Académique Documents
Professionnel Documents
Culture Documents
------------ ------------
------------ ------------
Présenté par
Matricule 17T31096
Promotion : 2020-2022
Année académique : 2021-2022
1
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
SOMMAIRE
DEDICACE ............................................................................................................................................. ii
REMERCIEMENTS .............................................................................................................................. iii
LISTE DES SIGLES .............................................................................................................................. iv
LISTE DES FIGURES ............................................................................................................................ x
LISTE DES TABLEAUX ..................................................................................................................... xii
RESUME .............................................................................................................................................. xiii
ABSTRACT ......................................................................................................................................... xiv
INTRODUCTION GENERALE ............................................................................................................. 1
CHAPITRE I : CADRE GENERAL DU MEMOIRE ............................................................................ 4
I.1. Présentation du cadre de travail ........................................................................................................ 5
I.2. Les architectures des réseaux d’accès cellulaires .............................................................................. 8
I.3. Présentation de la 4G et de la technologie LTE ............................................................................. 10
I.4. Le machine learning ........................................................................................................................ 24
I.5. Etude de l’existant ........................................................................................................................... 32
I.6. Problématique ................................................................................................................................. 33
I.7. Objectifs .......................................................................................................................................... 34
I.8. Résultats attendus ............................................................................................................................ 35
I.9. Etat de l’art ...................................................................................................................................... 35
I.10. Contribution du mémoire .............................................................................................................. 38
CHAPITRE II : METHODOLOGIE ..................................................................................................... 40
II.1. Conception du modèle ................................................................................................................... 41
II.2. Collecte et préparation des données............................................................................................... 43
II.3. Construction et entrainement du modèle ....................................................................................... 59
II.4. Test et validation du modèle. ......................................................................................................... 61
II.5. Inférence du modèle. ..................................................................................................................... 61
II.6. Description de l’application ........................................................................................................... 62
II.7. Langages, Logiciels et bibliothèques utilisés ................................................................................ 64
CHAPITRE III : RESULTATS ET EVALUATION ............................................................................ 68
III.1. Rappel des résultats attendus ........................................................................................................ 69
III.2. Evaluation du modèle ................................................................................................................... 69
III.3. Validation du modèle ................................................................................................................... 74
III.4. Discussion .................................................................................................................................... 76
III.5. Déploiement et test ....................................................................................................................... 76
CONCLUSION GENERALE ............................................................................................................... 81
ANNEXES ............................................................................................................................................ xv
REFERENCES .................................................................................................................................... xvii
TABLE DES MATIERES.................................................................................................................... xxi
i
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
DEDICACE
ii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
REMERCIEMENTS
Parvenu au terme de ma formation en cycle Master, c’est l’occasion pour moi d’exprimer
ma profonde gratitude et mes sincères remerciements aux personnes suivantes :
✓ M. Felix WATCHING, Directeur de l’Ecole Nationale Supérieure des postes, des
Télécommunications et des TIC pour sa rigueur dans la formation de ses étudiants ;
✓ Tout le personnel enseignant et administratif de l’Ecole Nationale Supérieure des Postes, des
Télécommunications, des Technologies de l’Information et de la Communication, pour la
formation de qualité qu’il nous a permis d’acquérir ;
✓ Mme Judith YAH SUNDAY ACHIDI, Directeur Général de la Cameroun
Télécommunications (CAMTEL), grâce à son autorisation nous avons pu faire ce stage ;
✓ Mon encadreur de stage M. Bruno GNEMAKE, Chef Centre CRARY qui a pris la peine
de déployer une équipe pour nous entretenir sur le terrain et les travaux effectués dans le
centre ;
✓ Dr. Ing. Eric DEUSSOM, mon encadreur académique pour ses orientations lors de la
rédaction de ce travail, sa disponibilité et les ressources mises à ma disposition ;
✓ M. Arsène FOUBA, mon encadreur professionnel pour sa disponibilité, l’orientation et les
conseils permanents ;
✓ Aux membres du jury en leurs rangs et grades respectifs pour avoir accepté de procéder à
l’évaluation de ce travail.
Je profite également de cette occasion pour remercier sincèrement tous ces êtres qui me
sont chers à l’instar de :
✓ Mes parents, qui me soutiennent à chaque nouvelle épreuve car sans eux je ne serais pas
arrivé jusqu’ici ;
✓ Mes frères et sœurs Axell NJERE II, Ashley NJERE, Arsène YAP, Robert MESSANA,
Armand BELINGA, Junior ABO, Mathilde MENDOUA, Nadia ESSO pour le soutien
incommensurable qu’ils m’ont apportés tout au long de mon parcours académique ;
✓ Mes camarades Olivier DOBA, Ulrich TEDONGMO, Benjamin GABNO, Julien
PELLE, Ivan TSATCHOUA, Franck TAPONFACK, Delasteyrie BIET et Gautier
ABELA pour leurs contributions afin que ce mémoire puisse aboutir à son terme ;
✓ A tous ceux, de près ou loin m’ont toujours encouragé, assisté et soutenu durant ces années
de formation.
iii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
ABREVIATIONS SIGNIFICATIONS
AI Artificial Intelligence
BE Best Effort
CN Core Network
iv
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
CP Cyclic Prefix
GA Genetic Algorithm
v
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
IP Internet Protocol
ML Machine Learning
vi
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
NE Network Element
PF Proportional Fair
vii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
RB Resource Block
RR Round Robin
viii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
UE User Equipement
ix
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
x
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xi
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
RESUME
Les réseaux mobiles et sans fil ont connu un essor sans précédent au cours de ces
dernières années. Il s'agit du déploiement de plusieurs générations successives de réseaux de
télécommunications, tout d’abord essentiellement dédiés à la téléphonie (2ème Génération,
GSM), puis plus orientés vers le multimédia (3ème Génération, UMTS), ensuite la génération
des réseaux mobiles suivante dite de quatrième génération (4G) apporte un véritable tournant
dans le foisonnement et la disparité des solutions existantes. De ce fait, le nombre d’utilisateurs
des services de ce réseau ne cesse de croitre d’années en années, ce qui en fait aujourd’hui le
réseau de télécommunications sans fil prédominant dans le monde. Cet accroissement a pour
conséquence l’augmentation de la demande en ressources pour l’admission des abonnés dans
les cellules par les eNodeB en vue de leur permettre de pouvoir trafiquer à tout moment avec
une meilleure qualité de service. Or ces dernières étant rares et limitées, il se pose le problème
de leur sous-utilisation (utilisation non optimale des ressources au niveau des eNodeB) due à
l’allocation statique (configuration manuelle des ressources). Notre projet a donc pour objectif
de concevoir un modèle efficace de machine learning qui va prendre en entrée les données de
trafic des eNodeB à chaque heure et prédire avec précision le nombre de ressources qu’on va
allouer dynamiquement à ces derniers afin d’éviter les pertes de trafic chez l’opérateur
CAMTEL. Nous avons pour cela étudié trois algorithmes d’apprentissage automatique
(Régression linéaire, les réseaux de neurones convolutifs et les LSTM) pour pouvoir former
trois modèles puis à l’aide des performances obtenues avec chacun d’eux après les avoir
évalués, le modèle entrainé avec l’algorithme LSTM a donné les meilleures performances et a
donc été implémenté dans notre solution. Ce travail débute avec une étude des notions liées à
notre domaine d’étude notamment les réseaux de télécommunications de quatrième génération
et les techniques d’apprentissage automatique. Ensuite, une présentation de la méthodologie de
travail sera faite pour dérouler le processus mis en place pour atteindre notre objectif, pour
terminer avec un exposé des résultats de nos différents travaux notamment les résultats de
l’exécution des modèles d’apprentissage automatique et d’allocation des ressources et
l’application développée qui implémente le modèle retenu.
xiii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
ABSTRACT
Mobile and wireless networks have experienced an unprecedented boom in recent years.
Several successive generations of telecommunication networks have been deployed, first
essentially dedicated to telephony (2nd generation, GSM), then more oriented towards
multimedia (3rd generation, UMTS), and then the next generation of mobile networks, known
as fourth generation (4G), brings a real turning point in the proliferation and disparity of existing
solutions. As a result, the number of users of the network's services has grown steadily over the
years, making it the world's leading wireless telecommunications network. This growth has
resulted in an increased demand for resources for the admission of subscribers into cells by
eNodeBs to enable them to operate at any time with a better quality of service. However, as
these resources are scarce and limited, there is the problem of their under-utilisation (non-
optimal use of resources at the eNodeB level) due to static allocation (manual configuration of
resources). The objective of our project is therefore to design an efficient machine learning
model that will take as input the traffic data of the eNodeBs at each hour and accurately predict
the number of resources that will be dynamically allocated to the eNodeBs in order to avoid
traffic losses at CAMTEL. We studied three machine learning algorithms (linear regression,
convolutional neural networks and LSTM) in order to train three models and then, using the
performance obtained with each of them after evaluating them, the model trained with the
LSTM algorithm gave the best performance and was therefore implemented in our solution.
