ETAT D’ART DE LA QUALITE D’EXPERIENCE DES

UTILISATEURS DANS LES RESEAUX 5G

Réalisé par ALZOUMA MOUSSA MAHAMADOU, 2021.

Superviseur : Dr KADJO

1
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
QoE in 5G Cloud Networks using Multimedia Services.......................................................... 3
An Exploration-driven Reinforcement Learning Model for Video Streaming Scheduling in 5G-
Powered Drone ..................................................................................................................... 3
Machine Learning Approach to Estimate Video QoE of Encrypted DASH Traffic in 5G
Networks ............................................................................................................................... 4
Service-Less Video Multicast in 5G: Enablers and Challenges .............................................. 5
Dynamic Microservice Allocation for Virtual Reality Distribution with QoE support................. 5
Virtual Drive-Tests: A Case for Predicting QoE in Adaptive Video Streaming ........................ 6
Personalized quality of experience (QOE) management using data driven architecture in 5G
wireless networks .................................................................................................................. 6
Human-Behavior and QoE-Aware Dynamic Channel Allocation for 5G Networks: A Latent
Contextual Bandit Learning Approach ................................................................................... 7
A State Based Resource Allocation Game for Distributed Optimization in 5G Small-cell
Networks ............................................................................................................................... 7
Adaptive Multi-Access Algorithm for Multi-Service Edge Users in 5G Ultra-Dense
Heterogeneous Networks ..................................................................................................... 8
QoESoft: QoE Management Architecture for Softwarized 5G Networks ................................ 9
User mobility and Quality-of-Experience aware placement of Virtual Network Functions in 5G
9
Moving Toward 5G: Significance, Differences, and Impact on Quality of Experience............10
Quantifying the Value of 5G and Edge Cloud on QoE for AR/VR .........................................10
Références bibliographiques ................................................................................................12

2
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
 1. QoE in 5G Cloud Networks using Multimedia Services

Les réseaux cellulaires 5G seront principalement dans le cloud computing et principalement

la Qualité de Service, Les paramètres (QoS) (par exemple le délai, le taux de perte, etc.)
influencent les performances du réseau cloud. La qualité d’expérience de l’utilisateur en
utilisant les services multimédia, repose de manière significative sur les paramètres de QoS.
La clé défi de la technologie 5G est de réduire le délai de moins de une milliseconde.

Pour répondre à cette exigence de réduction du délai de réponse à moins d’une milliseconde,
dans cet article [1], les auteurs ont décrit une méthode qui minimise le délai global du réseau
pour la prestation de services multimédia et une méthode qui mesure la QoE de l'utilisateur
pour le trafic de streaming vidéo en utilisant les paramètres de QoS du réseau, c'est-à-dire le
délai et le taux des paquets perdus.

Les performances de la méthode QoE proposée sont comparées avec la méthode QoV, et la
méthode QoE proposée effectue mieux en manipulant soigneusement l'impact des paramètres
de QoS. Les résultats montrent que la méthode décrite réduit avec succès les retards globaux
du réseau, ce qui permet de maximiser la QoE de l'utilisateur.

2. An Exploration-driven Reinforcement Learning Model for Video Streaming

Scheduling in 5G-Powered Drone

Les applications de streaming vidéo n'ont pas d'exigences strictes pour le délai de bout en
bout, mais elles nécessitent un ensemble d'indicateurs de performance clés pour mesurer la
qualité de l'expérience .Parmi ces indicateurs, la probabilité de manque de mémoire tampon
et la durée de la mémoire tampon sont particulièrement essentiels. Ils quantifient l'événement
où le tampon devient vide. Le manque de mémoire tampon entraînera le gel des images, c'est-
à-dire le blocage de la vidéo. Par conséquent, dans les services de streaming vidéo en temps
réel, le manque de mémoire tampon a un impact énorme sur le comportement des utilisateurs
par conséquent cela aura des répercussions négatives sur la qualité d’expérience des
utilisateurs.

Pour apporter des solutions au problème évoqué ci-dessus, dans cet article [2], les auteurs
ont :

 Modélisé un processus de transmission de streaming vidéo sur réseau sans fil en tant
qu'environnement d'apprentissage par renforcement.

3
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
  Proposé un mécanisme de récompense axé sur l'exploration, qui non seulement résout
le problème du bruit dans l'environnement, mais atténue également dans une certaine
mesure les récompenses rares dans le processus de formation du modèle.

