Optimization of ITS-G5 network resource management to support C-ITS services

Optimisation de la gestion des ressources des réseaux ITS-G5 pour le support des services C-ITS Cette thèse s’intéresse à la gestion des ressources dans les Systèmes de Transport Intelligents Coopératifs (C-ITS) utilisant les communications V2X (vehicle-to-everything) ou Véhicule-à-Tout. Nos contributions tirent profit des technologies émergentes telles que l'Intelligence Artificielle (IA), le tranchage de réseau (Slicing) et le Multi-access Edge Computing (MEC). Ces technologies promettent de révolutionner la manière dont les réseaux véhiculaires gèrent la sécurité et l'efficacité du trafic routier et permettent de résoudre certains défis liés à l’optimisation des ressources réseaux. Le premier défi majeur abordé dans cette thèse concerne la dégradation de la qualité des canaux de communication dans les réseaux V2X congestionnés. Cette situation, fréquente dans les environnements de trafic dense, affecte négativement les performances des communications véhiculaires, entravant ainsi l'efficacité des services C-ITS. Le deuxième défi est de garantir une latence ultra-faible de bout-en-bout dans ces réseaux encombrés, en particulier pour des services et des groupes d'utilisateurs nécessitant une priorité élevée. Ce besoin est particulièrement crucial dans les scénarios où des véhicules, tels que ceux des services d'urgence, exigent une communication fiable et à faible latence. La troisième problématique traitée est la migration de services dans les réseaux véhiculaires équipés de MEC, un aspect essentiel pour assurer la continuité des services dans des environnements à mobilité élevée. La nature mobile des réseaux véhiculaires, combinée à une couverture limitée des serveurs Edge, pose des défis significatifs en termes de maintien d’un bon niveau de Qualité de Service (QoS) et de minimisation des interruptions de service. Pour relever ces défis, la thèse propose trois contributions majeures. Premièrement, une approche proactive pour le Contrôle de Congestion Décentralisé (DCC) a été développée en utilisant des réseaux neuronaux récurrents avec Long Short-Term Memory (LSTM). Cette technique vise à optimiser les performances du canal en prévoyant en amont le Taux d'Occupation du Canal (CBR) pour améliorer la stabilité du réseau tout en garantissant une allocation équitable des ressources. Les simulations ont démontré l'efficacité des algorithmes DCC proactifs, montrant une convergence plus rapide et une meilleure gestion de l’allocation des ressources. Ensuite, nous avons abordé le tranchage de réseau dans les communications véhiculaires utilisant la technologies ITS-G5. Pour cela, nous avons proposé une architecture de tranchage de la partie RAN ITS-G5 (Radio Access Network), visant à créer des tranches réseaux avec des V priorités variées, tout en garantissant l'isolation des performances et le respect de niveau de QoS entre les tranches. Cette approche vise à maintenir des niveaux de performances et de sécurité adéquats pour chaque tranche, même en présence de services d'exigences de QoS contradictoires. Au-delà de la partie RAN, nous avons élaboré une architecture de tranchage de réseau de bout-en-bout (RAN et Core Network), visant à garantir des latences faibles pour des groupes d'utilisateurs spécifiques, notamment dans les zones encombrées. Les simulations ont confirmé l'efficacité de cette architecture dans la gestion du flux de trafic et la réduction de la latence pour les services à haute priorité, démontrant l'importance de ces approches dans l'avancement des réseaux véhiculaires intelligents et efficaces. La dernière contribution aborde la migration de services dans les réseaux véhiculaires équipés de MEC. Nous avons formulé ce problème de migration en tant que Processus Décisionnel Markovien (MDP) et avons développé une stratégie de migration adaptative en utilisant l'apprentissage par renforcement profond (DRL), notamment les approches Deep Q Networks (DQN) et Double Deep Q Networks (DDQN). Cette stratégie vise à trouver l’équilibre optimal entre la latence et le coût de migration.[...]