Jumeau numérique et gestion autonome pour une efficacité énergétique dans la 6G

Ces dernières années, l'industrie et le monde académique ont amorcé les premières phases de recherche et développement pour préparer la transition de la 5G (architecture SBA, Service-Based Architecture) vers la 6G. Des projets de recherche innovants se déroulent à l'échelle mondiale, notamment via des programmes de financement européens tels qu'Horizon Europe, qui visent à soutenir des technologies exploitables au-delà de la 5G/6G. Néanmoins, les sujets d'étude spécifiquement dédiés à la 6G ne sont apparus dans le projet de partenariat 3GPP (3rd Generation Partnership Project) qu'après 2023, avec un travail préliminaire d'intégration de l'IA et de l'apprentissage automatique (IA/ML) (ex. Release-18 de la 3GPP). Par ailleurs, les premiers services commerciaux en 6G pourraient n'émerger qu'après 2030. Bien sûr, ces prévisions restent sujettes à évolution, et il est essentiel de prendre en compte l'impact que la recherche actuelle pourrait avoir sur les futures normes. Les réseaux 6G à venir seront extrêmement complexes, nécessitant des délais de déploiement plus longs, des coûts accrus et des efforts de gestion supplémentaires. Malgré cela, les opérateurs de réseau recherchent des réseaux 6G intelligents, auto-organisés et économiques pour réduire les dépenses opérationnelles (OPEX). L'intégration de l'intelligence artificielle, et plus particulièrement de l'apprentissage automatique, apparaît comme une solution pratique pour relever ces défis. Des travaux récents commencent à proposer de nouvelles architectures de services et de réseaux pour la 6G, intégrant l'IA de manière native.

Dans ce projet de thèse nous allons nous focaliser particulièrement sur l'efficacité énergétique de la 6G où nos réseaux devront non seulement transformer notre mode de vie et de travail, mais aussi avoir un impact direct sur la préservation de la planète. Cependant, un défi majeur pour construire un système 6G durable est que cette nouvelle génération de réseau devra transmettre beaucoup plus de données à des débits bien plus élevés que ceux d'aujourd'hui, tout en respectant des objectifs d'efficacité énergétique très stricts. Autrement dit, l'énergie nécessaire pour transmettre chaque bit de données devra être considérablement réduite. Pour y parvenir, des innovations radicales sont nécessaires pour créer des réseaux 6G à la fois puissants et économes en énergie. Une technologie clé dans cette direction est l'intelligence artificielle (IA) et l'apprentissage automatique (ML), qui peuvent améliorer drastiquement l'efficacité du réseau tout en permettant la connexion de beaucoup plus d'appareils qu’aujourd'hui. La convergence de l'IA/ML et de la 6G pourrait donc surmonter la complexité du réseau et ouvrir la voie à un écosystème plus durable. Néanmoins, peu de recherches ont été menées sur la convergence de la 6G et de l'IA/ML du point de vue de l'efficacité énergétique. Bien que des jeux de données soient en cours de création pour entraîner ou réentraîner les modèles IA/ML, ils devront combiner des mesures réelles et des données simulées pour être efficaces. Le développement expérimental d'algorithmes visant à optimiser la consommation énergétique peut toutefois affecter négativement les performances des réseaux 6G en production, en raison de leur complexité élevée et de leurs effets opérationnels imprévisibles. Il est donc crucial que ces modèles soient d'abord entraînés et testés dans un environnement protégé, appelé " sandbox", utilisant un jumeau numérique du réseau. Cela permettra de s'assurer que les modèles sont prêts avant d'être déployés sur des réseaux en production, où ils pourraient entrer en conflit avec des algorithmes déjà en place pour optimiser le réseau (comme les réseaux auto-optimisés SON et la gestion des ressources radio RRM).

Avec le passage à des fréquences élevées (comme les sous-THz) et la densification des stations de base (gNodeBs), les réseaux 6G devront offrir des connexions plus rapides et omniprésentes, mais au prix d'une consommation énergétique accrue et d'un impact environnemental important. Or, les réseaux de télécommunications actuels sont majoritairement alimentés par des sources d’énergie non renouvelables, et le secteur des technologies de l'information et des communications (TIC) représente environ 51 % des émissions mondiales de carbone. Par conséquent, une gestion énergétique optimisée est cruciale pour rendre les réseaux plus écologiques et réduire les coûts d’exploitation pour les opérateurs mobiles. Ce contexte rend les solutions de gestion énergétique intelligente incontournables, surtout dans les zones urbaines denses.

