Votre rôle est d’étudier les moyens de garantir la résilience des slices des réseaux 5G, en prenant en compte les contraintes métiers et la disponibilité cible des chaînes de service, à coût maîtrisé.
Le problème de la résilience des chaînes de service est abordé dans [1] et [2] mais sans l’aspect disponibilité, c’est-à-dire que seul le problème de la redondance des fonctions réseau virtuelles est traité. En revanche, [3] prend en compte la disponibilité en cherchant à déterminer le placement des fonctions de secours qui offre la meilleure disponibilité, mais sans considérer le chainage de ses fonctions, ni le calcul de la disponibilité de bout en bout du service.
Le problème peut s’exprimer grâce à la programmation en nombres entiers. Cependant la disponibilité s’exprime alors avec des expressions non linéaires, puisque la probabilité de panne d’une chaîne de service est le produit des probabilités de panne de tous les éléments de la chaîne. On peut linéariser le problème en ajoutant un nombre exponentiel de variables (par rapport au nombre de noeuds du réseau), comme dans l’article [3]. Le problème devient alors malheureusement difficilement exploitable pour des tailles de réseau typique des déploiements opérationnels. C’est pourquoi des approches innovantes sont nécessaires.
L’approche méthodologique envisagée est, d’une part, le développement de techniques d’optimisation combinatoire pour garantir les niveaux de disponibilité attendus et assurer un juste dimensionnement de l’infrastructure. D’autre part, l’étude des bénéfices que pourraient apporter l’intelligence artificielle (e.g. modèles d’apprentissage) pour approximer les calculs de disponibilité de bout en bout sur les chaînes de service virtuelles.
Le planning approximatif serait de cet ordre :
- Etat de l’art, modélisation du problème (2 mois)
- Techniques de résolution exactes (2 mois)
- Méthodes de résolution approchées, heuristiques (3 mois)
- Machine Learning ou autre technique d’IA (3 mois)
-
Rédaction d’un article scientifique et d’un rapport technique interne (2 mois)
[1] N. Perrot, A. Benhamiche, Y. Carlinet, E. Gourdin, “Future Networks: Overview of Optimization Problems in Decision-Making Procedures”, In book: Emerging Automation Techniques for the Future Internet, Oct 2018.
[2] Y. Carlinet, N. Perrot, A. Alves-Tzitas, “Minimum-Cost Virtual Network Function Resilience”, INOC, June 2019
[3] M. Casazza, P. Fouilhoux, M. Bouet, S. Secci, “Securing Virtual Network Function Placement with High Availability Guarantees”, IEEE IFIP Networking Conference, June 2017
about you
Master ou diplôme d’ingénieur et doctorat en lien avec l’optimisation combinatoire.
De solides compétences en optimisation combinatoire sont nécessaires. Par ailleurs, des connaissances et/ou une expérience en modélisation stochastique de la disponibilité, ainsi qu’en modèles d’apprentissage sont un plus.
additional information
L’objectif du post-doc est de garantir la résilience des slices des réseaux 5G, en prenant en compte les contraintes métiers et la disponibilité cible des chaînes de service, à coût maîtrisé.
Travailler dans l’équipe MORE est un bon moyen de découvrir le monde des télécoms et les problématiques de recherche qui y sont étudiées.
Par ailleurs, les résultats obtenus seront valorisés à plusieurs niveaux : tout d’abord dans une publication scientifique, ensuite en interne au travers d’un rapport technique diffusé largement, et enfin au sein du projet collaboratif Maestro-5G
department
L’équipe MORE (Mathematical Models for Optimization and peRformance Evalualtion) compte une dizaine d’ingénieurs/chercheurs permanents dont la mission est d’élaborer des modèles et des techniques permettant d’optimiser l’utilisation des ressources (au sens large) et d’évaluer les performances dans les différents réseaux du groupe Orange. L’équipe est par ailleurs constituée d’une dizaine de doctorants, apprentis ou stagiaires.