La fiabilité de ce modèle est vérifiée dans le scénario complexe de la transmission vidéo UAV
alimentée par 5G.

Des expériences de simulation ont prouvé que le modèle peut améliorer la QoE à long terme
du streaming vidéo dans différents environnements réseau. Le modèle d'apprentissage par
renforcement fournit une stratégie de planification efficace pour le compromis QoE de flux
vidéo hétérogènes. Lorsque différents types de flux vidéo ont des perceptions différentes de
la pénurie de mémoire tampon, l’algorithme peut habiliter la station de base, afin qu'elle ait la
capacité de planifier intelligemment différents flux, ce qui peut optimiser la QoE cumulative à
long terme. Par exemple, si un flux est plus sensible au comportement de manque de mémoire
tampon à un certain moment, la stratégie de planification peut lui fournir une priorité plus
élevée.

3. Machine Learning Approach to Estimate Video QoE of Encrypted DASH Traffic

in 5G Networks
Dans l’article [3], Cisco prévoit que le trafic HAS sera au sommet de la charge de trafic avec
82% de tout le trafic Internet d'ici 2022. Cette augmentation du trafic HAS a ouvert plusieurs
dimensions de recherche. Bien que le cryptage soit nécessaire, les fournisseurs de réseaux
sont confrontés à de nombreux défis dans la surveillance et gérer leurs ressources réseau
car le chiffrement limite leur visibilité sur la Qualité d'Expérience (QoE) et la Qualité de
service (QoS). Récemment, le mappage QoS à QoE a reçu beaucoup de attention. Pour
cela, des méthodes basées sur la machine d'apprentissage offre des pistes prometteuses
pour l'inférence QoE basée sur les métriques QoS au niveau du réseau.

Les principaux travaux des auteurs de cet article, ont été portés sur les points suivants :

 Examiner les fonctionnalités de QoS cryptées dérivées de véritables

traces de réseau 5G pour estimer les indicateurs de QoE :

 Évaluer la QoE dans une fenêtre temporelle de 500 ms avec bande

passante dans les scénarios 5G statiques et mobiles.

 Proposer un classifieur d'apprentissage automatique pour estimer la

QoE basée sur la distribution de la longueur des paquets en (10-90) %
par intervalle de 0,5 s.

4
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
La méthode d'extraction de caractéristiques proposée ne nécessite pas de détection de
fragments, ce qui réduit considérablement la complexité de l'approche de surveillance et
fournit de nouveaux moyens pour l'évaluation de la QoE des protocoles HAS. Nous montrons
que nos classificateurs ML atteignent une précision de prédiction QoE supérieure à 91 %.

4. Service-Less Video Multicast in 5G: Enablers and Challenges

La majeure partie du trafic Internet, environ 60 à 80 pour cent, est composé de contenu vidéo.
Cisco prédit que d'ici quelques années, le trafic de la vidéo mobile sera sept fois plus élevé
qu'aujourd'hui, et le trafic vidéo en direct représentera au moins 13 % du total Trafic Internet.
Pour traiter équitablement la bande passante et les exigences de qualité d'expérience (QoE),
les réseaux 5G émergents ont besoin d'une nouvelle architecture conçue pour répondre aux
demandes de l'utilisateur et de l'opérateur de réseau mobile- (MNO).

Dans cet article [4], pour apporter des solutions aux nouvelles exigences aux réseaux 5G, les
auteurs ont porté leur recherche sur les points suivants :

 Identifier les déficiences de l'architecture multicast existante et proposer des options

crédibles pour la multidiffusion de vidéos en direct sans service.

 Proposer ensuite un réseau de haut niveau architecture de travail au niveau central de

l'opérateur mobile, qui exploite les fonctionnalités d'eMBMS pour initier un service
livraison vidéo multidiffusion sans vice.

Les résultats montrent des améliorations considérables de la QoE des utilisateurs, des
économies de coûts dans la récupération des données du CDN, et efficacité spectrale sur le
transit, liaisons de backhaul et d'accès radio.

5. Dynamic Microservice Allocation for Virtual Reality Distribution with QoE

support

Le contenu de réalité virtuelle (VR) gagne en popularité et permet aux utilisateurs de

s'immerger dans un nouveau monde sur Internet. Cependant, la forte demande de ressources
et les faibles exigences de latence des services de réalité virtuelle nécessitent des
changements dans les réseaux 5G actuels pour fournir une réalité virtuelle avec une
assurance qualité. Les microservices présentent un modèle approprié pour déployer des
services à différents niveaux d'une architecture de fog computing 5G pour gérer le trafic et
fournir des garanties de qualité d'expérience (QoE) aux clients VR.

