AVIS DE SOUTENANCE de Monsieur Wei HUANG

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services rĂ©partis, Architectures, ModĂ©lisation, Validation, Administration des RĂ©seaux

présentent

l’AVIS DE SOUTENANCE de Monsieur Wei HUANG

AutorisĂ© Ă  prĂ©senter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, prĂ©parĂ© Ă  TĂ©lĂ©com SudParis en :

Réseaux, Informations et Communications

« Efficacité énergétique et garanties de latence dans un environnement multi-locataire »

le VENDREDI 11 JUILLET 2025 Ă  9h30

Ă 

Amphithéùtre 10
Télécom SudParis, 9 Rue Charles Fourier, 91000 Evry-Courcouronnes FR

Membres du jury :

Mme Hind CASTEL, Full professor, Telecom Sudparis, FRANCE – Directeur de these
M. Andre-luc BEYLOT, Full professor, Institut de Recherche en Informatique de Toulouse, FRANCE – Rapporteur
M. Yassine HADJADJ-AOUL, Full professor, IRISA/INRIA, University of Rennes, FRANCE – Examinateur
Mme Nihal  PEKERGIN, Full professor, l’UFR des Sciences et Technologie, FRANCE – Examinateur
M. Nazim AGOULMINE, Full professor, University of evry, FRANCE – Examinateur
M. Andrea ARALDO, Associate Professor, Telecom Sudparis, FRANCE – Co-encadrant de these
M. Abdel  LISSER, Full professor, UniversitĂ© Paris Saclay – CentraleSupelec, FRANCE – Examinateur
Mme VĂ©ronique VEQUE, Full professor, L2S, CentraleSupĂ©lec, FRANCE – Rapporteur

InvitĂ©s : 

M. Badii JOUABER, Professeur, Télécom SudParis, Co-directeur de thÚse

« Efficacité énergétique et garanties de latence dans un environnement multi-locataire »

présenté par Monsieur Wei HUANG

Résumé :

Les dĂ©ploiements modernes de rĂ©seaux adoptent de plus en plus un modĂšle multi-locataire, dans lequel les propriĂ©taires d’infrastructures louent des ressources informatiques et rĂ©seau Ă  des opĂ©rateurs de rĂ©seaux (NOs: Network Operators) servant divers fournisseurs de services (SPs: Service Providers). Ces SPs peuvent exĂ©cuter des applications critiques en termes de latence et sensibles Ă  la fiabilitĂ© (e.g., autonomous driving), ainsi que des services IoT Ă  grande Ă©chelle ou des services gourmands en mĂ©dias (e.g., video streaming). Garantir des dĂ©lais stricts tout en minimisant la consommation d’énergie dans cet environnement hĂ©tĂ©rogĂšne constitue un dĂ©fi majeur, car chaque service impose des exigences variĂ©es sur les ressources partagĂ©es. Pour traiter ces enjeux de maniĂšre cohĂ©rente, cette thĂšse intĂšgre trois volets de recherche complĂ©mentaires — le placement de fonctions virtuelles, le dimensionnement des ressources, et un cadre probabiliste gĂ©nĂ©ral de latence — dans un cadre unifiĂ© d’optimisation multi-locataire. PremiĂšrement, nous abordons le problĂšme de haut niveau du placement des fonctions virtuelles dans un scĂ©nario de slicing Ă  grande Ă©chelle, en respectant la capacitĂ© limitĂ©e des ressources rĂ©seau et informatiques. Nous dĂ©veloppons des algorithmes d’apprentissage capables de converger vers une stratĂ©gie de dĂ©ploiement optimale sous incertitude, en modĂ©lisant le placement comme un problĂšme du bandit manchot. Une analyse thĂ©orique dĂ©montre que ces algorithmes atteignent un regret bornĂ© et respectent les contraintes de faisabilitĂ© avec une probabilitĂ© Ă©levĂ©e. DeuxiĂšmement, Ă  partir du placement obtenu, nous nous intĂ©ressons au dimensionnement des ressources, oĂč l’on cherche Ă  optimiser l’efficacitĂ© Ă©nergĂ©tique tout en satisfaisant des contraintes strictes de latence. Nous proposons une approche originale reprĂ©sentant chaque slice comme un rĂ©seau de Jackson, permettant de modĂ©liser les interdĂ©pendances entre ses composants. GrĂące au Dynamic Voltage Frequency Scaling (DVFS), nous sĂ©lectionnons les frĂ©quences CPU appropriĂ©es pour rĂ©duire la consommation d’énergie dynamique sans compromettre les exigences de latence, assurant ainsi le respect simultanĂ© des contraintes de capacitĂ© et de dĂ©lai. Enfin, nous Ă©tendons nos solutions Ă  une classe plus gĂ©nĂ©rale de problĂšmes multi-locataires en introduisant un cadre probabiliste appelĂ© chance constrained multi-armed bandits (CCMAB). Cette gĂ©nĂ©ralisation intĂšgre des contraintes probabilistes dans la prise de dĂ©cision, avec des applications telles que le offloading de tĂąches dans les systĂšmes distribuĂ©s. Chaque locataire doit satisfaire des contraintes de chance sur les dĂ©lais stochastiques tout en minimisant la consommation globale d’énergie. Nous prouvons l’optimalitĂ© de l’algorithme proposĂ© et validons ses performances par des simulations. En rĂ©sumĂ©, cette thĂšse propose une approche cohĂ©rente et hiĂ©rarchisĂ©e combinant un placement guidĂ© par la capacitĂ© limitĂ©e des ressources, un dimensionnement des ressources sensible Ă  la latence, et une prise de dĂ©cision probabiliste dans un seul cadre destinĂ© aux environnements multi-locataires hĂ©tĂ©rogĂšnes. Cette intĂ©gration offre non seulement de solides garanties thĂ©oriques, mais aussi des algorithmes pratiques pour une utilisation efficace des ressources et une fiabilitĂ© assurĂ©e face Ă  des exigences de services variĂ©es.