This work starts with a study of the notions related to our field of study, in particular fourth
generation telecommunications networks and machine learning techniques. Then, a
presentation of the work methodology will be made to unfold the process set up to reach our
objective, to finish with a presentation of the results of our various works, in particular the
results of the execution of the machine learning and resource allocation models and the
developed application which implements the selected model.
xiv
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
INTRODUCTION GENERALE
Depuis l'apparition de la téléphonie mobile, les générations des réseaux n'ont cessé
d'évoluer pour proposer une qualité de service toujours plus satisfaisante. La technologie
radio utilisée vise à partager un spectre hertzien en plusieurs fréquences entre de multiples
usagers, eux-mêmes répartis dans différentes cellules radio en fonction de leur situation
spatiale. Ainsi, pour communiquer depuis un téléphone portable, il faut se trouver à portée
d'une antenne-relais investie par son opérateur mobile de sorte à réceptionner un signal radio
suffisamment puissant. Au fil des années, la demande mondiale de services de données mobiles
a connu une croissance phénoménale, générant ainsi une lourde charge de signalisation dans les
réseaux. Cela consomme une quantité disproportionnée des ressources réseau, compromettant
le débit et l'efficacité du réseau et, dans des cas extrêmes, provoquant le crash des réseaux
cellulaires 3G ou 4G. Pour résoudre le problème de l'explosion du trafic de données mobiles,
de nombreuses idées sont proposées, y compris l'approche par petites cellules, la
communication D2D, etc.[1] Cependant, nous notons que de tels efforts se concentrent
principalement sur la façon de gérer les ressources radio. Plusieurs générations de réseaux se
sont succédées, avec à chaque fois une amélioration des performances dans le but de satisfaire
les exigences des utilisateurs.
On peut également noter que, la 4e génération, malgré la présence d’une génération de
réseau (5G) avec une technologie plus avancée et plus performante en termes de débit, reste la
technologie dominante dans la majorité des pays du monde de nos jours. En effet, la technologie
LTE domine toujours les télécommunications mobiles mondiales avec 806 opérateurs avec des
réseaux d’accès sans fil fixes à large bande ou mobiles lancés commercialement (GSA : NTS
Database December 2020). Il y avait 5,95 milliards d’abonnements LTE à l’échelle mondiale à
la fin du troisième trimestre de 2020 (source : Omdia, décembre 2020). La technologie LTE
représente environ 62,1 % des abonnements mobiles sur le plan international et cette
technologie restera prédominante pour plusieurs années encore.[2]
Les figures ci-dessous illustrent certains des propos susmentionnés :
1
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
2
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
● Chapitre I : Cadre général du mémoire, qui présentera les généralités sur les
réseaux mobiles et le machine learning puis énoncera le problème traité et les
résultats attendus ;
● Chapitre II : la méthodologie qui consistera à donner la démarche utilisée pour
résoudre le problème énoncé ;
● Chapitre III : Résultats et commentaires, consistera à présenter les résultats que
nous avons obtenus.
Nous clôturerons ce travail par une conclusion générale.
3
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
CHAPITRE I : CADRE
GENERAL DU MEMOIRE
4
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Introduction
Ce chapitre est consacré à la présentation des éléments indispensables à la
compréhension et à la réalisation de ce mémoire. Nous allons tout d’abord présenter le cadre de
travail en rapport avec notre étude, puis la revue de littérature sur les réseaux de quatrième
génération et la technologie de machine learning, ensuite nous ferons un état de l’art des travaux
existants et pour terminer nous allons présenter la problématique et les objectifs de notre étude.
I.1.3. Organisation
5
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Il s’agit de :
• La représentation Régionale de l’Adamaoua (RPA) avec pour siège Ngaoundéré ;
• La représentation Régionale de l’Est (RPE) avec pour siège Bertoua ;
• La représentation Régionale de l’Extrême Nord (RPEN) avec pour siège Maroua ;
• La représentation Régionale du Nord (RPN) avec pour siège Garoua ;
• La représentation Régionale de l’Ouest (RPO) avec pour siège Bafoussam ;
• La représentation Régionale du Nord-Ouest (RPNO) avec pour siège Bamenda ;
• La représentation Régionale du Sud (RPS) avec pour siège Ebolawa ;
• La représentation Régionale du Sud-ouest (RPSO) avec pour siège Buea.
6
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Placées sous l’autorité de M. Bruno GNEMAKE, chef du centre des réseaux d’accès
radio 2G/3G/4G (CRARY), nos différentes activités peuvent se résumer suivant
l’organigramme ci-dessous :
7
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
GERAN signifie GSM-EDGE Radio Access Network, c’est le nom de la partie radio
des réseaux de 2e génération que sont le GSM, le GPRS et l’EDGE. Il se compose
essentiellement d’un ou de plusieurs sous-systèmes radio formés des BTS (Base Transceiver
Station) reliées à un contrôleur central ou BSC (Base Station Controller) et formant le BSS
(Base Station Subsytem).[8]
UTRAN qui signifie Universal Terrestrial Radio Access Network, est la partie accès
des réseaux UMTS, WCDMA, HSDPA, HSUPA et HSPA de 3e génération. Différents types
de trafic peuvent être transportés en mode circuit (voix) ou en mode paquet (données) en
utilisant le protocole IP. Fondamentalement, il se compose d’un NodeB équivalent à la BTS et
d’un RNC (Radio Network Controller) équivalent à la BSC. Ce dernier peut contrôler environ
100 nœuds de transmission radio. La fonction principale du réseau UTRAN illustrée à la Figure
7 est le transfert des données générées par les utilisateurs mobiles à travers les interfaces radio
Uu (entre le terminal mobile et le nodeB) et Iub (entre le nodeB et le RNC). Ces deux unités
sont reliées l'une à l'autre et forment le RNS (Radio Network Subsystem).[9]
8
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
E-UTRAN qui désigne evolved UTRAN, est le réseau d’accès radio 4G. Contrairement
aux réseaux d’accès 2G et 3G, il est composé d’une seule entité, l’eNodeB. Il transporte
différents types de trafic en mode paquet en utilisant exclusivement le protocole IP. On a deux
types d’interfaces normalisées entre les entités du réseau eUTRAN : l’interface S1 qui est
utilisée pour la connexion entre l’eNodeB et le réseau cœur et l’interface X2 qui relie les
eNodeB entre eux et qui permet ainsi d’assurer les fonctionnalités de contrôle
traditionnellement implémentées dans le RNC dans le réseau UMTS ou la BSC dans le réseau
GSM. Grâce à la simplification du réseau et à l’utilisation des liaisons optiques vers le cœur du
réseau, l’eUTRAN a permis d'améliorer considérablement les performances du réseau en
termes de débit et latence.[10]
9
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le tableau ci-dessous va résumer les différents aspects des technologies des réseaux d’accès
radio :
Débit 9.6 à 384 Kbps 384 Kbps à 42 Mbps Jusqu’à 300 Mbps
<5ms (plan
utilisateur)
10
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
éléments importants pour prendre en charge cette technologie), la LTE implique la modification
du cœur de réseau et de l'émetteur radio. Il est également nécessaire de développer des appareils
mobiles adaptés à cette technologie. Elle fut standardisée dans la release 8. En réalité, cette
norme est considérée comme la 3.9G, la véritable 4G étant la LTE-Advanced standardisée dans
la release 9 et 10.
I.3.1. Objectifs de la 4G
L’architecture d’un réseau mobile inclut trois entités fonctionnelles que sont :
✓ Le terminal mobile, appelé aussi équipement utilisateur, abrégé en UE (user
equipment) ;
✓ Le réseau d’accès ou RAN (radio access network) ;
✓ Le réseau cœur ou CN (core network).
Le réseau LTE est constitué de milliers de cellules radio qui utilisent les mêmes fréquences
hertziennes. La figure ci-dessous représente l’architecture du réseau 4G :
11
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La partie radio du réseau 4G, appelée « eUTRAN (Evolved Universal Terrestrial Radio
Access Network) », est simplifiée comparée à celles des réseaux 2G ou 3G. Elle se compose
donc des eNodeB ayant pour fonction principale d’acheminer les flux de données de l’UE vers
l’EPC (Evolved PacketCore Network) au moyen des fonctions comme le RRM (Radio
Ressource Management) et le CAC (Call Admission Control), d’antennes locales ou distantes,
de liaisons en fibres optiques vers les antennes distantes et des liaisons IP reliant les eNodeB
entre eux (liens X2) et avec le cœur de réseau (liens S1 ). Cette partie est responsable du
management des ressources radio, la compression, la sécurité, et la connectivité vers le réseau
cœur évolué [13]. La figure 10 détaille l’architecture de la partie radio de l’architecture d’un
réseau LTE :
12
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le core network (CN) ou cœur de réseau appelé « EPC (Evolved Packet Core) » utilise
des technologies « full IP », c'est-à-dire basées sur les protocoles Internet pour la signalisation,
le transport de la voix et des données. Ce cœur de réseau permet l’interconnexion via
des routeurs avec les eNodeB distants, les réseaux des autres opérateurs mobiles, les réseaux de
téléphonie fixe et le réseau Internet [15].
● Serving Gateway (SGW) est défini pour gérer les ”données utilisateur” et il
est impliqué dans le routage et la transmission de paquets de données (trafic de
données) entre les eNodeB et le réseau cœur. L´échange des paquets est
acheminé par le SGW au PDN-GW via l’interface S5. Le SGW est connecté à
l’eUTRAN via l’interface S1- U qui sert de relai entre l’utilisateur et l’EPC ;
13
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
● Home Suscriber Service (HSS) est une base de données similaire au HLR en
GSM / qui contient les informations de souscription pour les abonnés GSM,
GPRS, 3G et LTE ;
14
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Tout comme en UMTS, la pile protocolaire en LTE est représentée dans deux plans
distincts : le plan usager et le plan de contrôle, ces piles correspondent aux deux premières
couches du modèle OSI (la couche physique et la couche liaison de données).
