FR3150923A1

FR3150923A1 - Procédé de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire, dispositif de prédiction et programme d’ordinateur correspondants.

Info

Publication number: FR3150923A1
Application number: FR2307246A
Authority: FR
Inventors: Maroua DRISSI; Olivier Simon
Original assignee: Orange SA
Current assignee: Orange SA
Priority date: 2023-07-06
Filing date: 2023-07-06
Publication date: 2025-01-10
Also published as: WO2025008178A1

Abstract

Procédé de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire, dispositif de prédiction et programme d’ordinateur correspondants. L’invention se rapporte à un procédé de prédiction d’une variation d’une qualité de service (QoS) dans un réseau de télécommunication cellulaire comprenant au moins une station de base à laquelle un équipement utilisateur est connecté. Un tel procédé comprend : - une collecte (DUE) d’au moins une information de localisation (IL) comprenant un identifiant de ladite station de base, - une sélection (S_MOD), parmi un ensemble d’indicateurs clés de performance (KPI) dudit réseau, d’au moins un indicateur d’intérêt représentatif de ladite qualité de service, - une prédiction (C_MOD) par apprentissage automatique d’une valeur future dudit indicateur d’intérêt à partir d’au moins une trajectoire temporelle dudit indicateur d’intérêt, ladite trajectoire temporelle étant représentative de valeurs passées dudit indicateur d’intérêt, collectées par le dispositif de prédiction, - une transmission (ADAPT), au sein dudit réseau, d’un message d’ajustement d’au moins un paramètre dudit réseau en fonction de ladite valeur future prédite. Figure d’abrégé : Figure 4

Description

Procédé de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire, dispositif de prédiction et programme d’ordinateur correspondants.

Domaine de l’invention

Le domaine de l’invention est celui des radiocommunications cellulaires. En particulier, la solution proposée s’applique notamment, mais non exclusivement, dans le contexte des réseaux mobiles LTE/4G (en anglais «Long Term Evolution» ou «évolution à long terme») ou 5G NR (en anglais «New Radio» ou «Nouvelle Radio»).

Plus particulièrement, l’invention concerne l’utilisation d’un modèle d’apprentissage automatique (en anglais «Machine learning») pour la prédiction de la qualité de service (en anglais «Quality of Service», ou QoS) dans un réseau de télécommunication cellulaire, aussi appelé réseau mobile.

Art Antérieur

Dans le passé, les réseaux de télécommunications cellulaires, ou réseaux mobiles, étaient conçus pour fournir un niveau de service de base, tel que la communication vocale et textuelle. Au cours des dernières décennies, les progrès technologiques au niveau des équipements utilisateurs (par exemple : téléphone intelligent ou «smartphone» en anglais, tablette, ordinateur portable, …), ainsi que l'évolution des attentes des utilisateurs ont entraîné un changement dans la façon dont ceux-ci interagissent avec leurs appareils et Internet.

En effet, les utilisateurs s'attendent désormais à ce que les réseaux mobiles fournissent une gamme de services diversifiée, notamment l'Internet haut débit, la vidéo en continu et les jeux en temps réel.

L’une des conséquences de cette évolution est l’adaptation des réseaux mobiles. En particulier, pour répondre aux nouvelles attentes des utilisateurs, les opérateurs de réseaux mobiles doivent pouvoir différencier la configuration du réseau mobile en fonction des services spécifiques et des besoins des utilisateurs. Cela signifie que les opérateurs de réseaux mobiles doivent être capables d'adapter les performances du réseau en fonction du type de service fourni et des besoins de l’utilisateur. Par exemple, un réseau mobile peut avoir besoin de donner la priorité à un service de vidéo en continu (en anglais «streaming») sur la communication vocale ou de fournir des vitesses plus rapides pour les applications de jeux en ligne.

Pour permettre aux réseaux mobiles de s’adapter, de nouvelles technologies ont émergée telles que : les capacités d’analyse en temps réel basées sur l'apprentissage automatique et les nouvelles technologies de radiocommunication comme la 5G. Ces nouvelles technologies ont permis aux réseaux mobiles de fournir de nouvelles capacités (par exemple de stockage ou d’analyse des données) et de nouveaux services aux utilisateurs (par exemple Internet haut débit).

