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 Quang Huy TRAN
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
Informatique
« Contrôle d’Infrastructure et Orchestration de Services de bout-en-bout pour les Réseaux Optiques du Futur »
le VENDREDI 12 DéCEMBRE 2025 à 13h45
à
Amphithéâtre 3
Télécom SudParis 19 place Marguerite Perey 91120 PALAISEAU
https://telecom-paris.zoom.us/j/93461003734?pwd=yDpmnnaYViTFtUdJUcalm7LUCBcyeU.1
ID de réunion: 934 6100 3734
Code secret: 647963
Membres du jury :
M. Djamal ZEGHLACHE, Professeur, Télécom SudParis, FRANCE – Directeur de thèse
M. Dominique VERCHERE, Ingénieur de recherche, Nokia Bell Labs, FRANCE – CoDirecteur de thèse
M. Pascal LORENZ, Professeur, Université de Haute-Alsace, FRANCE – Rapporteur
M. Marco RUFFINI, Professeur, University of Dublin, Trinity College, Ireland, IRLANDE – Rapporteur
M. Marc CARTIGNY, EXPERT SCIENTIFIQUE ET TECHNIQUE – EXPERT R&D, AIRBUS DEFENSE AND SPACE, FRANCE – Examinateur
M. Khalil DRIRA, Professeur, LAAS-CNRS, FRANCE – Examinateur
« Contrôle d’Infrastructure et Orchestration de Services de bout-en-bout pour les Réseaux Optiques du Futur »
présenté par Monsieur Quang Huy TRAN
Résumé :
La croissance exponentielle du trafic de données et la complexité croissante des réseaux de transport optique ont créé un besoin impérieux d’architectures de contrôle de réseau plus flexibles, automatisées et intelligentes. Les systèmes optiques traditionnels, monolithiques et propriétaires, ne peuvent plus répondre aux exigences de déploiement rapide de services, de mise à l’échelle et de gestion de réseau autonome. Cette thèse aborde ces défis en développant un cadre complet pour le contrôle de l’infrastructure et l’orchestration de services de bout en bout dans les futurs réseaux de transport. Ce contrôle et cette gestion sont accomplis par la convergence de la mise en réseau définie par Software-Defined Networking (SDN), de la désagrégation du réseau et de l’intelligence fondée sur l’apprentissage automatique (Machine Learning). La recherche présente trois contributions principales qui, collectivement, permettent un fonctionnement autonome des réseaux optiques. Premièrement, une plateforme de contrôle pour le transport optique, ouverte, désagrégée et native pour le cloud est développée, comprenant un contrôleur SDN de transport (T-SDNC) basé sur OpenDaylight et doté d’une architecture en microservices. Une amélioration essentielle de Transport API (TAPI) intègre des paramètres tenant compte des dégradations optiques, permettant une validation de la couche physique indépendante des fournisseurs et contribuant directement à la spécification TAPI v2.4.0. La plateforme intègre un cadre de gestion de réseau en tant que code (NMaC) qui applique les principes GitOps pour automatiser la gestion du cycle de vie du plan de contrôle, démontrée par une migration transparente d’architectures réseau partiellement à entièrement désagrégées. Deuxièmement, deux nouvelles fonctions de contrôle basées sur l’apprentissage automatique répondent à des défis opérationnels critiques : un apprentissage par renforcement convolutionnel sur graphes et multi-agents pour le routage et l’allocation de spectre (MAGC-RSA) emploie une prise de décision distribuée avec un apprentissage centralisé pour optimiser l’allocation des ressources, tandis qu’un cadre de classification de la qualité de transmission par ensemble et adaptatif à la dérive (DAEQoT) maintient des performances robustes de classification de la qualité de transmission (QoT) dans des conditions de réseau changeantes, grâce à des mécanismes dynamiques d’adaptation. Troisièmement, un cadre d’apprentissage automatique compositionnel (CMLF) permet la découverte, l’assemblage et l’orchestration automatisés de services d’apprentissage automatique distribués, facilitant la création de flux de travail d’apprentissage automatique complexes et réutilisables. Le cadre est validé par un cas d’usage de RMSA compositionnel combinant la prévision de séries temporelles avec un agent d’apprentissage par renforcement profond sensible à la fragmentation. La recherche démontre la faisabilité pratique par des simulations approfondies et des implémentations de preuve de concept sur des équipements optiques Nokia, montrant des améliorations significatives de la probabilité de blocage, de l’efficacité spectrale et de l’automatisation opérationnelle. Ces contributions posent les bases de réseaux optiques véritablement autonomes, capables d’auto-optimisation, d’auto-réparation et de gestion intelligente des ressources, répondant ainsi aux besoins critiques des infrastructures de transport de nouvelle génération.
Abstract :
The explosive growth of data traffic and the increasing complexity of optical transport networks have created an urgent need for more flexible, automated, and intelligent network control architectures. Traditional monolithic, vendor-locked optical systems can no longer meet the demands for rapid service deployment, cost-effective scaling, and autonomous network management. This dissertation addresses these challenges by developing a comprehensive framework for infrastructure control and end-to-end service orchestration in future transport networks through the convergence of software-defined networking (SDN), network disaggregation, and machine learning-driven intelligence. The research presents three primary contributions that collectively enable autonomous optical network operation. First, a cloud-native Open and Disaggregated Optical Transport Control Platform is developed, featuring a Transport SDN Controller (T-SDNC) built on OpenDaylight with microservice architecture. A critical enhancement to the Transport API (TAPI) standard integrates optical impairment-aware parameters, enabling vendor-agnostic physical layer validation and contributing directly to the TAPI v2.4.0 specification. The platform incorporates a Network Management as Code (NMaC) framework that applies GitOps principles to automate control plane lifecycle management, demonstrated through seamless migration from partially to fully disaggregated network architectures. Second, two novel ML-driven control functions address critical operational challenges: Multi-Agent Graph Convolutional Reinforcement Learning for Routing and Spectrum Assignment (MAGC-RSA) employs distributed decision-making with centralized learning to optimize resource allocation, while a Drift-Adaptive Ensemble-based Quality of Transmission Classification (DAEQoT) framework maintains robust Quality of Transmission (QoT) classification performance under changing network conditions through dynamic drift-adaptation mechanisms. Third, a Compositional Machine Learning Framework (CMLF) enables automated discovery, stitching, and orchestration of distributed ML services, facilitating the creation of complex, reusable ML workflows for network automation. The framework is validated through a compositional Routing, Modulation and Spectrum Assignment use-case combining time-series forecasting with fragmentation-aware deep reinforcement learning agent. The research demonstrates practical feasibility through extensive simulations and proof-of-concept implementations on Nokia optical equipment, showing significant improvements in blocking probability, spectral efficiency, and operational automation. These contributions establish a foundation for truly autonomous optical networks capable of self-optimization, self-healing, and intelligent resource management, addressing the critical needs of next-generation transport infrastructure.