La couche L1 (Physique)
La couche 1, aussi appelée Layer 1 (L1) ou couche PHY a comme rôle d’assurer la
transmission des données sous une forme capable de se propager dans l’air et de résister aux
différentes perturbations inhérentes au canal radio mobile et offre un service de transport sur
l’interface air à la couche MAC. Les fonctions réalisées par la couche physique sont :
➢ Codage de canal : Protège les bits d’information contre les erreurs de transmission ;
➢ Détection de cellule : Afin de s’y connecter dans le cas de l’allumage de l’UE ou pour
effectuer un Handover ;
15
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La couche RRC
La couche RRC est utilisée sur l’interface radio des technologies 3G et 4G et a pour but
d’échanger les informations entre l’UE et l’eNodeB afin d’établir une connexion entre eux
(configurer et de contrôler l’interface radio) et est connectée aux quatre autres couches (L1 :
PHY et L2 : MAC, RLC, PDCP) via des points d’accès de contrôle et qui a pour objectif et
assure essentiellement les fonctions suivantes :
Le débit
Chaque nouvelle technologie de réseaux mobiles augmente les débits et suscite
une attente de débits supérieurs. Au-delà des limitations capacitaires, le débit fourni à
un utilisateur dépend de ses conditions radio, liées en particulier à sa position dans la
cellule, des techniques de transmission employées et de la ressource spectrale
disponible. Les objectifs de débit maximal définis pour le LTE sont les suivants :
16
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La latence
La latence du système se traduit concrètement par sa capacité à réagir rapidement à des
demandes d’utilisateurs ou de services. Une latence forte limite l’interactivité du système et
s’avère pénalisante pour l’usage de certains services de données. Elle se décline en latence du
plan de contrôle et latence du plan usager : .
● Latence du plan de contrôle : L’objectif fixé pour la LTE est d’améliorer la latence
du plan de contrôle par rapport à l’UMTS, via un temps de transition inférieur à 100
ms (millisecondes) entre un état de veille de l’UE (User Equipment) et un état actif
autorisant l’établissement du plan usager.
● Latence du plan usager : La latence du plan usager est définie par le temps de
transmission d’un paquet entre la couche IP de l’UE et la couche IP d’un nœud du
réseau d’accès ou inversement. En d’autres termes, la latence du plan usager
correspond au délai de transmission d’un paquet IP au sein du réseau d’accès. Le
LTE vise une latence du plan usager inférieure à 5 ms dans des conditions de faible
charge du réseau et pour des paquets IP de petite taille.
Le multiplexage
Il existe deux modes de multiplexage de fréquences. Les spécifications LTE
prévoient le fonctionnement en mode dual : multiplexage de fréquences (FDD) et
multiplexage temporel (TDD). En mode FDD (Frequency Division Duplexing), l’émission
et la réception se font à des fréquences différentes. En mode TDD (Time Division
Duplexing), l’émission et la réception transitent sur une même fréquence, mais à des
instants différents. C’est le FDD qui est actuellement mis en œuvre dans les équipements
de télécommunications et déployé dans la plupart des premiers réseaux 4G. Le deuxième
mode (TDD) fonctionne sur des bandes de fréquences distinctes qui feront l’objet
d’attributions ultérieures.
La capacité
Le terme capacité est attribué à n'importe quelle cellule d'un réseau cellulaire et fait
référence au trafic maximal (nombre d’appels simultanés ou transmissions de données par
17
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
plusieurs utilisateurs en simultanée) que la cellule peut transporter pendant une période
donnée dans des conditions de charge élevée. Sur la LTE, on s'attend à ce qu’au moins 200
utilisateurs simultanés par cellule soient pris en charge en état actif avec une bande passante
de 5 MHz et qu’au moins 400 utilisateurs simultanés soient pris en charge par cellule à l’état
actif pour une bande passante supérieure à 5 MHz.
La mobilité
Le LTE vise à rester fonctionnel de façon optimale pour des UE se déplaçant à des
vitesses trop élevées (jusqu’à 350 km/h et même 500 km/h) et même à des vitesses trop
faibles (de 0 km/h à 15 km/h). En LTE, il est attendu que :
• Les services temps-réel comme le service voix, soient au moins en même niveau de
qualité que ceux offerts par les systèmes UMTS ;
• L’effet du Handover intra-système entre deux cellules LTE sur la qualité vocale
doit être moindre qu’en GSM, ou équivalent ;
• Des mécanismes optimisant les délais et minimisant la perte de paquets lors d’un
Handover intra-système soient intégrés ;
• Une coexistence avec les autres technologies 3GPP à savoir GSM/GPRS et UMTS,
doit être maintenue lors d’un Handover inter-système (le temps d’interruption de
service doit rester inférieur à 300 ms pour les services temps-réel et inférieur à 500
ms pour les autres services).
Allocation des fréquences
Chaque pays gère l’exploitation du spectre électromagnétique à l’aide d’une licence ;
un certain nombre de licences sont attribuées par pays, les opérateurs intéressés par une certaine
gamme de fréquence doivent acheter à l’état un droit d’exploitation pour pouvoir utiliser ces
fréquences. En général, les bandes de fréquence utilisées en 4G sont :
18
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
est saillant : ils pourront développer plus rapidement la couverture du territoire. Comme
désavantage, elle fait mauvais ménage avec la TNT (Télévision Numérique Terrestre) dont les
fréquences 790 MHz sont très proches. La fréquence des 800 MHz est parfaitement adaptée
aux zones rurales.
● La bande 2600 MHz : idéale pour les villes et les zones urbaines
La fréquence 2600 MHz présente des caractéristiques opposées au 800 MHz. Elle couvre une
surface réduite et traverse moins facilement les murs. Ses caractéristiques font qu’elle est plus
adaptée pour une utilisation en ville où elle est plus à même d’encaisser une utilisation intensive
du réseau. Mais pour parvenir à encaisser le choc, il faut avoir une largeur de bande importante.
C’est pour cela que tous les opérateurs ont pris plus de blocs de fréquences en 2600 MHz qu’en
800 MHz. Et de cela peut découler de meilleures performances si les cellules ne sont pas
saturées.
La modulation
La modulation utilisée dans le LTE est une modulation adaptative qui varie en fonction de la
distance qui sépare l’abonné de l’eNodeB. Chaque sous-porteuse est modulée à l'aide de
différents niveaux de modulation : QPSK (Quadrature Phase Shift Keying) (4QAM), 16-QAM
et 64-QAM (Quadrature Amplitude Modulation).
19
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Par exemple, si les modulations disponibles sont le QPSK et le 16-QAM, dans le cas où
le canal est marqué comme bon, on utilisera la modulation 16-QAM, qui offre un meilleur débit
mais une plus faible robustesse. Par contre, si le canal est marqué comme dégradé, on utilisera
la modulation QPSK, permettant un débit plus faible, mais plus robuste (moins sensible aux
interférences). La modulation d’amplitude en quadrature (QAM) permet de doubler l’efficacité
de la modulation d’impulsion en amplitude en modulant les amplitudes des composants sinus
et cosinus de la porteuse.
Techniques d’accès
La modulation en LTE est basée essentiellement sur l’utilisation de la technologie OFDM
et des technologies d'accès associés, OFDMA/SC-FDMA.
20
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
21
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Les RBs sont alloués par paire consécutive. Une paire de RB dure à cet effet 1ms. Le
motif formé toutes les ms par une paire de RB s’appelle une sous-trame. Les données à
transmettre sont découpées en bloc de transport, qui seront transmis chacun sur une seule sous-
trame. La taille de ces blocs dépend du nombre de RB qui ont été alloués sur la sous-trame pour
cette transmission. Elle dépend également de la modulation, ou plus exactement du schéma de
modulation et de codage noté MCS (modulation and coding scheme). La sous-trame constitue
un TTI (transmission time interval), c’est-à-dire l’intervalle de temps de transmission
élémentaire pouvant être alloué à un UE. L’assemblage de dix sous-trames constitue une trame
radio.
Le spectre en LTE est flexible. Cette flexibilité est due à la modulation OFDM.
Le nombre total de PRBs par largeur de bande du canal dépend de la largeur de cette
dernière et le tableau ci-dessous résume ces données :
1.4 6
3.0 15
22
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
5.0 30
10 50
15 75
20 100
La plupart des réseaux sans fil sont utilisés dans des milieux ouverts provoquant ainsi
la réflexion du signal sur de nombreux obstacles (immeubles, montagne ...). L'ensemble de ces
réflexions provoque une multiplication des canaux de transmission qu'on appelle également
diversité spatiale. Cette diversité spatiale entraîne des interférences et donc des dégradations au
niveau du signal, et, une baisse de la portée de celui-ci. La technologie MIMO permet de régler
ce problème.
