L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Monsieur Ibrahim DJEMAI

Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :

Réseaux, Informations et Communications

« Politiques conjointes de report de calcul et d’ordonnancement pour les réseaux sans fil de nouvelles générations »

le LUNDI 18 MARS 2024 à 14h00

à

Amphi 6
Télécom SudParis, 19 Place Marguerite Perey, 91120 Palaiseau

Membres du jury :

M. Philippe CIBLAT, Professeur, Télécom Paris, FRANCE – Directeur de these
Mme Mireille SARKISS, Maîtresse de conférences, Télécom SudParis, FRANCE – Co-encadrant de these
M. Loutfi NUAYMI, Professeur, IMT Atlantique, FRANCE – Rapporteur
M. Philippe MARY, Maître de conférences, INSA Rennes, FRANCE – Rapporteur
M. Luc VANDENDORPE, Professeur, UCLouvain, BELGIQUE – Examinateur
Mme E. Veronica BELMEGA, Professeure, ESIEE Paris, FRANCE – Examinateur
M. Salah  EL AYOUBI, Professeur, CentralSupélec, FRANCE – Examinateur

« Politiques conjointes de report de calcul et d’ordonnancement pour les réseaux sans fil de nouvelles générations »

présenté par Monsieur Ibrahim DJEMAI

Résumé :

Les défis posés par le nombre croissant d’appareils connectés, la forte consommation d’énergie et l’impact environnemental dans les réseaux sans fil d’aujourd’hui et de demain retiennent de plus en plus l’attention. De nouvelles technologies telles que le cloud mobile de périphérie (Mobile Edge Computing) ont vu le jour pour rapprocher les services en nuage des appareils et remédier à leurs limitations en matière de calcul. Le fait de doter ces appareils et les nœuds du réseau de capacités de récolte d’énergie (Energy Harvesting) est également prometteur pour permettre de consommer de l’énergie à partir de sources durables et respectueuses de l’environnement. En outre, l’accès multiple non orthogonal (Non-Orthogonal Multiple Access) est une technique essentielle pour améliorer l’efficacité spectral mobile. Avec l’aide des progrès de l’intelligence artificielle, en particulier des modèles d’apprentissage par renforcement (Reinforcement Learning), le travail de thèse porte sur la conception de politiques qui optimisent conjointement l’ordonnancement et la décharge de calcul pour les appareils dotés de capacités EH, les communications compatibles avec le NOMA et l’accès MEC. En outre, lorsque le nombre d’appareils augmente et que la complexité du système s’accroît, le regroupement NOMA est effectué et l’apprentissage fédéré (Federated Learning) est utilisé pour produire des politiques RL de manière distribuée. Les résultats de la thèse valident la performance des politiques RL proposées, ainsi que l’intérêt de l’utilisation de la technique NOMA.

Abstract :

The challenges posed by the increasing number of connected devices, high energy consumption, and environmental impact in today’s and future wireless networks are gaining more attention. New technologies like Mobile Edge Computing (MEC) have emerged to bring cloud services closer to the devices and address their computation limitations. Enabling these devices and the network nodes with Energy Harvesting (EH) capabilities is also promising to allow for consuming energy from sustainable and environmentally friendly sources. In addition, Non-Orthogonal Multiple Access (NOMA) is a pivotal technique to achieve enhanced mobile broadband. Aided by the advancement of Artificial Intelligence, especially Reinforcement Learning (RL) models, the thesis work revolves around devising policies that jointly optimize scheduling and computational offloading for devices with EH capabilities, NOMA-enabled communications, and MEC access. Moreover, when the number of devices increases and so does the system complexity, NOMA clustering is performed and Federated Learning is used to produce RL policies in a distributed way. The thesis results validate the performance of the proposed RL-based policies, as well as the interest of using NOMA technique.