Abstract :

Modern network deployments increasingly adopt a multi-tenant model, in which infrastructure owners lease computing and networking resources to Network Operators (NOs) serving diverse Service Providers (SPs). These SPs may run latency-critical and reliability-sensitive applications (e.g., autonomous driving) as well as large-scale IoT or media-intensive services (e.g., video streaming). Achieving strict latency guarantees while minimizing power consumption in this heterogeneous environment poses a core challenge, given that each service imposes diversity demands on shared resources. To tackle these issues cohesively, this thesis integrates three complementary research components—virtual function placement, resource dimensioning, and a general probabilistic latency framework—within a unified multi-tenant optimization framework. First, we address the upper-level problem of virtual function placement in a large-scale network slicing scenario, focusing primarily on ensuring feasible capacity usage across the underlying network and computing resources. We develop learning-based algorithms capable of converging to an optimal deployment strategy under uncertainty, by modeling the placement decision as a multi-armed bandit problem. Theoretical analysis confirms that these algorithms achieve bounded regret and respect feasibility constraints with high probability. Second, building upon the chosen placement, we turn to resource dimensioning, where we optimize for power efficiency while meeting strict latency requirements in terms of chance constraints. We employ a novel approach by representing each slice as a Jackson Network, thereby capturing the interdependencies between various slice components. Through Dynamic Voltage Frequency Scaling (DVFS), we select appropriate CPU frequencies to reduce dynamic power consumption without compromising latency requirements. This ensures that both resource capacity and latency constraints are satisfied. Finally, we extend our solutions to a broader class of multi-tenant problems by introducing a general probabilistic latency framework called chance constrained multi-armed bandits (CCMAB). This generalization incorporates probabilistic constraints into multi-tenant decision-making, enabling applications such as task offloading between edge and cloud. Each tenant must satisfy chance constraints on stochastic delays while minimizing overall power consumption. We prove the optimality of the proposed algorithm and validate its performance through simulations. In summary, this thesis presents a cohesive, multi-layered approach that combines capacity-driven placement, latency-aware resource dimensioning, and probabilistic decision-making into a single framework for heterogeneous multi-tenant environments. This integration not only provides strong theoretical guarantees but also proposes practical algorithms for efficient resource utilization and reliability assurance across diverse service demands.