23
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
● Retard (Delay) : est le temps que prend un paquet pour voyager d'un bout à l'autre. Le
délai minimum est toujours préféré ;
● Taux de perte de paquets : Vitesse à laquelle un paquet est perdu. Cela devrait
également être aussi minimal que possible ;
● Taux d'erreur de paquet : Ce sont les erreurs qui sont présentes dans un paquet en
raison de bits corrompus. Cela devrait être aussi minimal que possible;
● Fiabilité : La disponibilité d'une connexion.
Lorsqu’on parle de qualité de service, il faut directement penser aux indicateurs de celle-
ci. Un indicateur est alors une valeur basée sur un ou plusieurs compteurs et qui est représentatif
des performances du réseau. Les indicateurs de qualité de service ont pour objectifs de :
● A partir de l’analyse des indicateurs identifier les défauts dans les éléments du sous-
système cœur et d'établir les actions correctives pour gérer la qualité de service ;
● Détecter et identifier les problèmes d’une cellule et aider les équipes d'optimisation à
analyser la situation et à définir les actions correctives (changement de fréquence,
ajustement d'un paramètre, ajout de carte de service. . .) ;
● Suivre des changements du sous-système cœur ;
● Prévoir le comportement du réseau selon l'évolution du trafic.
Ainsi, chaque type de réseau possède ses indicateurs clés de performance (Key
Performance Indicator). Ces indicateurs permettent d’évaluer la QoS des réseaux mobiles. Les
indicateurs clés de performance correspondent aux mesures donnant une information sur les
performances du réseau ou d'un processus. Les KPIs évaluent essentiellement le maintien de
l'appel, le volume de trafic, la qualité du service sur l'ensemble du réseau. Les KPIs permettent,
ainsi, de détecter les cellules en faute, les heures de pointe.
24
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
meilleures décisions dans l'avenir en fonction des exemples que nous fournissons. L'objectif
premier est de permettre aux ordinateurs d'apprendre automatiquement sans intervention ou
assistance humaine et d'ajuster les actions en conséquence. [21]
L'apprentissage automatique comporte généralement deux phases :
Les algorithmes d’apprentissage reposent sur des modèles qui peuvent être de nature
différente. Chaque algorithme d’apprentissage a ses propres spécificités et est plus ou moins
efficace selon la nature des tâches qu’il doit accomplir. Au-delà des types de modèles utilisés,
Il existe divers modes d’apprentissage en fonction des données dont on dispose pour entrainer
l’intelligence artificielle et de la réponse souhaitée ainsi que des usages envisagés, notamment
:
• L’apprentissage supervisé :
Les algorithmes d’apprentissage supervisé peuvent appliquer ce qui a été appris dans le passé à
de nouvelles données en utilisant des exemples étiquetés pour prédire les événements futurs. A
partir de l'analyse d'un ensemble de données connu, l'algorithme d'apprentissage produit une
fonction inférée pour faire des prédictions sur les valeurs de sortie. Le système est en mesure
25
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
de fournir des cibles pour toute nouvelle entrée après un entrainement suffisant. L'algorithme
d'apprentissage peut également comparer sa sortie avec la sortie correcte prévue et trouver des
erreurs afin de modifier le modèle en conséquence. On peut par exemple, créer une application
d'apprentissage automatique capable de faire la distinction entre plusieurs millions d'animaux,
en se basant sur des images et des descriptions écrites.[23]
En revanche, les algorithmes d’apprentissage automatique non supervisés sont utilisés lorsque
les informations ayant servi pour l’entraînement ne sont ni classées ni étiquetées.
L’apprentissage non supervisé étudie comment les systèmes peuvent déduire une fonction pour
décrire une structure cachée à partir de données non étiquetées. Le système ne trouve pas la
bonne sortie, mais il explore les données et peut tirer des inférences à partir d’ensembles de
données pour décrire des structures cachées à partir de données non étiquetées. Par exemple, à
partir d’images de visages de différentes personnes, l’algorithme construira un modèle
permettant de classer les visages dans différents groupes selon des critères qu’il aura lui-même
établi.
26
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
27
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Les algorithmes prédictifs sont des modèles mathématiques conçus pour anticiper les
résultats futurs les plus sûrs en tenant compte des résultats survenus. Ils permettent d’obtenir
des scores prédictifs traduisant la probabilité de répondre favorablement à une requête. Pour
parvenir à nos fins, nous allons faire usage des modèles prédictifs.
Pour effectuer une prédiction, l’algorithme combine :
• Un modèle mathématique ;
28
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
• Une grande quantité de données qui permet au modèle d’apprendre du passé pour faire
des prédictions sur le futur.
Les prédictions se font sous forme de scores prédictifs traduisant soit une quantité attendue
soit une probabilité de survenance. Le calcul de ces scores se fait en tenant compte des
différents types de données.
• La vente et le marketing :
Les algorithmes prédictifs sont également utiles dans un contexte de détection des fraudes.
L’utilisation de ces algorithmes rendant possible l’analyse de volumes de données importants
permet de mieux détecter des fraudes que ce soit sur des données historiques ou bien en temps
réel.[26]
• La classification
29
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
l’appartenance à une catégorie est connue. Par exemple, attribuer un courrier électronique
donné à la classe "spam" ou "non-spam" et attribuer un diagnostic à un patient donné en fonction
des caractéristiques observées du patient (sexe, pression artérielle, présence ou non de certains
symptômes, etc.). La classification est considérée comme un exemple d’apprentissage supervisé
et de reconnaissance de formes, c’est-à-dire un apprentissage dans lequel un ensemble de
formations d’observations correctement identifiées est disponible. La procédure non supervisée
correspondante est connue sous le nom de clustering. Elle consiste à regrouper des données en
catégories en fonction d’une mesure de la similarité inhérente ou de la distance. Nous avons par
exemple les algorithmes SVM, naives bayes, KNN, etc.
• La régression
L’analyse de régression est largement utilisée pour la prévision, pour comprendre quelles
variables indépendantes sont liées à la variable dépendante et pour explorer les formes de ces
relations. Dans des circonstances restreintes, une analyse de régression peut être utilisée pour
déduire des relations de cause à effet entre les variables indépendantes et dépendantes. On
distingue entre autres des algorithmes tels que : SVR, arbres de décision, la régression linéaire,
les réseaux de neurones artificiels (ANN), etc.
• Le clustering ou regroupement
30
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
31
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le choix d’un algorithme pour l’entrainement d’un modèle prédictif ne se fait pas au
hasard. Tout dépend d’abord de la nature des données dont nous avons à disposition et de
l’objectif visé. Une analyse exploratoire est donc effectuée avant la création de tout modèle
pour décider quel algorithme utiliser. De plus, choisir un seul algorithme que ce soit en
apprentissage supervisé ou non supervisé peut produire des résultats imprécis car n’ayant pas
testé d’autres algorithmes qui pourraient être plus efficaces pour l’entrainement du modèle.
Pour avoir des résultats plus précis, nous allons utiliser 3 (trois) algorithmes de machine
learning d’apprentissage supervisé à l’instar de la régression linéaire, les réseaux de neurones
récurrents (LSTM) et les réseaux de neurones convolutifs. Pour l’implémentation de notre
solution, nous allons choisir le modèle le plus performant parmi ceux qui seront entrainés. Nous
nous attendons donc à un modèle efficace car se basant sur les données réelles extraites
directement du fonctionnement du réseau de l’opérateur CAMTEL.
32
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le client CAMTEL peut donc exploiter ces ressources via la plateforme U2020 MBB
qui est la plateforme utilisée pour la supervision des réseaux 2G, 3G et 4G de CAMTEL. Elle
décrit l’architecture, la gestion des fonctions et les éléments réseaux supportés. Elle permet de
centraliser les opérations du centre d’exploitation et de maintenance et fournit un accès aux
éléments du réseau à travers le LMT (Local Maintenance Technical). La figure suivante
présente cette façon de faire :
Figure 22: Serveur U2020 MBB pour les opérations d’exploitation et de maintenance
I.6. Problématique
L’apprentissage automatique est un concept assez large et son implémentation complète
exige de comprendre bon nombre d’outils et de relever ses nombreux défis techniques. Cette
33
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
pratique est au centre de résolution de nombreux problèmes. L’objet de cette rubrique est donc
d’identifier le problème central ayant abouti à ce travail et la question qui en découle.
• Problème
L’opérateur CAMTEL pour avoir une vue globale du fonctionnement de son réseau utilise la
plateforme U2020, qui assure la supervision et la gestion centralisée de son réseau et permet
notamment d’effectuer des taches configuration sur les équipements pour le fonctionnement de
l’ensemble du réseau. Une des tâches effectuées l’allocation des ressources (RRC) aux eNodeB
du réseau. Les RRC étant donc sous licence de HUAWEI, l’opérateur CAMTEL se retrouve
buté par la licence où un nombre limité de licences est donné par HUAWEI sachant qu’il faut
les allouer à l’ensemble des eNodeB du réseau. On se retrouve donc à faire une allocation
statique c’est-à-dire que l’ingénieur alloue un nombre de ressources fixe à chaque eNodeB et il
devra fonctionner tel quelle. Avec l’allocation statique, un eNodeB peut être surchargé
(épuisement de ressources) à un niveau moins qu’un autre (20% contre 90% par exemple) ; une
entité a donc des ressources qu’elle n’utilise pas (sous-utilisation des ressources). Avec
l’augmentation de la charge dans les cellules, il s’en suit des saturations et on a des problèmes
au niveau de certains eNodeB. Premièrement l’accès aux ressources de communication est
restreint à certaines périodes car il n’y a plus de ressources disponibles pour satisfaire les
nouvelles demandes, deuxièmement le trafic est perdu ce qui traduit des pertes financières pour
l’opérateur, ce qui aurait pu être évité si on avait utilisé l’apprentissage pour voir le
comportement que le système peut avoir de telle sorte qu’un algorithme d’allocation basé sur
le temps, peut décider qu’à chaque heure fait une allocation.
