Machine Learning for Automatic Machine-to-Machine (M2M) Communication in 5G
Apprentissage Automatique pour la Communication Machine à Machine (M2M) Autonome dans la 5G
Résumé
Fifth Generation (\gls{5G}) is envisioned by Telecom operators as the next mobile network generation which brings solutions to massive customers who are more and more demanding for both cost-efficient services as well as high satisfaction. Machine to machine (M2}) communication is an important component of the future 5G, which enables the ubiquitous connectivity between a myriad of machines without or with limited human intervention. Thus, the autonomous connection of devices facilitates the emergence of a wide range of intelligent M2M applications. These latter have exhibited a strong potential to improve human life in different fields such as eHealth, smart grids, smart home/cities, intelligent transportation and surveillance, enabling partially the internet of things (IoT). By 2020, the number of connected devices is expected to reach 50 billions. To meet these huge demands, the network autonomic mechanisms, named as “Autonomic Networking”, are considered as good candidates to provide intelligent networking solutions for M2M communication in 5G networks. The objective of this thesis is to improve the self-organization and autonomic networking approaches with the integration of machine learning and data analytics for M2M communication. This approach based on machine learning and data analysis will be used to customize the \gls{QoS} for users through the customization of Autonomic Networking.
La cinquième génération (5G) est envisagée par les opérateurs de télécommunications comme la prochaine génération de réseaux mobiles qui apporte des solutions à des clients massifs qui sont de plus en plus exigeants à la fois pour des services rentables et pour une grande satisfaction. La communication de machine à machine (M2M) est un élément important de la future 5G, qui permet la connectivité omniprésente entre une myriade de machines sans ou avec une intervention humaine limitée. Ainsi, la connexion autonome des appareils facilite l'émergence d'une large gamme d'applications M2M intelligentes. Ces derniers ont montré un fort potentiel pour améliorer la vie humaine dans différents domaines tels que la cybersanté, les réseaux intelligents, la maison/Les villes intelligentes, les transports intelligents et la surveillance, permettant l'Internet des objets (IoT). D'ici 2020, le nombre d'appareils connectés devrait atteindre 50 milliards. Pour répondre à ces énormes demandes, les mécanismes autonomes de réseau, appelés «Autonomic Networking», sont considérés comme de bons candidats pour fournir des solutions de réseau intelligentes pour la communication M2M dans les réseaux 5G. L'objectif de cette thèse est d'améliorer les approches d'auto-organisation et de réseautage autonome avec l'intégration de l'apprentissage automatique et de l'analyse de données pour la communication M2M. Cette approche basée sur l'apprentissage automatique et l'analyse des données sera utilisée pour personnaliser la qualité de service (QdS) pour les utilisateurs grâce à la personnalisation du réseau autonome
Origine : Fichiers produits par l'(les) auteur(s)