Les principaux apports des auteurs cet article [5], peuvent être résumés comme suit :

5
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
  Proposer un mécanisme pour allouer le microservice VR dans une structure de calcul
de brouillard pour distribuer du contenu VR tout en répondre aux exigences QoE de
l'utilisateur final.

 Introduire un Modèle de programmation linéaire (ILP) pour évaluer le mécanisme et les

autres mécanismes de pointe.

Les résultats obtenus avec service de référence pour évaluer dans les différents scénarii à
l'aide d'un environnement de simulation. Les résultats démontrent l'efficacité du mécanisme
par rapport aux mécanismes existants en termes de coût, de temps de migration, d'indice
d'équité et de QoE.

6. Virtual Drive-Tests: A Case for Predicting QoE in Adaptive Video Streaming

Avec l'évolution des réseaux cellulaires, il y a également eu une augmentation de la

complexité structurelle et de l'hétérogénéité des services, nécessitant une surveillance
constante des systèmes de communication. Ce paysage ne fera que se complexifier avec
l'évolution de la 5G, et la promesse de la 6G à l'horizon. Plus important encore, les nouveaux
systèmes nécessiteront des systèmes intelligents et outils de dépannage automatisés, qui
est au centre de ce travail.

Dans cet article [6], les auteurs avons développé une prédiction QoE autonome et une
architecture de détection d'anomalies qui complète les tests de conduite effectués par les
opérateurs de réseau avec des virtuels.

En utilisant l’architecture proposée dans cet article, les opérateurs pourront pour prédire la
QoE à différents endroits géographiques et à n'importe quel point dans le temps en utilisant
des KPI facilement accessibles dans les statistiques de base de données du réseau. Dans
les différents résultats, Les auteurs avons montré que le score F1 maximum moyen de la
méthode est de 77%, vérifiant l'efficacité des modèles des auteurs. L’architecture est flexible
et autonome, on peut donc l'appliquer avec d'autres applications utilisateur tant que des
traces basées sur l'utilisateur sont disponibles.

7. Personalized quality of experience (QOE) management using data driven

architecture in 5G wireless networks

Avec la croissance rapide de l'utilisation des réseaux mobiles et le streaming vidéo étant le
service le plus populaire, la qualité d'expérience de la vidéo dans les réseaux mobiles est
d'une extrême importance à la fois pour les fournisseurs de services et leurs clients. La

6
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
capacité de prédire efficacement la qualité d'expérience de la vidéo est essentielle pour
l'adaptation de la QoE et des niveaux plus élevés de satisfaction client.

Gérer la qualité d'expérience personnalisée (QOE) à l'aide d'une architecture pilotée par les
données dans les réseaux sans fil 5G qui consomment moins de ressources. Dans cet article
[8], les auteurs ont utilisé des algorithmes d'apprentissage automatique pour créer des
modèles qui prédisent la QoE avec les paramètres de QoS du réseau, y compris les
paramètres spécifiques au sans fil et à la 5G. La méthodologie de recherche utilisée dans le
document est la recherche scientifique de conception pour le réseau 5G basé sur la gestion
de la QoE.

8. Human-Behavior and QoE-Aware Dynamic Channel Allocation for 5G Networks:

A Latent Contextual Bandit Learning Approach

Avec l'avancée rapide des technologies sans fil intelligentes, une pléthore de données
comportementales humaines sont générées dans les réseaux 5G, qui seraient capables
d'améliorer les performances du réseau en tirant parti de l'allocation intelligente des
ressources des canaux grâce à l'analyse des méga données. Cependant, quelles informations
peuvent être extraites pour la gestion de la mobilité du réseau, comment exploiter les
connaissances pour l'allocation des ressources et pour répondre à la qualité d'expérience
(QoE) centrée sur l'utilisateur ne sont pas bien comprises et pleinement explorées.

Raison pour laquelle dans cet article [9], les auteurs ont proposé un algorithme
d'apprentissage en ligne pour l'allocation dynamique des canaux basé sur la théorie
contextuelle du bandit multi-armé (CMAB). En particulier, ils divisent les données
comportementales humaines stochastiques en deux catégories : l'emplacement de l'utilisateur
et le contexte axé sur la QoE.

Ils ont mené des expériences sur un ensemble de données réelles collectées auprès de China
Mobile, qui indiquent que leurs algorithmes surpassent énormément les approches existantes
et fonctionnent extrêmement bien dans les réseaux à grande échelle et à haute mobilité.

