L’évolution des communications sans fil doit répondre à la croissance exponentielle de la consommation de données. On prévoit une augmentation du débit allant jusqu’à 1000 d’ici 2020. Cependant, pour atteindre ce but, plusieurs ingrédients sont essentiels. La limitation majeure des systèmes sans fil est l’interférence à cause de la réutilisation des fréquences. C'est un problème qui existait depuis toujours et notamment à partir de la 3G. On croit que ce problème sera notamment plus grave dans la 5G, et cela à cause de la densification prévue des réseaux. L’utilisation de l’OFDM en 4G a mené à la gestion de l’interférence par coordination dynamique des blocs de ressources. Or, cela n’a permis qu’une augmentation modeste du débit. Une nouvelle technique de gestion de l’interférence fut née il y a 5 années. Cette technique s’appelle l’alignement d’interférence (IA). L’IA permet d’avoir une capacité égale à la moitié de la capacité d’un système sans interférences. Cette technique suppose que chaque transmetteur (TX) connait les canaux non seulement envers les récepteurs (RX)s mais les canaux de tous les TXs vers tous les RXs. Une technique d’interférence plus récente qui améliore l’IA, c’est le massive MIMO, ou les TXs sont équipés d’antennes à grande échelle. l’idée est motivée par plusieurs simplifications qui apparaissent en régime asymptotique ou les stations de base ont un trés grand nombre d’antennes. Le but de cette thèse est d’introduire des solutions complètes et réalistes pour la gestion d’interférence en utilisant le massive MIMO dans un scénario multi-cellules multi-utilisateurs. Notre travail traite surtout le problème de la connaissance imparfaite des canaux. / The evolution of wireless communication must meet the increasingly high demand in mobile data. It is expected to increase the maximum rates of wireless by a factor of 1000 by 2020. Meanwhile, it is clear that to reach this goal, a combination of different ingredients is necessary. The major limitation of wireless systems is the interference due to frequency reuse. This has been a long-standing impairment in cellular networks of all generations that will be further exacerbated in 5G networks, due to the expected dense cell deployment. The use of orthogonal frequency-division multiplexing (OFDM) in 4G leaded to an interference management by dynamic coordination of resource blocks. However, this allowed only modest gains in rates. A new technique of interference management was born 5 years ago, the interference alignment (IA). the IA permits to have a capacity with equals the half of the capacity of an interference-free system. This technique supposes that each transmitter (TX) knows the channels not only towards its receivers (RX)s, but the channels from all TXs to all receivers RXs. A more recent interference technique that boosts IA is massive multiple input multiple output (MIMO), where TXs use antennas at a very large scale. The idea is motivated by many simplifications, which appear in an asymptotic regime where base stations are endowed with large numbers of antennas. This thesis treats the problem of interference cancellation and capacity maximization in massive MIMO. In this context, the thesis proposes new interference management alternatives for the massive MIMO antenna regime, taking into account also the practical challenges of massive antenna arrays.

Entrées multiples, sorties multiples (MIMO) massif est considéré comme l'une des technologies clés de la prochaine génération de communications sans fil. Afin d'effectuer des algorithmes de formation de faisceau en liaison descendante (DL) avec un grand réseau d'antennes, le plus grand défi est l'acquisition d'informations précises d'état de canal à l'émetteur (CSIT). Pour relever ce défi, le duplex à division temporelle (TDD) est favorable aux systèmes MIMO massif grâce à sa réciprocité de canal de la DL et la liaison montante (UL). Cependant, alors que le canal physique dans l'air est réciproque, les front-ends de radiofréquence (RF) dans les émetteurs-récepteurs ne le sont pas ; par conséquent, la calibration devrait être utilisée dans des systèmes pratiques pour compenser l'asymétrie matérielle RF. Dans cette thèse, nous nous efforçons de transformer le concept MIMO massif en réalité en utilisant la calibration de la réciprocité TDD. Les contributions peuvent être résumées comme suit. Tout d'abord, nous proposons un cadre unifié pour la calibration de la réciprocité, qui généralise diverses méthodes de calibration existant dans la littérature, offrant une vue supérieure sur le problème de calibration ainsi que l'ouverture de nombreuses innovations sur les méthodes de calibration. Deuxièmement, sur la base de cette représentation générale, nous proposons trois nouveaux schémas de calibration : une méthode de calibration rapide basée sur le groupement d'antennes, un schéma de calibration pour l'architecture hybride de formation de faisceau, ainsi qu'un mécanisme de suivi des paramètres de calibration et de surveillance de la santé du système qui permet une détection rapide du changement de paramètre. Troisièmement, nous avons effectué des mesures des paramètres de calibration sur une plate-forme réelle afin de révéler les propriétés matérielles. Quatrièmement, nous étudions, du point de vue du système, avec quelle précision un système MIMO massif TDD devrait être calibré. Enfin, grâce à la calibration de réciprocité TDD, nous avons construit un banc d’essai pour MIMO massif, qui est compatible avec l'évolution à long terme (LTE) basé sur la plate-forme « open source » OpenAirInterface, et peut directement fournir un service Internet à un appareil commercial. Le banc d'essai démontre la faisabilité d'intégrer le MIMO massif dans les normes actuelles du projet de partenariat de troisième génération (3GPP) et son utilisation dans le 5G peut être une évolution à partir des systèmes 4G actuels. / Massive multiple-input multiple-output (MIMO) is considered as one of the key technologies that will enable the next generation of wireless communications. In order to perform downlink (DL) beamforming algorithms with large antenna arrays, the biggest challenge is the acquisition of accurate channel state information at the transmitter (CSIT). To take up this challenge, time division duplex (TDD) is favorable to massive MIMO systems thanks to its channel reciprocity in DL and uplink (UL). However, while the physical channel in the air is reciprocal, the radio-frequency (RF) front-ends in transceivers are not; therefore, calibration should be used in practical systems to compensate the RF hardware asymmetry. In this thesis, we focus on turning massive MIMO concept into reality based on TDD reciprocity calibration. The contributions can be summarized as follows. First, we propose a unified framework for reciprocity calibration, which generalizes various calibration methods existing in literature, providing a higher level view on the calibration problem as well as opening up possibilities of numerous innovations on calibration methods. Second, based on this general representation, we propose three new calibration schemes: a fast calibration method based on antenna grouping, a calibration scheme for hybrid beamforming architecture, as well as a calibration parameter tracking and system health monitoring mechanism which allows fast detection of parameter change. Third, we carried out measurements of calibration parameters on a real platform in order to reveal the hardware properties. Fourth, we study, from a system point of view, how accurately a TDD massive MIMO system should be calibrated. Last but not least, enabled by TDD reciprocity calibration, we build up an open source long term evolution (LTE) compatible massive MIMO testbed based on the OpenAirInterface platform, which can directly provide Internet service to a commercial device. The testbed demonstrates the feasibility of integrating massive MIMO into current 3rd Generation Partnership Project (3GPP) standards and its usage in 5G can be a smooth evolution from current 4G systems.