• Question de recherche
Des problèmes susmentionnés, nous pouvons nous poser la question de savoir :
<<comment optimiser l’utilisation des ressources disponibles dans le réseau de
l’opérateur ?>> autrement dit, comment utiliser les avantages de l’intelligence artificielle pour
prédire exactement le nombre de ressources à allouer dynamiquement à un eNodeB ?
I.7. Objectifs
Pour répondre à la question soulevée précédemment, nous avons pour objectif principal
de mettre en place un modèle efficace de machine learning qui va prendre en entrée les données
de trafic des eNodeB et va prédire avec précision le nombre de RRC à allouer à chacun d’eux
à chaque heure pour assurer une allocation dynamique des ressources.
Objectifs spécifiques
34
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
35
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
globale optimale et SLAA ne génère que des solutions locales optimales. Le GA CLRA
surpasse le SLAA CLRA en termes de capacité du système, de débit total du trafic BE et de
retard moyen du trafic pour les services vidéo VBR et VoIP.
➢ Downlink MIMO with frequency-domain packet scheduling for 3GPP LTE (S.
Lee, S. Choudhury, A. Khoshnevis, S. Xu, S. Lu, 2009)
Le problème de la programmation des paquets dans le domaine fréquentiel a été analysé en [30]
où le système inclut le multiplexage par division spatiale (SDM) avec des techniques MIMO.
On propose ici deux méthodes avec des rétroactions full et half-channel (toutes deux avec SDM-
PF). La méthode avec rétroaction partielle de canal a des performances comparables à la
méthode de rétroaction complète de canal en termes de débit du système, mais la surcharge de
signalisation est réduite de 50%.
36
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
37
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
➢ Les auteurs dans Habaebi et al. ont présenté une comparaison de trois algorithmes
d'ordonnancement à savoir : RR, best CQI et PF schedulers. Les performances des
algorithmes d'ordonnancement sur la liaison descendante ont été mesurées en termes de
débit et de taux d'erreur sur les blocs (BER) à l'aide d'un simulateur de niveau système
basé sur MATLAB. Les résultats ont indiqué que l’algorithme Best CQI fonctionnait
mieux que les autres en termes de niveaux de débit, mais au détriment de l'équité envers
les autres utilisateurs souffrant de mauvaises conditions de canal.
➢ Dans Capozzi et al. (2013), les auteurs ont fourni une étude approfondie des stratégies
d'allocation de paquets de liaison descendante pour les réseaux LTE. La tâche de gestion
des ressources radio (RRM) a été effectuée par le planificateur de paquets, qui distribue
les ressources radio entre les utilisateurs de manière efficace en tenant compte des
conditions de canal variables. Le document a comparé les algorithmes de planification
avec un accent particulier sur la fourniture de QoS.
38
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
assurer les demandes d’accès aux ressources de communication par les utilisateurs dans les
cellules, en vue également de réduire les de pertes de trafic observées.
Conclusion
Dans ce chapitre, nous avons présenté, le contexte technologique dans lequel s’inscrit
ce mémoire, les différentes technologies des réseaux d’accès radio, le réseau 4G et la
technologie LTE et le machine learning. Nous avons également présenté le problème à résoudre
à travers ce thème, les résultats attendus qui se résument en la mise en place d’un modèle de
machine learning pour l’allocation dynamique des ressources en LTE et enfin l’état de l’art des
travaux existants. Dans le chapitre suivant, il sera question pour nous de présenter la
méthodologie de travail qui sera adoptée pour la mise en place de notre solution.
39
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
CHAPITRE II :
METHODOLOGIE
40
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Introduction
Pour la modélisation de notre solution, nous avons subdivisé le travail en 3 grandes étapes à
savoir :
• Prétraitement : Cette étape a pour but de pouvoir convertir les données brutes
recueillies du réseau en format exploitable par nos algorithmes ;
41
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
• Entrainement et évaluation : cette étape va consister à former notre modèle pour qu’il
s’adapte aux données d’entrée et également évaluer ses performances ;
• La prédiction : Après avoir entrainé notre modèle, nous allons l’utiliser pour prédire
les valeurs des ressources qu’il va falloir allouer à chaque eNodeB.
42
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La figure ci-dessous montre comment les données générées sont récupérées pour être
exploitées :
43
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Il s’agit ici de comprendre, d’analyser et de retenir les données qui seront utilisées pour
la construction de notre modèle de prédiction basé sur les algorithmes de régression linéaire, de
réseaux de neurones convolutifs (CNN) et de LSTM. La technologie appliquée derrière tout
projet d’apprentissage automatique ne peut pas fonctionner correctement si l'ensemble de
données n'est pas bien préparé et prétraité.
‘Time’ ‘L.Traffic.ActiveUser.Avg’
‘Integrity’ ‘L.Traffic.User.Avg’
44
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
(kpbs)’
‘Inter-frequency Handover Out
(kpbs)’
‘Intra-frequency Handover Out
‘#4G/LTE Average Reported CQI (%)’ ‘Radio Network Availability Rate (%)’
Le deuxième fichier quant à lui contient les données des Physical Resource Block
(PRBs) toujours du mois de juillet 2022 qui, quant à eux traduisent l’utilisation du trafic voix
dans la 4G. Le tableau ci-dessous présente les différents champs présents.
‘Time’
‘eNodeB Name’
45
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
‘Integrity’
‘L.ChMeas.PRB.UL.Used.Avg’
‘L.ChMeas.PRB.DL.Used.Avg’
Élément Description
Ave 4G/LTE DL User Thrput (ALL) Moyenne de debit obtenu par tous les
Ave 4G/LTE UL User Thrput (ALL) Moyenne de debit obtenu par tous les
46
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Cell Traffic Volume DL (Gbit) Volume de trafic généré par une cellule en
Gigabits en downlink
Cell Traffic Volume DL (Gbit) Volume de trafic généré par une cellule en
Gigabits en Uplink
RRC Setup Success Rate (%) Taux d’établissement avec succès des
RRC (KPI) d’accessibilité au réseau
Élément Signification
47
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
• Supprimer les valeurs manquantes dans certaines colonnes : nous avons supprimé les
lignes avec les valeurs NaN dans notre dataset avec la fonction dropna comme le
montre la figure suivante :
48
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le deuxième fichier n’avait pas de valeur NaN, donc pas d’opération à ce niveau. Nous
obtenons suite à ce traitement un jeu de données de 38 colonnes et 83411 lignes.
• Sélectionner ensuite les colonnes mettant en évidence l’utilisation des ressources par les
abonnés et la consommation des données par ces derniers. Pour cela, nous avons
supprimé toutes les colonnes qui ne nous seront pas utiles pour l’entrainement de notre
modèle à l’aide de la fonction python drop, disponible avec la bibliothèque pandas :
À l’issu de ce traitement, nous avons obtenu un jeu de données de dix (10) colonnes.
49
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Pour le deuxième fichier, nous avons supprimé trois colonnes et gardé les deux colonnes
utiles pour l’entrainement de notre modèle :
Figure 33: fonction drop pour la suppression des colonnes indésirables du fichier 2
• Nous avons retenu un total de 12 colonnes dans les deux fichiers que nous avions. Le
tableau ci-dessous présente les features que nous avons retenus pour l’entrainement de
notre modèle :
Time
ENodeB Name
L.Traffic.User.Max
50
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
PS Traffic
L.ChMeas.PRB.DL.Used.Avg
L.ChMeas.PRB.UL.Used.Avg
• Pour terminer, nous avons fusionné les deux jeux de données pour obtenir nos 12
features ainsi qu’il suit :
Nous obtenons un fichier exploitable de 12 colonnes et 75706 lignes pour entrainer notre
modèle.
51
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La modélisation linéaire par le modèle le plus élémentaire est la régression linéaire où une
variable X est expliquée, modélisée par une fonction affine d’une autre variable y. La finalité
d’un tel modèle est multiple et dépend donc du contexte et surtout des questions sous-jacentes.
Cela peut-être juste une approche exploratoire ou alors la recherche d’une réponse à une
question du type : une variable quantitative X (par exemple la concentration d’une molécule)
a-t-elle une influence sur la variable quantitative Y (par exemple une culture bactérie ?) Ou
enfin la recherche d’un modèle de prévision de Y en fonction de X. On distingue la régression
linéaire simple, dans laquelle une seule variable indépendante/prédictive (X) est utilisée pour
modéliser la variable de réponse (Y) ; mais il peut y avoir divers cas dans lesquels la variable
de réponse est affectée par plus d'une variable prédictive ; dans de tels cas, l'algorithme de
régression linéaire multiple est utilisé. De plus, la régression linéaire multiple est une extension
de la régression linéaire simple car il faut plus d'une variable prédictive pour prédire la variable
de réponse.[41]
• Notation vectorielle : elle est pratique lorsqu’il y’a un grand nombre de variables
explicatives. On définit 𝛽 le vecteur des paramètres du modèle (𝛽0 , … , 𝛽𝐾 ) et 𝑥𝑖 le
vecteur des variables explicatives pour l’individu 𝑖. Le modèle se réécrit alors de la
manière suivante :
𝑦𝑖 = 𝑥𝑖′ 𝛽⃗ + 𝜖𝑖 (2)
52
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
La méthode de régression linéaire consiste à représenter une série sous forme d’une droite.