9. A State Based Resource Allocation Game for Distributed Optimization in 5G

Small-cell Networks
La 5G à venir prône une utilisation efficace du spectre existant grâce à la densification
cellulaire à l'aide de petites cellules. Cependant, le regroupement dense de petites cellules
sur une zone donnée subit de graves interférences intercellulaires et une concurrence féroce
pour les ressources partagées.

7
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
Dans cet article [10], les auteurs ont abordé le sujet de l'allocation des ressources dans les
réseaux à petites cellules 5G sujets aux interférences. Ils ont formulé un jeu potentiel basé
sur l'état pour les problèmes de partage de ressources afin de satisfaire et de maximiser la
qualité d'expérience (QoE) des utilisateurs. Le jeu conçu utilise l'échange de connaissances
entre les joueurs via un graphique de communication pour résoudre le problème
d'optimisation. En utilisant la structure invariante et variable dans le temps du graphe de
communication dans le jeu proposé. De plus, ils ont proposé un schéma décentralisé pour
l'optimisation conjointe de l'attribution du spectre, de la sélection de la puissance et de la
planification des utilisateurs.

Grâce à des simulations approfondies, ils ont montré que leur algorithme surpasse les
schémas existants en termes de QoE, de complexité de calcul et de taux de convergence
pour des allocations de ressources stables. De plus, il est robuste aux pannes de liaison
sans fil et aux transitions d'état dans le graphe de communication. En outre, sous des
informations d'état de canal imparfaites, il subit relativement moins de dégradation des
performances par rapport aux schémas existants.

10. Adaptive Multi-Access Algorithm for Multi-Service Edge Users in 5G

Ultra-Dense Heterogeneous Networks
Dans le système de réseau hétérogène sans fil ultra-dense 5G, il est crucial de mettre en
œuvre une stratégie de sélection de réseau efficace pour satisfaire les demandes des
utilisateurs de périphérie massifs et des nouveaux services 5G.

Dans cet article [11] , les auteurs ont modélisé le problème de sélection de réseau des
utilisateurs de périphérie demandant différents services sous la forme d'un graphe bipartite,
et proposé un algorithme de sélection de réseau basé sur la correspondance de graphe
bipartite pondérée pour les réseaux hétérogènes ultra-denses 5G, nommé BGMNS.
L'algorithme proposé combine le processus de hiérarchie analytique (AHP) et l'analyse de
la relation grise (GRA) pour analyser les préférences de plusieurs services pour différents
attributs de réseau et obtenir la qualité d'expérience (QoE) des différents utilisateurs de
périphérie pour chaque réseau. De plus, afin de réaliser l'allocation équitable des ressources
du réseau, ils ont considéré de manière exhaustive l'importance des services demandés et
la QoE obtenue par les utilisateurs de périphérie pour construire l'indice d'équité du système.

Les résultats de la simulation montrent que par rapport aux algorithmes de sélection de
réseau existants, l'algorithme BGMNS proposé peut non seulement fournir un accès stable
aux utilisateurs lorsque l'état du réseau fluctue de manière aléatoire, mais également réduire
efficacement la probabilité de blocage de l'utilisateur ainsi que le taux de perte de paquets
total, et améliorer considérablement la moyenne des utilisateurs.

8
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
 11. QoESoft: QoE Management Architecture for Softwarized 5G Networks

Pour la softwarisation du réseau 5G, la mise en réseau définie par logiciel (SDN) et la
virtualisation des fonctions réseau (NFV) sont devenues des technologies clés pour
permettre une gestion efficace du réseau. La virtualisation du réseau 5G permettra à
plusieurs fournisseurs de services de partager une seule infrastructure physique offrant une
abstraction entre l'utilisateur et les ressources physiques. À mesure que nous évoluons vers
des réseaux 5G logiciels, les problèmes d'évolutivité, les performances du réseau en ce qui
concerne la qualité de service (QoS) et la qualité d'expérience (QoE) et la gestion des
ressources sensible à la QoE restent des sujets moins étudiés.

Dans cet article [12], les auteurs ont adopté la logique de contrôle SDN pour effectuer une
approche de gestion des ressources autonome sensible à la QoE dans les réseaux 5G
virtualisés. Ils ont proposé QoESoft, une stratégie de logiciel de réseau pour les services de
streaming multimédia qui effectue une gestion dynamique des ressources de liaison et de
commutation dans les systèmes 5G logiciels. Avec QoESoft, ils visent à améliorer la QoE
des utilisateurs pour les services multimédias grâce à une surveillance et une adaptation
efficaces de la charge moyenne des liens substrats et des commutateurs et des coûts de
ressources des liens virtuels mappés dans les réseaux 5G.

