Détection des interférences dans un réseau 5G par Machine Learning

Abstract

Ce mémoire traite de la détection automatique des interférences dans les réseaux 5G à partir de l’analyse des indicateurs radio de performance. Les variables exploitées incluent notam ment le SINR/SINR, le RSSI, le RSRP, le RSRQ, le CQI et les débits montant et descen dant. L’objectif principal est de construire une chaîne de traitement capable de distinguer un fonctionnement radio normal d’une situation perturbée, tout en conservant une interprétation compatible avec les grandeurs physiques utilisées en ingénierie des réseaux mobiles. Le travail combine une analyse télécom des phénomènes d’interférence avec une méthodolo gie de Machine Learning complète. La chaîne proposée comprend le nettoyage des données, la construction des étiquettes, la normalisation, la sélection des variables, l’apprentissage su pervisé, l’évaluation des performances et l’interprétation des résultats. Plusieurs modèles sont étudiés et comparés, notamment Random Forest, XGBoost et un réseau de neurones convo lutif unidimensionnel (1D-CNN). Les performances sont analysées à l’aide de l’accuracy, de la précision, du rappel, du F1-score, des matrices de confusion et des courbes ROC. Une attention particulière est accordée à l’explicabilité. Les méthodes d’importance des va riables, SHAP et Grad-CAM sont utilisées afin d’identifier les KPI les plus influents et de relier les décisions des modèles à des indicateurs radio interprétables. Les résultats montrent que les approches de Machine Learning permettent de construire un système cohérent de dé tection des interférences 5G et de fournir une aide pertinente pour la supervision radio. Le mémoire souligne également les limites liées à la disponibilité des données, à la stratégie d’étiquetage et à la nécessité de validations complémentaires sur des mesures réelles diversi fiées.