Elle est basée sur le principe de nuage de points plus ou moins rectiligne. Ainsi, trouver la droite
d’équation qui minimise les distances qui séparent les points revient à déterminer deux
paramètres principaux qui caractérisent cette droite. Ces paramètres sont la pente et l’ordonnée
à l’origine de la droite. Ainsi, on peut l’exprimer par l’équation de la droite suivante :
𝑌 = 𝑎𝑋 + 𝑏 (3)
𝐶𝑜𝑣(𝑋,𝑌)
• Avec pente de la droite : 𝑎 = (4)
𝑉𝑎𝑟(𝑋)
∑𝑛 𝑋𝑖 .𝑌𝑖
• 𝐶𝑜𝑣(𝑋, 𝑌) = 𝑖=1
− 𝑋. 𝑌 (5)
𝑛
∑𝑛 𝑋𝑖2
• 𝑉𝑎𝑟(𝑋) = 𝑖=1
− 𝑋2 (6)
𝑛
53
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
par la suite s'est rapprochée des méthodes statistiques. C’est aussi un ensemble de neurones
formels interconnectés permettant la résolution de problèmes complexes tels que la
reconnaissance des formes ou le traitement du langage naturel, grâce à l'ajustement des
coefficients de pondération dans une phase d'apprentissage [42].
● Unité de la couche d’entrée : La première couche est appelée couche d'entrée. Elle
recevra les données source que l'on veut utiliser pour l'analyse. Dans le cas de l'aide au
diagnostic médical, cette couche recevra les symptômes. Sa taille est donc directement
déterminée par le nombre de variables d'entrées.
● Unité de la couche cachée : La seconde couche est une couche cachée, en ce sens
qu'elle n'a qu'une utilité intrinsèque pour le réseau de neurones et n'a pas de contact
direct avec l'extérieur. Les fonctions d'activations sont en général non linéaires sur cette
couche mais il n'y a pas de règle à respecter. Le choix de sa taille n'est pas implicite et
54
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
doit être ajusté. En général, on peut commencer par une taille moyenne des couches
d'entrée et de sortie mais ce n'est pas toujours le meilleur choix. Il sera souvent
préférable pour obtenir de bons résultats, d'essayer le plus de tailles possibles.
L'activation de chaque neurone se fait selon le calcul suivant :
𝑎𝑗 = ∑𝑝𝑖=1 (𝑊𝑗𝑖 𝑥𝑖 ) (8)
Avec p désignant le nombre de neurones de la couche précédente, xi étant l’ensemble
formé à l’entrée, et wji étant le poids et enfin aj étant la valeur de sortie.
● Unité de la couche de sortie : La troisième couche est appelée couche de sortie. Elle
donne le résultat obtenu après compilation par le réseau des données en entrée dans la
première couche. Dans le cas de l'aide au diagnostic médical, cette couche donne le
diagnostic. Sa taille est directement déterminée par le nombre de variables qu'on veut
en sortie [42].
55
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Soit X1, X2, …, Xn les n neurones de la couche d’entrée, Z1, …, Zm les m neurones de
la couche cachée et Y1, ..., Yp les p neurones de la couche de sortie. Soit 1 la valeur de biais
des couches d’entrée et caché. Et soit Wij et Vij les poids synaptiques, respectivement entre la
couche d’entrée et la couche cachée, et entre la couche cachée et celle de sortie.
Chacun des neurones Xn de la couche d’entrée (ainsi que le biais) entre dans chacun des m
neurones de la couche cachée et pareil pour la couche suivante (voir schéma ci-dessus). Pour
obtenir une valeur de sortie d’un neurone, le processus est le suivant :
● Chaque neurone est associé à un poids synaptique. Lorsqu’une donnée d’entrée entre
dans un neurone, le poids sur le neurone est multiplié par sa valeur d’entrée ;
● Ainsi on calcule la somme des poids multipliés par les valeurs d’entrée à laquelle on
ajoute le biais ;
● Enfin, une fonction d’activation (voir ci-dessous) est appliquée à cette somme pondérée.
Cette valeur de sortie d’un neurone peut ensuite être renvoyée aux neurones de la couche
suivante.
Comme son nom l’indique, la fonction d’activation est une formule mathématique
(algorithme) activée dans certaines circonstances. Lorsque les neurones calculent la somme
pondérée des valeurs d’entrée + le biais, elles sont transmises à la fonction d’activation, qui
vérifie si la valeur calculée est supérieure au seuil requis.
Si la valeur calculée est supérieure au seuil requis, la fonction d’activation est activée et une
valeur de sortie est calculée.
Cette valeur de sortie est ensuite transmise aux couches suivantes ou précédentes (en
fonction de la complexité du réseau), ce qui peut aider les réseaux de neurones à modifier le
poids de leurs neurones.
56
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Pour la construction de notre modèle, nous avons utilisé la fonction d’activation Relu à
cause des avantages qu’elle offre par rapport aux autres fonctions.
57
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
❖ Dans la variante la plus simple, celle du réseau de neurones dit feed-forward, les
informations passent directement de l’entrée aux nœuds de traitement puis aux
sorties ;
❖ Les réseaux de neurones récurrents, quant à eux, sauvegardent les résultats produits
par les nœuds de traitement et nourrissent le modèle à l’aide de ces résultats. Ce mode
d’apprentissage est un peu plus complexe. En raison de la capacité de modélisation
séquentielle et temporelle, le réseau neuronal récurrent (RNN) a été appliqué avec
succès à de nombreuses pratiques difficiles, telles que le traitement du langage
naturel, la prévision des trafic et prédiction de la densité des foules Cependant, le
RNN traditionnel souffre parfois de la question du gradient de disparition et
d'explosion car le RNN ne pouvant plus être entraîné correctement perd
inévitablement de ses performances .Pour régler efficacement ces paramètres dès les
premières couches , il faudrait beaucoup de temps et de ressources informatiques
coûteuses. C’est dans cette optique que s’inscrit une variante de RNN, appelée modèle
LSTM (Long short-term memory), a été conçue, qui utilise les cellules de mémoire
avec différentes portes pour conserver les informations utiles pour les dépendances à
long terme.[46]
❖ Enfin, les réseaux de neurones convolutifs qui reposent sur des filtres de
convolution (matrices numériques). Les filtres sont appliqués aux entrées avant que
celles-ci ne soient transmises aux neurones. Ils sont de plus en plus utilisés dans
différents domaines : reconnaissance faciale, numérisation de texte, traitement naturel
du langage…
Pour obtenir des résultats suffisamment précis nous avons entrainé trois modèles basés sur
trois algorithmes différents dont la régression linéaire et les réseaux de neurones à savoir les
réseaux de neurones convolutifs et les longues mémoires à court-terme (LSTM).
58
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Pour juger de la fiabilité des résultats fournis par notre application, les critères
d’évaluation que nous aurons définis par la suite pourront nous dire lequel de ces modèles est
le plus adéquat pour cela.
Après avoir nettoyé les données, la prochaine étape consiste à diviser notre jeu de
données en 3 groupes :
• 70% du jeu de données pour l’entrainement du modèle ;
• 20% pour la validation du modèle ;
• Et 10% pour le tester et le valider s’il est performant.
59
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
60
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Ici nous cherchons à savoir si le user number (LTE Traffic User Max) qui est relatif
au nombre de RRC que nous cherchons à prédire dépend des paramètres tels que : le volume
de trafic, le volume de trafic par cellule, le nombre de PRBs, le volume de données
consommées en downlink, le trafic de données paquets.
On constate que notre variable cible (user number) dépend fortement du volume
trafic en downlink, du volume de trafic total, du trafic de données paquets et du volume de
trafic par cellule. On peut donc confirmer que dès lors qu’on aura un modèle précis, les
résultats de prédiction seront également bien réels car notre cible dépend fortement des
données de trafic
61
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
intégré localement qui pourrait être appelé dans notre application web qui récupère les
informations sur le trafic en temps réel.
Les résultats de toutes ces étapes sont présentés dans le chapitre suivant.
Une application Web désigne une application qui s’exécute sur un PC, un smartphone ou
sur une tablette au moyen d’un navigateur web. Le choix d’une application web comme solution
vient du fait qu’elle peut être accessible à tout personnel à distance et ne nécessite pas d’être
installée sur une machine pour une utilisation particulière.
La spécification des besoins est la première étape du cycle de vie de développement logiciel
durant laquelle on identifie les besoins de l’application qu’on souhaite mettre en place. Nous
avons entre autres les besoins fonctionnels qui sont les fonctionnalités attendues de notre
application et les besoins non fonctionnels qui sont les exigences qui ne concernent pas
spécifiquement le comportement du système mais plutôt identifient des contraintes internes et
externes du système. La spécification des besoins consiste également à identifier les différents
acteurs interagissant avec le système et à préciser leurs rôles respectifs.
