Les réseaux optiques passifs (PONs, Passive Optical Networks) représentant l’une des solutions les plus performantes du réseau d’accès FTTH ont été largement déployés par les opérateurs grâce à leur capacité d’offrir des services de très haut débit. Cependant, en raison de la dynamicité du trafic des différents clients, ces réseaux doivent s’appuyer sur un mécanisme efficace pour l’allocation de ressources, plus particulièrement dans le sens montant. Ce mécanisme est actuellement limité par la nature statique des paramètres SLA (Service Level Agreement). Ceci peut avoir une influence négative sur la qualité de service ressentie par les utilisateurs. L’objectif de cette thèse est de proposer une nouvelle architecture pour optimiser l’allocation de ressources dans les réseaux PON tout en agissant uniquement sur les paramètres SLA, désignés comme des paramètres gérables par l’opérateur. Des techniques de classification basées sur l’apprentissage automatique et la prédiction sont utilisées pour analyser le comportement des différents utilisateurs et déterminer leurs tendances de trafic. Un ajustement dynamique sur la base du concept autonomique de certains paramètres SLA est ensuite effectué afin de maximiser la satisfaction globale des clients vis-à-vis du réseau. / Passive Optical Network (PON) representing one of the most attractive FTTH access network solutions, have been widely deployed for several years thanks to their ability to offer high speed services. However, due to the dynamicity of users traffic patterns, PONs need to rely on an efficient upstream bandwidth allocation mechanism. This mechanism is currently limited by the static nature of Service Level Agreement (SLA) parameters which can lead to an unoptimized bandwidth allocation in the network. The objective of this thesis is to propose a new management architecture for optimizing the upstream bandwidth allocation in PON while acting only on manageable parameters to allow the involvement of self-decision elements into the network. To achieve this, classification techniques based on machine learning approaches are used to analyze the behavior of PON users and to specify their upstream data transmission tendency. A dynamic adjustment of some SLA parameters is then performed to maximize the overall customers’ satisfaction with the network.

The demand for network resources (e.g. forwarding capacity, buffer space) by increasingly used real-time multimedia applications is growing. Moreover, their stringent performance requirements (e.g. delay and jitter bounds) pose challenges on network resource management (RM). RM determines how available resources are modeled and distributed to achieve a performance goal such as assuring forwarding quality to real-time multimedia applications. Improvements to existing RM mechanisms can avoid performance limitations of networks by facilitating more efficient use of scarce resources. For example, in a vehicular to infrastructure (V2I) communication scenario that uses IP Multimedia Subsystem (IMS) lacking RM support for multicast, the 3G downlink quickly becomes a bottleneck although some information is addressed to multiple receivers. The main goal of this thesis is to develop RM algorithms and protocols that improve forwarding capacity utilization and remove performance bottlenecks. An additional goal is to improve the scalability of existing RM mechanisms. Three architectural paradigms are covered to demonstrate the advantages of efficient and systematic network RM: open access networks (OAN), next generation networks (NGN), and heterogeneous access networks (HAN). For OAN, a cross-layer signaling technique called parameter injection was developed. It reduces the signaling overhead and update time for real-time multimedia sessions over Wi-Fi while autonomously selecting the format and CODEC that best match the current resource settings. Within NGN, a resource management protocol is proposed for extending unicast signaling in IMS with multicast capabilities. The contribution uses adaptive and dynamic group size selection to improve resource utilization on the 3G downlink for the signaling and data planes. For HAN, an algorithm is proposed that predicts the best access network for achieving the highest QoE of a real-time multimedia session with the available QoS resources based on regression and statistical learning. In all three paradigms, the provided core contributions serve the common goal of achieving a performance edge in terms of efficiency and systematic operation with a limited amount of network resources. / <p>Godkänd; 2011; 20110207 (ysko); DISPUTATION Nedanstående person kommer att disputera för avläggande av teknologie doktorsexamen. Namn: Muslim Elkotob Ämnesområde: Mobila system/Mobile Systems Avhandling: Efficient and Systematic Network Resource Management Opponent: Professor Anna Brunström, Institutionen för datavetenskap, Karlstads universitet Ordförande: Docent Christer Åhlund, Institutionen för system- och rymdteknik, Luleå tekniska universitet Tid: Fredag den 18 mars 2011, kl 10.00 Plats: A1514, Luleå tekniska universitet</p>