5G est prévu pour s'attaquer, en plus d'une augmentation considérable du volume de trafic, la tâche de connecter des milliards d'appareils avec des exigences de service hétérogènes. Afin de relever les défis de la 5G, nous préconisons une utilisation plus efficace des informations disponibles, avec plus de sensibilisation par rapport aux services et aux utilisateurs, et une expansion de l'intelligence du RAN. En particulier, nous nous concentrons sur deux activateurs clés de la 5G, à savoir le MIMO massif et la mise en cache proactive. Dans le troisième chapitre, nous nous concentrons sur la problématique de l'acquisition de CSI dans MIMO massif en TDD. Pour ce faire, nous proposons de nouveaux schémas de regroupement spatial tels que, dans chaque groupe, une couverture maximale de la base spatiale du signal avec un chevauchement minimal entre les signatures spatiales des utilisateurs est obtenue. Ce dernier permet d'augmenter la densité de connexion tout en améliorant l'efficacité spectrale. MIMO massif en TDD est également au centre du quatrième chapitre. Dans ce cas, en se basant sur les différents taux de vieillissement des canaux sans fil, la périodicité d'estimation de CSI est supplémentaire. Nous le faisons en proposant un exploité comme un degré de liberté supplémentaire. Nous le faisons en proposant une adaptation dynamique de la trame TDD en fonction des temps de cohérence des canaux hétérogènes. Les stations de bases MIMO massif sont capables d'apprendre la meilleure politique d’estimation sur le uplink pour de longues périodes. Comme les changements de canaux résultent principalement de la mobilité de l'appareil, la connaissance de l'emplacement est également incluse dans le processus d'apprentissage. Le problème de planification qui en a résulté a été modélisé comme un POMDP à deux échelles temporelles et des algorithmes efficaces à faible complexité ont été fournis pour le résoudre. Le cinquième chapitre met l'accent sur la mise en cache proactive. Nous nous concentrons sur l'amélioration de l'efficacité énergétique des réseaux dotes de mise en cache en exploitant la corrélation dans les modèles de trafic en plus de la répartition spatiale des demandes. Nous proposons un cadre qui établit un compromis optimal entre la complexité et la véracité dans la modélisation du comportement des utilisateurs grâce à la classification adaptative basée sur la popularité du contenu. Il simplifie également le problème du placement de contenu, ce qui se traduit par un cadre d'allocation de contenu rapidement adaptable et économe en énergie. / 5G is envisioned to tackle, in addition to a considerable increase in traffic volume, the task of connecting billions of devices with heterogeneous service requirements. In order to address the challenges of 5G, we advocate a more efficient use of the available information, with more service and user awareness, and an expansion of the RAN intelligence. In particular, we focus on two key enablers of 5G, namely massive MIMO and proactive caching. In the third chapter, we focus on addressing the bottleneck of CSI acquisition in TDD Massive MIMO. In order to do so, we propose novel spatial grouping schemes such that, in each group, maximum coverage of the signal’s spatial basis with minimum overlapping between user spatial signatures is achieved. The latter enables to increase connection density while improving spectral efficiency. TDD Massive MIMO is also the focus of the fourth chapter. Therein, based on the different rates of wireless channels aging, CSI estimation periodicity is exploited as an additional DoF. We do so by proposing a dynamic adaptation of the TDD frame based on the heterogeneous channels coherence times. The Massive MIMO BSs are enabled to learn the best uplink training policy for long periods. Since channel changes result primarily from device mobility, location awareness is also included in the learning process. The resulting planning problem was modeled as a two-time scale POMDP and efficient low complexity algorithms were provided to solve it. The fifth chapter focuses on proactive caching. We focus on improving the energy efficiency of cache-enabled networks by exploiting the correlation in traffic patterns in addition to the spatial repartition of requests. We propose a framework that strikes the optimal trade-off between complexity and truthfulness in user behavior modeling through adaptive content popularity-based clustering. It also simplifies the problem of content placement, which results in a rapidly adaptable and energy efficient content allocation framework.