II.6.3. Acteurs
Un acteur est une entité qui communique et interagit avec le système. Il peut être une
personne, un autre système ou une entreprise. Dans notre cas nous avons :
62
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
➢ L’administrateur : en plus d’effectuer toutes les tâches d’un utilisateur standard, il gère
les comptes utilisateurs (ajout, modification, suppression, affichage).
Ils représentent principalement les différentes exigences fonctionnelles des acteurs de notre
solution. Ces besoins fonctionnels peuvent être listés ci-dessous:
• S’authentifier : chaque utilisateur doit s’identifier avant d’accéder à la plateforme ;
• Visualiser les courbes consommation des données ;
• Lancer des prédictions ;
• Visualiser les résultats des prédictions ;
• Gérer les comptes utilisateurs ;
• Modifier les paramètres ;
• Se déconnecter.
Le diagramme de cas d’utilisation suivant illustre les différentes interactions entre les acteurs
et le système :
63
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
II.7.1. Langages
Python
Parmi tous les langages de programmation, Python est le
langage le plus flexible et dit de très haut niveau grâce à
sa panoplie de librairies. De plus, Python est le langage
le plus populaire dans le monde de l’intelligence
artificielle. Python est orienté objet et se veut relativement facile d’accès. Il est très utilisé au
sein de la communauté scientifique et particulièrement dans le domaine de l’intelligence
artificielle. Les principaux frameworks de machine learning et deep learning sont effectivement
disponibles en Python.
64
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
HTML
L’HyperText Markup Language, HTML, désigne
un type de langage informatique descriptif. Il s’agit plus
précisément d’un format de données utilisé dans l’univers
d’Internet pour la mise en forme des pages Web. Il permet, entre autres, d’écrire de l’hypertexte,
mais aussi d’introduire des ressources multimédias dans un contenu. Il nous a permis de gérer
la manière dont le contenu de nos pages Web va s’afficher sur un écran, via le navigateur.
CSS
Le CSS correspond à un langage informatique
permettant de mettre en forme des pages web (HTML ou
XML). Il nous a permis de mettre en forme nos pages web.
II.7.2. Logiciels
VS Code
VS Code est l'environnement utilisé pour
développer notre application de prédiction du nombre de
ressources RRC pour assurer une allocation dynamique
efficace.
StarUML
StarUML est un logiciel de modélisation UML
(Unified Modeling Language) open source qui peut
remplacer dans bien des situations des logiciels commerciaux et
coûteux comme (Rational Rose) ou (Together). Étant simple d’utilisation, nécessitant peu de
ressources système, supportant UML 2, ce logiciel constitue une excellente option pour une
familiarisation à la modélisation.
65
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Jupyter notebook
Jupyter Notebook est une application Web open source
qui est utilisée pour le nettoyage et la transformation des données,
la simulation numérique, les modélisations statistiques,
visualisation de données, apprentissage automatique et bien plus
encore.
II.7.3. Bibliothèques
Django
Django est un cadre de développement web open
source en Python. Il a pour but de rendre le développement
d'applications web simple et basé sur la réutilisation de code.
Nous l’avons utilisé pour écrire le code de notre application.
Pandas
Pandas est une bibliothèque écrite en Python, qui
facilite la manipulation et l’analyse des données. Elle
propose en particulier des structures de données et des
opérations de manipulations de tableaux numériques et de séries chronologiques (temporelles).
Numpy
Numpy est une extension de programmation Python,
destinée à manipuler les matrices ou tableaux
multidimensionnels ainsi que des fonctions mathématiques
opérant sur ces tableaux.
Matplotlib
Matplotlib est une librairies Python pour les
graphes 2D XE "2D" \t ": 2 Dimensions" et 3D XE "3D"
\t ": 3 Dimensions" . Facile à utiliser et contrôlant tous les
éléments d’une figure.
66
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
PostgreSQL
PostgreSQL est un système de gestion de base de
données relationnelle et objet. C'est un outil libre
disponible selon les termes d'une licence de type BSD. Ce
système est comparable à d'autres systèmes de gestion de base de données, qu'ils soient libres,
ou propriétaires.
Conclusion
Tout au long de ce chapitre, nous avons présenté la méthodologie utilisée pour
construire les modèles. De nombreux détails ont été donnés sur l'ensemble de données d'entrée
utilisé pour entrainer ces modèles et également les algorithmes utilisés pour leur construction.
En outre, nous avons présenté la méthode d'évaluation de nos trois modèles. Ainsi, le prochain
chapitre traitera des résultats obtenus et de leurs validations.
67
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
ET EVALUATION
68
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Introduction
L’objectif de ce chapitre est de présenter de manière globale les résultats de l’exécution
des trois modèles que nous avons proposés. Nous avons utilisé le même logiciel que pour
l’entrainement (Colab) pour tester notre modèle final. Nous comparons ainsi les résultats
obtenus de nos différents modèles. Ce chapitre va donc fournir l’évaluation des résultats
obtenus lors des tests ; cela comprend les calculs des mesures de performances.
● La courbe de pertes : c’est cette dernière qui quantifie l’écart entre les prédictions du
modèle et les observations réelles du jeu de données utilisé pendant l’apprentissage.
Ainsi, nous présentons les courbes de pertes obtenues avec chacun de nos trois modèles.
69
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Interprétation : Nous remarquons sur ces courbes que les pertes obtenues lors de la validation
(val_loss) qui nous informent sur la robustesse de notre modèle sont de 1.052 pour le modèle
linéaire, 0.72 pour le modèle entrainé avec le CNN et 0.018 pour le modèle LSTM. Le meilleur
résultat est donc obtenu avec les courtes mémoires à long-terme (LSTM) car la valeur du
val_loss tend plus vers 0, ce qui signifie qu'il y’a un bon apprentissage sur les données et donc
pourra bien effectuer des prédictions sur les données en entrées. Pour les modèles linéaire et
convolutif, il y’a un sous-apprentissage, ce qui signifie que les modèles générés s’adaptent mal
aux données d’entrainement et ne pourront non plus s’adapter aux données qu’ils ne connaissent
pas.
● Les courbes de test training : elles ont le même rôle que la courbe de perte mais elles
renseignent sur la précision (accuracy) du modèle.
70
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Figure 53: Courbe de test training sur le LTE Traffic User Max avec le modèle linéaire
Figure 54: Courbe de test training sur le LTE Traffic User Max avec le modèle CNN
71
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Figure 55: Courbe de test training sur le LTE Traffic User Max avec le modèle LSTM
Interprétation : lorsque nous visualisons ces courbes, nous nous rendons compte que seule la
courbe de test sur le user number (nombre d’utilisateurs simultanément connectés dans la
cellule) avec le modèle des courtes mémoires à long terme (LSTM) fournit la meilleure
précision car les points de prévisions se confondent plus aux points des valeurs réelles. On
remarque que les points de prédiction coïncident exactement avec les étiquettes, tout laisse à
croire que le modèle LSTM donnera des résultats plus précis par rapport aux autres.
● Le Mean Absolute Error (MAE) ou erreur moyenne absolue en français est une
mesure courante de l’erreur de prévision dans l’analyse des séries chronologiques. Le
MAE comme son nom l’indique est la moyenne des erreurs absolues. Elle correspond
à la différence absolue moyenne entre les valeurs ajustées par le modèle (prédiction
dans le modèle avec une étape d'avance) et les données historiques observées. Le
MAE nous indique l’ampleur moyenne que nous pouvons attendre de la prédiction. Il
s’exprime comme suit :
𝑛
1
𝑀𝐴𝐸 = ∑ |𝑥𝑛 − 𝑥 | (9)
𝑛
𝑖=1
Ci-dessous, nous comparons les valeurs des MAE obtenues avec chacun des modèles.
72
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Interprétation : en visualisant les trois graphes précédents qui traduisent l’erreur moyenne
absolue, nous nous rendons compte que le modèle LSTM est celui qui donne l’erreur minimale
avec une valeur de 0.0285 (97% de précision) obtenue lors de l’entrainement et 0.032 lors de
73
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
la validation du modèle. Cette performance est due au fait que nous ayons utilisé une énorme
quantité (75000) de données pour entrainer ce modèle, les autres modèles ne s’adaptant pas à
de très grandes quantités de données pour l’entrainement. Nous pouvons donc conclure avec
certitude que notre prédiction sera très précise si nous utilisons ce modèle.
La figure suivante résume les statistiques obtenues avec nos trois modèles :
Avec 97% de précision, le modèle formé avec l’algorithme LSTM l’emporte sur les autres
et est donc le plus performant. Ainsi, nous allons déployer dans notre application le modèle
LSTM.
74
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
75
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
III.4. Discussion
Au terme de l’évaluation des trois modèles proposés dans ce travail, et vu qu’il n y’a
presque pas de travaux effectués en termes d’allocation dynamique des ressources aux
eNodeB, nous avons décidé de discuter quant aux performances obtenues avec chacun des
modèles entrainés. Ainsi, nous avons obtenu respectivement avec les modèles linéaire,
convolutif et LSTM des précisions de 47%, 53% et 97%. Il faut également noter que ces
modèles ont été entrainés avec des données réelles issues du fonctionnement du réseau de
l’opérateur CAMTEL. Néanmoins, la différence sur les résultats obtenus a pu se faire au
niveau de la quantité de données (75000 lignes) utilisée pour l’entrainement, ce qui a permis
au modèle LSTM de l’emporter sur les autres.
