Gestion optimale de la QoS dans les réseaux 5G basée sur le Network Slicing et l'Intelligence Artificielle

Abstract

C e mémoire porte sur la gestion optimale de la qualité de service (QoS) dans les réseaux 5G en combinant le Network Slicing et l’intelligence artificielle. L’objectif est de proposer une solution capable d’allouer dynamiquement les ressources entre différents slices (eMBB, uRLLC et mMTC) afin d’assurer simultanément fiabilité, débit et latence optimisés. Pour atteindre cet objectif, une approche basée sur l’apprentissage par renforcement profond (DDQN) a été développée. L’agent observe l’état du réseau, prend des décisions d’allocation de ressources et ajuste sa stratégie à partir des retours obtenus, afin de maximiser une fonction de récompense multi-objectifs. Les simulations ont été réalisées sur des données réelles et dans un environnement simulé sous Google Colab, en respectant les contraintes spécifiques de chaque slice. Les analyses montrent que l’agent DDQN permet d’obtenir des performances stables et équilibrées sur tous les indicateurs clés de QoS, tout en surpassant les stratégies statiques ou aléatoires. Les résultats confirment la robustesse de l’approche pour la gestion dynamique des slices et sa capacité à s’adapter aux variations du réseau. Ce travail fournit ainsi une solution efficace et reproductible pour optimiser la QoS dans les réseaux 5G multi-slices, tout en ouvrant des perspectives pour l’intégration de techniques avancées d’IA et le déploiement sur des environnements réels.