L'un des principaux catalyseurs de cette transformation des réseaux mobiles est la capacité de stocker et d'analyser un grand volume de données en temps réel à l'aide de l’apprentissage automatique. En effet, les modèles d’apprentissage automatique permettent notamment aux réseaux mobiles de détecter des modèles et des anomalies dans le trafic réseau et d'ajuster leurs paramètres en conséquence. Autrement dit, en analysant les données du réseau au moment des anomalies constatées dans le passé, un modèle d’intelligence artificielle peut déduire les facteurs qui causent ces dernières et par conséquent les prévoir dans le futur. De plus, la capacité à différencier les paramètres du réseau mobile en fonction des besoins spécifiques du service et des utilisateurs est devenue une exigence essentielle pour les opérateurs de réseaux mobiles.

Par ailleurs, l'émergence de nouvelles capacités (comme par exemple l'informatique de périphérie) liées au déploiement de réseaux de type 5G, devrait apporter des améliorations significatives aux réseaux mobiles. Par exemple, les réseaux de type 5G sont conçus pour fournir une communication ultra-fiable et à faible latence (ou«ultra-reliable low latency communication» en anglais ou URLLC), qui permet de nouveaux cas d'utilisation tels que les véhicules autonomes, la chirurgie à distance et la surveillance en temps réel d’infrastructures critiques (par exemple usines automatisées).

Par ailleurs, la mise en œuvre des réseaux de type 5G conduit également au développement du découpage en tranches de réseau (ou «Network slicing» ou «slicing» en anglais), qui permet aux opérateurs de réseaux mobiles de créer plusieurs réseaux mobiles virtuels sur une seule infrastructure de réseau mobile physique. Chaque tranche de réseau mobile peut être personnalisée avec des caractéristiques et des niveaux de service spécifiques pour répondre aux besoins des différents utilisateurs et cas d'utilisation.

Ainsi, la mise en œuvre des réseaux 5G ouvre de nouvelles opportunités aux entreprises et aux particuliers pour développer et utiliser une variété d'applications innovantes. Cependant, les cas d'utilisation des réseaux 5G les plus exigeants nécessiteront un contrôle de la qualité de service («Quality of Service» en anglais, ou QoS) pour s'assurer qu'ils répondent aux niveaux de performance requis pour chaque utilisateur et pour chaque service.

Le contrôle de la qualité de service englobe plusieurs paramètres critiques, notamment la latence, la gigue, le débit et les métriques de qualité du signal radio telles que RSRP («Reference Signal Received Power» en anglais) et RSSI («Received Signal Strength Indicator» en anglais). Ces paramètres sont représentatifs de la performance du réseau et donc déterminent le niveau de qualité de service qui peut être fourni sur le réseau. À ce titre, il est primordial qu'ils soient soigneusement gérés et surveillés.

La mise en œuvre de la technologie de «Network Slicing» peut permettre le contrôle de la qualité de service dans les réseaux 5G, en fournissant différents niveaux de QoS pour différentes tranches de réseau. Ainsi, les opérateurs de réseau peuvent garantir que les cas d'utilisation les plus exigeants reçoivent le niveau de service requis tout en optimisant l'utilisation des ressources radio.

Cependant, l'un des défis importants auxquels sont confrontés les opérateurs de réseaux mobiles pour fournir un contrôle de la QoS pour les réseaux 5G est l'évolution constante des conditions radio. En effet, au fur et à mesure que les utilisateurs se déplacent dans différentes zones (ou cellules) du réseau mobile, ceux-ci connaissent des conditions radio différentes. Les opérateurs de réseaux mobiles doivent alors ajuster les paramètres du réseau pour fournir le niveau de service requis.

Toutefois, il est extrêmement difficile de prévoir avec précision les conditions radio futures, et les opérateurs de réseaux mobiles peuvent ne pas être en mesure de garantir des accords de niveau de service («Service Level Agreement» en anglais ou SLA) sans une perte significative de ressources radio.

Ainsi, malgré les dernières avancées en matière de technologie de radiocommunication ou d’apprentissage automatique, il n'est toujours pas possible aujourd'hui d'adapter individuellement les caractéristiques du réseau mobile sur la base d'une prédiction de la qualité de service future. Cela signifie que les réseaux mobiles peuvent toujours subir des coupures ou des problèmes de performances qui peuvent avoir un impact sur l'expérience de l’utilisateur. Bien que l'apprentissage automatique et les capacités en temps réel aient aidé les réseaux mobiles à devenir plus efficients et efficaces, il reste encore du travail à faire pour s'assurer que les réseaux mobiles peuvent anticiper et s'adapter aux besoins des utilisateurs en temps réel.