76
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
➢ Le 1er bloc représente le serveur qui contient le modèle déjà entrainé qui se chargera de
recueillir les données des KPIs via l’API U2020 et de faire des prédictions à chaque
heure et faire l’allocation dynamique à chaque heure au cas où les données de trafic
changent ;
➢ Le 2e bloc c’est le U2020 qui contient les ressources RRC Connected que nous
souhaitons allouer aux eNodeB;
➢ Le 3e bloc représente les eNodeB qui vont recevoir les ressources à chaque heure pour
assurer les admissions des utilisateurs dans les cellules LTE de CAMTEL.
C’est une application web implémentant notre modèle avec les sous-modules suivants :
Interface de connexion
77
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Le tableau de bord
Le tableau de bord ici montre les différents paramètres de fonctionnement tels que le
nombre d’utilisateurs actuellement connectés dans la plateforme, le nombre d’eNodeB actifs,
et également le nombre total d’utilisateurs ayant accès à l’application.
78
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Ici, nous pouvons voir l’évolution des données de trafic générées au cours du temps pour
chaque eNodeB.
Ici, on voit l’évolution du trafic voix pour les sites de AHALA, Biyem-Assi et Nkomo ;
et également le nombre d’utilisateurs simultanément connectés sur chaque eNodeB.
Toutes ces informations aideraient l’opérateur à mieux prendre les décisions en ce qui
concerne l’optimisation de son réseau, aussi à voir le rendement de chaque eNodeB (en termes
de consommation de données et de ressources) et à pouvoir identifier les zones les plus
rentables.
L’interface de prédictions :
79
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
Pour faire une nouvelle prédiction, il suffit d’importer un fichier contenant tous les
champs de consommation de données et le champ à prédire à partir de l’application ; le modèle
entrainé va directement reconnaitre les champs et renvoyer les résultats des prédictions dès
qu’on clique sur le bouton prédire tels que visibles sur le tableau.
Conclusion
Tout au long de ce chapitre, nous avons mis en évidence les résultats des trois modèles
proposés. Ces résultats ont fait l’œuvre d’une comparaison et de discussion pour en ressortir
le modèle le plus performant parmi ces trois. De plus, nous avons présenté les différentes
interfaces de l’application ainsi que l’architecture de notre solution dans le cadre de
CAMTEL.
80
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
CONCLUSION GENERALE
Parvenus au terme de notre analyse où notre travail portait sur l’allocation dynamique
des ressources en LTE grâce au machine learning, il en ressort que pour résoudre le problème
de sous-utilisation des ressources dû à l’allocation statique des ressources au niveau des
eNodeB, nous nous sommes fixés l’objectif mettre en place un modèle efficace prenant en
entrée les données de trafic et qui est capable de prédire avec précision le nombre de RRC à
allouer à chaque eNodeB.
Ce travail a été divisé en trois chapitres. Dans le premier, nous avons présenté le cadre
de travail, la revue de littérature sur les réseaux de 4e génération et le machine learning, la
problématique, les résultats attendus et l’état de l’art des travaux existants. Nous avons parlé
dans le deuxième chapitre de la méthodologie employée pour résoudre les problèmes posés.
Le troisième chapitre enfin nous a permis de présenter les résultats obtenus à l’issue de la
modélisation.
Dans le but d’atteindre notre objectif, nous avons étudié tour à tour les algorithmes
d’apprentissage automatique pour l’allocation des ressources, implémenté en Python quelques
algorithmes de Machine Learning qui, en tenant compte d’un certain nombre de features
(volume de données consommées, le user number, nombre de PRBs, etc.) va nous permettre
de faire des prédictions, et par la suite d’assurer une allocation des ressources de façon
précise et enfin nous avons développé une application web pour la visualisation des différents
résultats.
Les résultats obtenus à l’issue du développement de notre modèle nous révèlent que le
modèle entrainé avec les courtes mémoires à long terme (LSTM) est le plus précis parmi les
trois que nous avons proposés, avec une précision de 97% contre 47% pour le modèle linéaire
et 53% pour le modèle convolutif. Ce dernier a donc été plus performant car s’est mieux
adapté à nos données et par conséquent a été déployé dans notre application RRC Prediction.
Pour la mise en pratique de nos recherches, nous avons utilisé le langage Python pour
concevoir notre modèle, Django pour les interactions dans notre application et le HTML, CSS
et JavaScript pour développer les interfaces de l’application. Nous avons rencontré des
difficultés dans le choix des champs liés au trafic pour la prédiction du nombre de ressources.
81
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
82
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
ANNEXES
ANNEXE 1 : code source de création de l’interface de visualisation du trafic
Figure 69: Code source pour créer l’interface de visualisation des courbes de trafic
xv
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xvi
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
REFERENCES
[1] [En ligne]. Available: https://selectra.info/telecom/guides/technologies/reseaux-
mobile#9/48.8/2.3 [Accès le 11 Septembre 2022 à 11h31].
[2] [En ligne]. Available: https://www.mordorintelligence.com/fr/industry-reports/long-
term-evolution-lte-market-growth [Accès le 11 Septembre 2022 à 11h41].
[3] [En ligne]. Available:
https://www.statista.com/search/?q=number+of+LTE+connection+in+2021&Search=&qKat=
search&newSearch=true&p=1 [Accès le 11 Septembre 2022 à 11h47].
[4] [En ligne]. Available: https://www.gizchina.com/2020/09/24/number-of-global-5g-
users-doubled-in-q2-lte-market-will-decline-in-2023/ [Accès le 11 Septembre 2022 à 12h05].
[5] [En ligne]. Available: http://lemobilaukamer.com/ [Accès le 11 Septembre 2022 à
12h31].
[7] Mémoire Njomo Happy Gabriel 2.
xvii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
[29] Nan Zhou, Xu Zhu and Yi Huang, “Genetic algorithm based cross-layer resource
allocation for wireless OFDM networks with heterogeneous traffic”, in the 17th
European Signal Processing Conference, Glasgow, August, 2009. [En ligne].
[30] S. Lee, S. Choudhury, A. Khoshnevis, S. Xu, S. Lu, “Downlink MIMO with
frequency-domain packet scheduling for 3GPP LTE”, in the IEEE INFOCOM
proceedings, 2009. [En ligne].
[31] Z. Lu, Y. Yang, X. Wen, Y. Ju, W. Zheng, “A cross-layer resource allocation
scheme for ICIC in LTE-Advanced”, in Journal of Network and Computer Applications,
December, 2010. [En ligne].
[32] Mahnaz Sotoudeh Bahreyni, Vahid Sattari-Naeini, Fairness Aware Downlink
Scheduling Algorithm for LTE Networks, Journal of mathematics and computer science 11
(2014), 53-63. [En ligne].
xviii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
[33] Niyato, D., Hossain, E., 2006. A cooperative game framework for bandwidth
allocation in 4G heterogeneous wireless networks. In IEEE International Conference on
Communications, Turkey, pp: 4357-4362. [En ligne].
[34] Miao, W,. Min, G., Jiang, Y., Haozhe W, X., 2014. QoSaware resource
allocation for LTE-A systems with carrier aggregation. In Wireless Communications
and Networking Conference, Turkey, pp: 1403-1408. [En ligne].
[35] Chung, Y. L., Jang L. J., Tsai. Z., 2011. An efficient downlink packet scheduling
algorithm in LTEAdvanced systems with Carrier Aggregation. In Consumer
Communications and Networking Conference, USA, pp: 632-636. [En ligne].
[36] Agrawal, R., Berry, R., Huang, J., & Subramanian, V. (2006, October). Optimal
Scheduling for OFDMA Systems. Paper presented at the IEEE Fortieth Asilomar
Conference on Signals, Systems and Computers, Pacific Grove, CA. [En ligne].
[37] S. Chaudhuri, I. Baig, D. Das, 2016. Downlink Scheduler for a Carrier Aggregation
LTE Advance Network with Efficient Carrier Power Control. Computer Science, Business,
2016 IEEE Annual India Conference (INDICON). [En ligne].
[38] Souhir Feki, Faouzi Zarai1 and Aymen Belghith, 2017. A Q-learning-based Scheduler
Technique for LTE and LTE-Advanced Network. NTS'COM Research Unit, National School
of Electronics and Telecommunications of Sfax, Tunisia. [En ligne].
[39] Habaebi, MH, Chebil, J., Al-Sakkaf, AG et Dahawi, TH (2013). Comparaison entre les
techniques d'ordonnancement dans l'évolution à long terme. Journal d'ingénierie de l'IIUM, 14.
[En ligne].
[40] F. Capozzi, G. Piro, L.A. Grieco, G. Boggia, P. Camarda, 2013. Downlink Packet
Scheduling in LTE Cellular Networks: Key Design Issues and a Survey. IEEE Communications
Surveys & Tutorials (Volume: 15, Issue: 2, Second Quarter 2013). [En ligne].
xix
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
[46] Z. e. a. Yu, Using bidirectional LSTM recurrent neural networks to learn high-level
abstractions of sequential features for automated scoring of non-native spontaneous speech.,
2015. [En ligne]
xx
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xxi
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xxii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
xxiii
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022