Orange en menant des études de résilience, et enfin de mener des études sur l'intelligence artificielle appliquée aux réseaux notamment avec la gestion cognitive des réseaux et services.

Une partie de ce travail sera réalisée en interaction avec une autre équipe intitulée AMOX (Architecture, Monitoring and diagnOsis for Country Support), issue du département IPN (IP networks, monitoring and security), qui détient l'expertise d'Orange dans le domaine de la supervision et de détection de causes de dégradation de la QoS des services de télécommunications, ainsi que de sa corrélation avec la QoE.

Enfin, vous aurez la chance de travailler sur des sujets d'innovation, tels que la 5G, les verticales de services et la prédiction de boucle prédictive. Vous pourrez participer à des conférences internationales et des séminaires au cours desquels vous pourrez présenter et partager vos résultats de travaux de recherche. Durant tout le déroulement de la thèse, vous pourrez interagir avec des experts en télécommunications, en QoE et en science de données.

contract

Thesis