Il existe donc un besoin d’améliorer les techniques d’adaptation à un changement de QoS dans un contexte de réseau de télécommunication cellulaire afin d’assurer la meilleure QoS possible pour les utilisateurs. En particulier, il est important de permettre aux réseaux mobiles de s’adapter en amont d’une variation de QoS afin de garantir la meilleure QoS possible pour l’utilisateur.

La présente technique permet de proposer une solution visant à remédier à certains inconvénients de l’art antérieur. Selon un aspect, la présente technique se rapporte en effet à un procédé de prédiction d’une variation d’une qualité de service dans un réseau de télécommunication cellulaire comprenant au moins une station de base à laquelle au moins un équipement utilisateur est connecté. Selon le principe général de la technique proposée, ledit procédé est mis en œuvre par un dispositif de prédiction et il comprend :

- une collecte d’au moins une information de localisation comprenant un identifiant de ladite au moins une station de base à laquelle ledit au moins un équipement utilisateur est connecté,

- une sélection, parmi un ensemble d’indicateurs clés de performance dudit réseau, d’au moins un indicateur clé de performance d’intérêt représentatif de ladite qualité de service fourni par ladite au moins une station de base audit au moins un équipement utilisateur,

- une prédiction par apprentissage automatique d’une valeur future dudit au moins un indicateur clé de performance d’intérêt à partir d’au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt, ladite au moins une trajectoire temporelle étant représentative de valeurs passées dudit au moins un indicateur clés de performance d’intérêt, collectées par ledit dispositif de prédiction,

- une transmission, au sein dudit réseau de télécommunication cellulaire, d’un message d’ajustement d’au moins un paramètre dudit réseau de télécommunication cellulaire en fonction de ladite valeur future prédite.

Ainsi, l’invention propose une approche tout à fait nouvelle et inventive de la prédiction de la variation de la qualité de service (QoS) au sein d’un réseau de télécommunication cellulaire (ou réseau mobile) d’un opérateur. Plus particulièrement, l’invention propose de prédire la variation de QoS au sein du réseau mobile, uniquement sur la base de valeurs de métriques collectées par les différents nœuds du réseau mobile de l’opérateur et sur la localisation d’un équipement utilisateur au niveau cellulaire. En d’autres termes, il n’y a pas besoin d’avoir recours à des informations de géolocalisation d’équipements utilisateurs, mais uniquement de connaître leur position dans le réseau, par exemple en connaissant la station de base à laquelle l’équipement utilisateur est connecté. En effet, la localisation de l’équipement utilisateur est basée sur l’identification de la station de base à laquelle l’équipement utilisateur est connecté. Autrement dit, le procédé selon l’invention est basé sur la localisation au niveau cellulaire de l’équipement utilisateur et donc sur la détection du changement de cellules (par exemple, le réseau de l’opérateur sait si l’équipement utilisateur est présent dans une cellule donnée car il échange avec la station de base de la cellule et vers quelle cellule cet équipement utilisateur se déplace lorsqu’il se connecte à une autre station de base). Il est ainsi possible de pallier à la variation de QoS lorsque l’équipement utilisateur se déplace au sein du réseau.

Les métriques collectées sont représentatives d’indicateurs (par exemple : débit, latence, congestion…) qui influencent les performances du réseau et donc directement ou indirectement la QoS. En particulier, parmi ces indicateurs, également appelés indicateurs clés de performances ou KPIs (« Key Performance Indicator » en anglais), on retrouve : des KPIs non liés au service utilisé (par exemple le SINR («Signal to Interference plus Noise Ratio» en anglais), ou liés au service utilisé (par exemple : pixellisation pour un service de vidéo en ligne).

La possibilité de prédire les performances d'un réseau mobile pour chaque équipement utilisateur est un développement important dans le domaine de l'optimisation de ces réseaux. En effet, traditionnellement, les performances du réseau mobile ne peuvent être mesurées qu'en temps réel ou après coup, ce qui complique l'optimisation du comportement du réseau mobile pour offrir la meilleure expérience possible à l’utilisateur. Cependant, avec l'émergence de l'apprentissage automatique (en anglais «Machine Learning») et de l'analyse prédictive, il est désormais possible de développer des modèles capables de prédire les performances d'un réseau mobile pour chaque utilisateur.

