Doctorat
Equipe : Réseaux & Optimisation Combinatoire et Stochastique
Formation de faisceaux et association utilisateur-à-cellule optimisées pour les futurs réseaux denses
Début le 01/10/2015
Direction : BOUKHATEM, Lila
Ecole doctorale : ED STIC 580
Etablissement d'inscription : Université Paris-Saclay
Lieu de déroulement : LRI - ROCS
Soutenue le 30/09/2019 devant le jury composé de :
Directrice de thèse :
- Lila BOUKHATEM, Maître de Conférences, UPSud
Co-encadrante de thèse :
- Steven MARTIN, Professeur des Universités, UPSud
Rapporteurs :
- Nadjib AIT SAADI, Professeur, ESIEE Paris
- Mylene PISCHELLA, Maître de conférences, CNAM Paris
Examinateurs :
- Megumi KANEKO, Associate Professor, NII Tokyo
- Xavier LAGRANGE, Professeur, IMT Atlantique
Activités de recherche :
Résumé :
Récemment, les opérateurs de téléphonie mobile ont été confrontés à une croissance considérable du trafic de données mobiles. Dans un tel contexte, le Cloud Radio Access Network (CRAN) a été considéré comme une nouvelle architecture pour les futurs réseaux sans fil. Les signaux radiofréquences des antennes géographiquement réparties sont collectés par les Remote Radio Heads (RRH) et transmis au pool d'unités de bande de base (BBU) centralisées dans le cloud par le liaisons fronthaul. CRAN permet une optimisation globale des fonctions de traitement du signal en bande de base et de gestion des ressources radioélectriques pour tous les RRH et tous les utilisateurs.
En même temps, les réseaux hétérogènes (HetNets) sont proposés pour renforcer la capacité / couverture du réseau 5G tout en réduisant la consommation d'énergie. Le déploiement de petites cellules permet d'améliorer la qualité de la liaison en termes de efficacité spectrale (ES) et efficacité énergétique (EE). En combinant les avantages du cloud avec ceux du HetNet, le Heterogeneous Cloud Radio Access Networks (H-CRAN) est considéré comme l'une des architectures les plus prometteuses pour répondre aux exigences du système 5G et supérieures.
Dans ce contexte, nous abordons le problème crucial de la formation de faisceau (beamforming) et de l'association utilisateur à RRH (clustering) dans la liaison descendante des H-CRAN. Nous formulons un problème de maximisation du débit total sous l'hypothèse de mobilité et d'imperfection de CSI (Channel State Information). Notre principal défi consiste à concevoir une solution capable de maximiser la somme tout en permettant, contrairement aux autres solutions de référence, de réduire la complexité de calcul, les coûts de signalisation CSI et de signalisation de réassociation dans divers environnements de mobilité.
Notre étude commence par proposer un algorithme simple mais efficace, baptisé algorithme hybride, qui active périodiquement des schémas de clustering dynamiques et statiques pour équilibrer l'optimalité de beamforming et d'association tout en tenant compte des contraintes pratiques du système (complexité et signalisation d'overhead). L'algorithme hybride prend en compte la dimension temporelle du processus d'allocation plutôt que son optimalité (ou sous-optimalité) pour le seul trame d'ordonnancement actuel. De plus, nous fournissons une analyse des coûts de l’algorithme en fonction de plusieurs paramètres afin de mieux comprendre le compromis entre les nombreuses dimensions impliquées.
La deuxième contribution considère le problème du beamforming et clustering en point de vue de la mobilité. Deux variantes améliorées de l'algorithme hybride sont proposées: ABUC (Adaptive Beamforming et User Clustering), une version adaptée à la mobilité et aux variations de canal, et MABUC (Mobility-Aware Beamforming et User Clustering), une version avancée qui règle dynamiquement les paramètres de feedback de CSI en fonction de la vitesse de l'utilisateur. L'algorithme MABUC atteint une performance de somme de débit ciblé en réduisant au minimum la complexité et les coûts de signalisation CSI.
Dans notre dernière contribution, nous proposons d’aller plus loin dans l’optimisation des paramètres d’ordonnancement du CSI. Pour ce faire, nous exploitons l’outil d’apprentissage par renforcement (Reinforcement Learning - RL) afin d’optimiser à la volée les paramètres de planification du retour en fonction de chaque profil de mobilité des utilisateurs. Plus spécifiquement, nous proposons deux modèles RL, l'un basé sur Q-learning et l'autre basé sur Deep Q-learning formulé sous la forme d'un processus de POMDP (Partially observable Markov decision process). Les résultats de la simulation montrent l'efficacité de la solution proposé, car il permet de sélectionner les meilleurs paramètres de retour adaptés à chaque profil de mobilité d'utilisateur, même dans le cas hétérogène où chaque utilisateur a un profil de mobilité différent.
