Sujet de Thèse

Les réseaux sans fil modernes fonctionnent dans des environnements particulièrement dynamiques, caractérisés par des variations constantes des conditions radio, des schémas de trafic et de la mobilité des noeuds. Ces dynamiques rendent complexe toute tentative de modélisation précise et prédictive du comportement réseau. Si les simulations constituent un outil incontournable pour la conception et l'évaluation de performances, les modèles classiques peinent à restituer la variabilité temporelle et contextuelle des environnements réels.

Pour dépasser ces limites, les Jumeaux Numériques (Digital Twins) offrent une approche novatrice [2,3] : ils constituent des répliques virtuelles de systèmes physiques capables de rester synchronisées en temps réel grâce à des échanges continus de données. Appliqué aux réseaux sans fil, ce concept ouvre la voie à une gestion adaptative où le réseau devient conscient de son état, capable de s'auto-configurer et d'optimiser ses performances de manière proactive.

Les travaux récents sur les Network Digital Twins (NDTs) ont permis d'ouvrir la voie à une représentation numérique dynamique des réseaux. Deux grandes familles méthodologiques dominent actuellement le domaine [4] :

1. Les approches basées sur la physique, qui reposent sur des modèles analytiques ou des simulations à haute fidélité (par exemple, le ray-tracing [5]) offrant un réalisme remarquable mais à un coût computationnel prohibitif. ì l'inverse, des modèles plus légers tels que le Log-Distance Model offrent une meilleure rapidité au prix d'une perte de précision [6]. 2. Les approches orientées données, qui s'appuient sur l'apprentissage automatique pour modéliser le comportement du réseau à partir de mesures réelles (e.g., [7]). Bien que prometteuses, ces approches souffrent encore de trois limitations majeures : (i) elles reposent sur des hypothèses de télémétrie idéales et volumineuses (e.g., [3]), (ii) elles adoptent souvent une modélisation globale du réseau en négligeant l'hétérogénéité des liens [1], et (iii) elles peinent à maintenir la précision en contexte fortement variable.

Dans ce paysage, la thèse se distingue par une orientation claire vers la frugalité des mesures et la modélisation scalable multi- niveaux. Plutôt que d'accumuler massivement des données, elle vise à sélectionner et exploiter intelligemment les mesures les plus pertinentes pour maintenir une représentation fidèle du réseau avec un coût minimal. Elle introduira également un cadre de modélisation hiérarchique capable de s'adapter dynamiquement aux changements de topologie et de charge, tout en garantissant une réactivité compatible avec des applications en ligne. De façon plus précise, ce travail s'articulera autour de deux axes principaux :

1. Métrologie frugale pour la caractérisation du trafic: la thèse proposera des mécanismes de télémétrie adaptative combinant observation passive et sondes actives légères, afin d'obtenir un compromis optimal entre précision, coût de collecte et latence de mise à jour.

2. Modélisation scalable et fine des liens sans fil: la thèse développera une approche hybride reposant sur un apprentissage de granularité variable; les liens sans fil seront regroupés dynamiquement selon leurs similarités statistiques et topologiques, afin de partager des modèles prédictifs tout en maintenant la finesse de la description locale. Cette approche visera à concilier fidélité, scalabilité et réactivité.

La thèse relèvera à la fois d'une recherche technologique et expérimentale à fort contenu scientifique, s'inscrivant à l'intersection de la modélisation des réseaux, de la télémétrie intelligente, et de l'apprentissage appliqué aux réseaux sans fil. Les contributions attendues pourront nourrir les futurs développements autour des réseaux 6G, de l'Internet des Objets massifs et des infrastructures de communication autonomes.

Références : - [1] Samir Si-Mohammed and Fabrice Theoleyre. "Per Link Data-driven Network Replication Towards Self- Adaptive Digital Twins". In: IEEE MSWiM. 2025. - [2] Emmanuelle Abisset-Chavanne et al. "A Digital Twin use cases classification and definition framework based on Industrial feedback". In: Computers in Industry 161 (2024), p. 104113. - [3] Mehdi Kherbache et al. "Constructing a Network Digital Twin through formal modeling: Tackling the virtual-real mapping challenge in IIoT networks". In: Internet of Things 24 (2023), p. 101000. - [4] Adil Rasheed, Omer San, and Trond Kvamsdal. "Digital twin: Values, challenges and enablers from a modeling perspective". In: IEEE access 8 (2020), pp. 21980-22012. - [5] Andrew S Glassner. An introduction to ray tracing. Morgan Kaufmann, 1989. - [6] Eduardo Nuno Almeida et al. "Machine Learning Based Propagation Loss Module for Enabling Digital Twins of Wireless Networks in ns-3". In: Proceedings of the 2022 Workshop on ns-3 (Best paper). 2022, pp. 17-24. - [7] Miquel Ferriol-Galmés et al. "Building a digital twin for network optimization using graph neural networks". In: Computer Networks, 217 (2022), p. 109329.