Les résultats préliminaires indiquent que QoESoft atteigne de meilleures performances que
l'approche de référence comparée en termes d'utilisation des ressources de liaison et de
commutation de 78 % et 70 % respectivement. Une métrique de rapport de qualité de
réception vidéo et une inspection visuelle sur la vidéo de sortie ont toutes deux confirmé des
améliorations significatives de la qualité d'expérience vidéo.

12. User mobility and Quality-of-Experience aware placement of Virtual Network

Functions in 5G

Les fonctions de réseau virtuel (VNF) dans les serveurs cloud des systèmes de réseau de
cinquième génération (5G) sont responsables de l'exécution des codes déchargés des
utilisateurs mobiles. Le placement des VNF dans le cloud est très compliqué pour obtenir un
service d'exécution à temps pour de nombreuses raisons, notamment la mobilité des
utilisateurs et l'hétérogénéité des ressources, qui entraînent souvent des délocalisations de
VNF d'un centre de données à un autre. Minimiser le délai de service (c'est-à-dire maximiser
la qualité de l'expérience utilisateur) pour les applications utilisateur et le nombre de
relocalisations VNF sont les deux principaux objectifs de conception du problème de
placement VNF ; cependant, ils s'opposent.

9
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
Dans cet article [13], les auteurs ont formulé le problème ci-dessus comme une
programmation linéaire en nombres entiers multi-objectifs (MILP), qui s'est avérée être NP-
difficile. Le cadre d'optimisation proposé fait un compromis entre le nombre de
délocalisations de VNF et la qualité d'expérience de l'utilisateur. Ils ont développé ensuite
un algorithme méta-heuristique d'optimisation des colonies de fourmis (ACO) basé sur
l'intelligence artificielle pour obtenir un placement sous-optimal des VNF dans un temps
polynomial.

Les résultats de l'analyse des performances montrent que le système proposé surpasse
considérablement les travaux de pointe en termes de satisfaction des utilisateurs et de frais
généraux de relocalisation VNF.

13. Moving Toward 5G: Significance, Differences, and Impact on Quality of

Experience
Avec une croissance explosive du volume, de la vitesse et de la variété des données
disponibles sur Internet. Une telle «explosion de données» est principalement causée par les
appareils mobiles, les capteurs, les actionneurs et les réseaux sociaux. Malgré des avancées
technologiques importantes, la qualité d'expérience des utilisateurs est à peine atteinte. Les
demandes croissantes des utilisateurs en matière de stockage élevé, de calcul rapide et de
traitement ont conduit à l'innovation de la technologie 5G.

Dans cet article [14], les auteurs ont mené une étude pour mettre en évidence l'importance de
la 5G (par rapport aux normes existantes) et son effet sur les attributs de qualité d'expérience
perçue par l'utilisateur. Ils ont construit une taxonomie complète des attributs de la qualité de
l'expérience, discutée de leur importance et de la manière dont ils conduisent finalement à une
bonne qualité de service. De plus, une petite expérience est menée pour démontrer l'effet de
la 5G sur certains attributs de qualité d'expérience.

Les résultats ont révélé un impact positif de la 5G sur certains attributs de qualité
d'expérience expérimentés.

14. Quantifying the Value of 5G and Edge Cloud on QoE for AR/VR

Les promesses de la réalité augmentée et virtuelle n'ont pas encore été tenues, elle reste
inhibée par une expérience utilisateur moyenne. Les limites du traitement local
(casque/combiné), les facteurs de forme et les limitations d'affichage/optique ont empêché la
technologie d'atteindre son plein potentiel. 5G et le traitement basé sur le cloud offrent le
potentiel d'améliorer les performances, le confort/l'ergonomie, la mobilité et les barrières QoE.

10
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
Dans cet article [15], la recherche des auteurs démontre une méthodologie pour évaluer les
performances QoE AR/VR sur les réseaux mobiles et comment la 5G et le traitement basé sur
le cloud créent une meilleure expérience utilisateur, accélérant la croissance de ce marché
naissant. Des modèles de QoE sont proposés pour AR/VR qui définissent les indicateurs clés
de qualité (KQI) pour chaque application AR/VR et nous corrélons les performances des KQI
aux KPI du réseau.