Ainsi, l'objectif principal du projet de thèse est de créer des modèles de jumeaux numériques pour la gestion et l'optimisation de la consommation d’énergie dans les réseaux mobiles denses. Ces « jumeaux numériques » sont des répliques virtuelles de systèmes physiques, intégrant des données de capteurs, des modèles de simulation et des techniques d'IA pour prédire et optimiser en temps réel le comportement de ces systèmes. Originellement conçus pour le secteur manufacturier, les jumeaux numériques sont désormais appliqués aux réseaux de communication pour optimiser la gestion prédictive et la sécurité des infrastructures. Dans le cadre des réseaux 6G, ils permettent de tester, d'anticiper les comportements réseau et de faciliter les prises de décisions automatisées, améliorant ainsi la performance énergétique des réseaux tout en minimisant les interventions humaines et les risques d'erreur.

Le projet de thèse vise à concevoir et développer un framework de gestion autonome reposant sur l'utilisation de jumeaux numériques intégrant l'IA pour les nouvelles générations de fonctions réseau (en anglais NF pour Network Function. C‘est un service virtuel gérant des tâches spécifiques du réseau, telles que la sécurité, la gestion des connexions ou la distribution de données.) dans un réseau 6G. Ce système permettra d'optimiser les performances du réseau en améliorant l'efficacité énergétique, non seulement du côté réseau en réduisant la consommation d'énergie, mais aussi en intégrant des sources d'énergie renouvelable pour minimiser l'impact environnemental. Par ailleurs, cette approche contribuera à améliorer l'expérience utilisateur.

Cette optimisation repose sur l’adaptabilité continue de l’infrastructure 6G grâce à une boucle de contrôle fermée MAPE-K (surveillance, analyse, planification, exécution et connaissances), qui permet une gestion autonome et intelligente sans intervention humaine, également appelée zero-touch management. Le jumeau numérique collecte, via une interface de capteurs, des données en temps réel, qui sont ensuite analysées par des techniques d'optimisation basées sur l’IA pour ajuster les configurations énergétiques du réseau. Le projet s’appuie sur le paradigme de l’Autonomic Computing (AC), inspiré du système nerveux autonome humain, qui adapte automatiquement les ressources essentielles. Cette approche rend les réseaux autonomes en intégrant des fonctions d’auto-configuration, d'auto-restauration, d’auto-optimisation et d’auto-protection (i.e. self- chop), indispensables à la gestion des réseaux 6G de plus en plus complexes. Ainsi, le réseau s’adapte de manière proactive aux variations de charge et d’environnement, assurant une performance optimale tout en minimisant l'empreinte énergétique.

Références

[1] Sébastien Faye et al., “Integrating Network Digital Twinning into Future AI-based 6G Systems: The 6G-TWIN Vision”, EuCNC & 6G Summit 2024, Antwerp, Belgium, 3-6 June 2024.

[2] Ion Turcanu, Sébastien Faye, Horst Fellner, German Castellanos, Julien Baudouin, Sidi Mohammed Senouci, Mario Franke, and Christoph Sommer, “Digital Twinning for 6G Teleoperated Driving: The 6G-TWIN Vision”, EuCNC & 6G Summit 2024, Antwerp, Belgium, 3-6 June 2024.

[3] D. Kim, J. Park, and S. Kim, "AI-native 6G wireless networks: Opportunities and challenges," IEEE Communications Magazine, vol. 59, no. 2, pp. 48-54, Feb. 2021.

[4] Networld Europe STRIA (2022), 6G Architecture Landscape (2022).

[5] ITU-T Recommendation Y.3090: Digital twin network - Requirements and architecture (2022).

[6] Gupta, B. B., Gaurav, A., Marín, E. C., & Alhalabi, W. (2022). Novel graph-based machine learning technique to secure smart vehicles in intelligent transportation systems. IEEE transactions on intelligent transportation systems.

[7] M. Camelo et al., "DAEMON: A Network Intelligence Plane for 6G Networks," 2022 IEEE Globecom Workshops (GC Wkshps), Rio de Janeiro, Brazil, 2022, pp. 1341-1346, doi: 10.1109/GCWkshps56602.2022.10008662.

[8] TU Y.3090, Digital twin network - Requirements and architecture https://www.itu.int/rec/T-REC-Y.3090.

[9] Philippe Lalanda, Julie A McCann, and Ada Diaconescu. Autonomic computing: principles, design and implementation. Springer Science & Business Media, 2013.

[10] Martina Maggio et al. A comparison of autonomic decision making techniques. Tech. rep. MIT, 2011.