Abstract As mobile Internet access traffic continues to grow at an explosive rate and wireless networks continue to diverge into multiple access technologies with partly overlapping sets of features, new solutions for efficient use of these networks are vital. Cognitive network management provides tools to tackle this challenge by automatically learning from past experience the characteristics and usage patterns of the connected devices, thus enabling autonomic optimization of those connections. Cognitive network management requires a vast amount of information in order to function effectively, making collaboration of the networked devices essential as the best sources of information are scattered throughout the network. This makes efficient information dissemination one of the key enablers for autonomic networking. This dissertation studies managing control information related to autonomic selection of access networks and adapting services in a heterogeneous wireless network environment. It presents a solution to simple and efficient information dissemination in the form of Distributed Decision Engine— a CEP-like system enabling the building of a highly scalable and dynamic messaging system enabling dissemination, analysis and control of the complex series of interrelated events in the network. The dissertation also presents results showing a clear benefit in using cross-layer and cross-domain information in a modern wireless environment and validates the final prototype implementation of DDE with laboratory measurements. Effective use of disseminated cross-layer information is another key element in autonomic wireless networking. This dissertation also focuses on intelligent decision-making based on cross-layer information by presenting test results which attest that the performance of an autonomic wireless networking system can be improved by using cognitive techniques in its management algorithms, and that hierarchy and coordination can be utilized to minimize the effect of conflicting decisions of the system. / Tiivistelmä Mobiilin Internet-liikenteen räjähdysmäinen kasvu ja langattomien verkkojen jatkuva jakautuminen useisiin tekniikoihin vaativat uusia ratkaisuja näiden verkkojen tehokkaaseen käyttöön. Kognitiivinen verkon hallinta mahdollistaa oppimisen, minkä avulla laitteiden yhteyksiä voidaan optimoida autonomisesti aiemman kokemuksen perusteella. Tällainen optimointi vaatii kuitenkin valtavan määrän verkosta ja laitteista kerättyä tietoa, mikä tekee tehokkaasta tiedonjakelusta keskeisen elementin autonomisessa verkon hallinnassa. Tässä väitöskirjassa tutkitaan verkon valintaan ja palveluiden sopeuttamiseen vaadittavan tiedon välittämistä ja hallintaa autonomisissa langattomissa verkoissa. Ratkaisuna yksinkertaiseen ja tehokkaaseen tiedonvälitykseen esitellään hajautettu Distributed Decision Engine -komponentti, joka mahdollistaa skaalautuvan tiedon jakelu-, analysointi- ja hallintajärjestelmän rakentamisen. Lisäksi väitöskirjassa kuvataan myös tuloksia, jotka osoittavat, että verkkokerrosten välisen tiedon käyttämisellä voidaan saavuttaa selvää etua, sekä tuloksia, jotka vahvistavat DDE-prototyyppitoteutuksen toimivuuden laboratoriomittauksin. Verkkokerrosten välisen tiedon tehokas hyödyntäminen on toinen keskeinen tekijä autonomisessa langattomien verkkojen hallinnassa. Väitöskirjassa käsitellään myös älykästä päätöksentekoa kyseisen informaation pohjalta sekä esitellään tuloksia, jotka osoittavat, että päätöksentekoa autonomisessa langattomien verkkojen hallinnassa voidaan parantaa kognitiivisilla tekniikoilla. Lisäksi esitetyt tulokset osoittavat, että hierarkialla sekä koordinoinnilla voidaan minimoida ristiriitaisten päätösten vaikutukset järjestelmään.

L'un des défis majeurs pour les décennies à venir, dans le domaine des technologies de l'information et de la communication, est la réalisation du concept des réseaux autonomes. Ce paradigme a pour objectif de rendre les équipements réseaux capables de s'autogérer, c'est-à-dire qu'ils pourront s'auto-configurer, s'auto-optimiser, s'auto-protéger et s'auto-restaurer en respectant les objectifs de haut niveau de leurs concepteurs. Les architectures majeures de réseaux autonomes se basent principalement sur la notion de boucle de contrôle fermée permettant l'auto-adaptation (auto-configuration et auto-optimisation) de l'équipement réseau en fonction des événements qui surviennent sur leur environnement. Le plan de connaissance est une des approches, très mise en avant ces dernières années par le monde de la recherche, qui suggère l'utilisation des systèmes cognitifs (l'apprentissage et le raisonnement) pour fermer la boucle de contrôle. Cependant, bien que les architectures majeures de gestion autonomes intègrent des modules d'apprentissage sous forme de boite noire, peu de recherches s'intéressent véritablement au contenu de ces boites. C'est dans ce cadre que nous avons fait une étude sur l'apport potentiel de l'apprentissage et proposé une méthode d'apprentissage distribué et collaboratif. Nous proposons une formalisation du problème d'auto-adaptation sous forme d'un problème d'apprentissage d'état-actions. Cette formalisation nous permet de définir un apprentissage de stratégies d'auto-adaptation qui se base sur l'utilisation de l'historique des transitions et utilise la programmation logique inductive pour découvrir de nouvelles stratégies à partir de celles déjà découvertes. Nous définissons, aussi un algorithme de partage de la connaissance qui permet d'accélérer le processus d'apprentissage. Enfin, nous avons testé l'approche proposé dans le cadre d'un réseau DiffServ et montré sa transposition sur le contexte du transport de flux multimédia dans les réseaux sans-fil 802.11. / One of the major challenges for decades to come, in the field of information technologies and the communication, is realization of autonomic paradigm. It aims to enable network equipments to self-manage, enable them to self-configure, self-optimize, self-protect and self-heal according to high-level objectives of their designers. Major architectures of autonomic networking are based on closed control loop allowing self-adapting (self-configuring and self-optimizing) of the network equipment according to the events which arise on their environment. Knowledge plane is one approach, very emphasis these last years by researchers, which suggests the use of the cognitive systems (machine learning and the reasoning) to realize closed control loop. However, although the major autonomic architectures integrate machine learning modules as functional block, few researches are really interested in the contents of these blocks. It is in this context that we made a study on the potential contribution machine learning and proposed a method of distributed and collaborative machine learning. We propose a formalization self-adapting problem in term of learning configuration strategies (state-actions) problem. This formalization allows us to define a strategies machine learning method for self-adapting which is based on the history observed transitions and uses inductive logic programming to discover new strategies from those already discovered. We defined, also a knowledge sharing algorithm which makes network components collaborate to improve learning process. Finally, we tested our approach in DiffServ context and showed its transposition on multimedia streaming in 802.11 wireless networks.