L'étude démontre à quel point les KPI LTE typiques sont insuffisants pour fournir une QoE
immersive pour AR/VR. Enfin, ils ont quantifié l'augmentation de la QoE avec la 5G et le cloud
de périphérie en fonction des améliorations attendues des performances des KPI. Les
modèles de QOE AR/VR proposés sont évalués dans le contexte de l'amélioration des
performances du réseau avec le déploiement de la 5G et du Cloud Edge.

11
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G
Références bibliographiques

[1] MUHARRRNAD Slid Mushtaq, SCOTT Fowler, BRICE Augustin, ABDELHAMID Mellouk, QoE
in 5G Cloud Networks using Multimedia Services, 2016, IEEE Wireless Communication and
Networking Conference (WCNC' 16), P1-7.

[2] SHUIJIE Wangl, Yu Sul, QIANQIAN Chengl , YUHE Qiu, An Exploration-driven Reinforcement
Learning Model for Video Streaming Scheduling in 5G-Powered Drone, 2019, IOP Publishing, P1-10.

[3] RAZA Ul Mustafa, DAVID Moura, CHRISTIAN Esteve Rothenberg , A Machine Learning
Approach to Estimate Video QoE of Encrypted DASH Traffic in 5G Networks, 2021, IEEE Statistical
Signal Processing Workshop, P1-4.
[4] KAMRAN Zahoor, KASHIF Bilal, AIMAN Erbad, AMR Mohamed, Service-Less Video
Multicast in 5G: Enablers and Challenges, 2020, IEEE Network, P1-7.
[5] DERIAN Alencar, CRISTIANO Both, RODOLFO Antunes, HELDER Oliveira, EDUARDO
Cerqueira, DENIS Rosário, Dynamic Microservice Allocation for Virtual Reality Distribution
with QoE support, 2021 , IEEE Transactions on Network and Service Management, P1-12.
[6] HAKAN Gokcesu, OZGUR Ercetin, GOKHAN Kalem, SALIH Ergut, Virtual Drive-Tests: A
Case for Predicting QoE in Adaptive Video Streaming, 2021 , IEEE Transactions on Network and
Service Management, P1-13.
[8] EL-EZZI, ZAHRAA Qasim, AL-DULAIMI, AYMEN Mohammed Ibrahim, ABDULLAHI Abdu,
Personalized quality of experience (QOE) management using data driven architecture in 5G
wireless networks, 2020, IIEEE Transactions on Network and Service Management, P1-10.
[9] ELPAN Zhou, JIE Xu, WEI Wang, CHANGKUN Jiang, KEHAO Wang, JIA Hu, Human-
Behavior and QoE-Aware Dynamic Channel Allocation for 5G Networks: A Latent
Contextual Bandit Learning Approach, 2020, IEEE Transactions on Cognitive
Communications and Networking , P436-451.
[10] EKHUSHBOO Mawatwal, RAJARSHI Roy, DEBARATI Se, A State Based Resource
Allocation Game for Distributed Optimization in 5G Small-cell Networks, 2020, IEEE
Transactions on Vehicular Technology, P1-1.
[11] ANQI Zhu, MINGFANG Ma, SONGTAO Guo, SHUI Yu, LIN Yi, Adaptive Multi-Access
Algorithm for Multi-Service Edge Users in 5G Ultra-Dense Heterogeneous Networks, 2021,
IEEE , P2807-2821.
[12] ALCARDO Alex B., MADHUSANKA Liyanage, ANDREW Hinesi, QoESoft: QoE
Management Architecture for Softwarized 5G Networks, 2021, IEEE International Conference on
Communications Workshops (ICC Workshops), P1-6.
[13] PALASH Roy, AANIKA Tahsin, SUJAN Sarker, TAMAL Adhikarya, MD. Abdur R. ,
MOHAMMAD Mehedi H. , User mobility and Quality-of-Experience aware placement of
Virtual Network Functions in 5G, 2019 , Computer Communications , P1-25.
[14] SAIF U. R. Malik, Moving Toward 5G: Significance, Differences, and Impact on Quality
of Experience, 2020, IEEE Consumer Electronics Magazine, P1-9.
[15] BILL Krogfoss, JOSE Duran, PABLO Perez, JAN Bouwen, Quantifying the Value of 5G and
Edge Cloud on QoE for AR/VR, 2020, IEEE.

12
ETAT D’ART QUALITE D’EXPERIENCE DANS LES RESEAUX 5G