Afin de faire une prédiction personnalisée, un ou plusieurs indicateurs clés de performances d’intérêt, ou KPIs, représentatifs de la QoS fournie par le réseau de télécommunication à l’équipement utilisateur sont sélectionnés parmi un ensemble de KPIs réseau. Les valeurs passées de ce ou ces KPIs d’intérêt sont collectées par le dispositif de prédiction, puis représentées sous forme de trajectoires temporelles. Ces trajectoires temporelles sont donc représentatives de l’évolution dans le temps et l’espace des KPIs d’intérêt.

A partir de ces trajectoires temporelles, il est possible de prédire, en fonction de la localisation au niveau cellulaire de l’équipement utilisateur, les valeurs futures du ou des KPIs d’intérêt sélectionnés et donc la variation de la QoS de l’utilisateur final.

En fonction de ces valeurs futures du ou des KPIs d’intérêt, il est donc possible de transmettre à l’opérateur un message pour adapter les paramètres du réseau de télécommunication (par exemple : augmenter la priorité de l’équipement utilisateur, réduire la qualité de la vidéo, etc.) pour garantir la meilleure qualité de service.

En utilisant ce modèle, les opérateurs de réseaux peuvent offrir un niveau de qualité supérieur en prédisant la dégradation de la QoS et en prenant des mesures pour l'éviter. Par exemple, s’il est prédit une dégradation des performances du réseau, l'opérateur du réseau peut ajuster les paramètres du réseau pour s'assurer que l’utilisateur continue de recevoir le niveau de service attendu. Cette approche pro-active peut améliorer considérablement l'expérience utilisateur, entraînant une plus grande satisfaction et fidélité des clients. De plus, les opérateurs de réseau peuvent créer des offres adaptées aux besoins et aux habitudes d'utilisation spécifiques de chaque utilisateur. En prédisant les performances du réseau, les opérateurs de réseau peuvent mieux comprendre les besoins de chaque utilisateur et proposer des services qui répondent à ces besoins. Par exemple, un utilisateur qui utilise de nombreuses applications sensibles à la gigue et la latence peut avoir besoin d'un niveau de service différent de celui d'un utilisateur qui utilise principalement des services vocaux.

Ainsi, la possibilité de prédire les performances d'un réseau mobile pour chaque utilisateur est un développement important qui offre de nombreux avantages aux opérateurs de réseaux mobiles et aux utilisateurs. En utilisant l’apprentissage automatique, les opérateurs de réseaux mobiles peuvent offrir un niveau de qualité supérieur aux utilisateurs, créer des offres adaptées aux besoins de chaque utilisateur et améliorer la satisfaction et la fidélité de ces derniers.

Dans un mode de réalisation particulier, ledit procédé comprend en outre une détermination d’un profil utilisateur en fonction de ladite au moins une information de localisation et d’au moins une information de nature de service.

De cette manière, pour chaque utilisateur, il est possible de déterminer un profil utilisateur basé d’une part sur les informations de localisation des utilisateurs (par exemple : se déplacent beaucoup d’une cellule à une autre, rapidement, …etc.) et d’autre part sur les informations de services (par exemple : utilisation du réseau pour des jeux en ligne, de la voix, des vidéos en ligne, etc.). Ces informations définissent ainsi un « comportement » de l’utilisateur, caractéristique de ses habitudes en termes de déplacement et d’utilisation du réseau mobile. En prenant en compte un profil utilisateur, il est ainsi possible de faire une prédiction de la variation de QoS centrée sur l’utilisateur.

En effet, lorsqu’il y a une bonne couverture réseau mobile, l’un des éléments qui fait que la QoS peut diminuer, est le fait que l’équipement utilisateur se déplace au sein du réseau mobile. Ainsi, la variation de la QoS est intimement liée aux habitudes de déplacement de l’utilisateur. Ces habitudes sont notamment caractérisées par sa localisation au niveau cellulaire dans le temps (par exemple : présence dans une cellule tous les jours à la même heure, déplacements quotidiens entre les mêmes cellules, …).

La QoS dépend également du type de service utilisé par l’utilisateur. En effet, chaque service ne demande pas le même niveau de performance du réseau, et l’utilisateur peut également avoir signé un contrat qui lui garantit un certain niveau de performance pour un service donné, par exemple.

Ainsi, les habitudes de déplacement, mais également d’utilisation de service(s) caractérisent un profil d’utilisateur. Il est donc possible d’adapter la prédiction de la variation de la QoS en fonction du profil de l’utilisateur.

Dans un mode de réalisation particulier, ladite sélection dudit au moins un indicateur clé de performance d’intérêt prend en compte ledit profil utilisateur et des valeurs passées desdits indicateurs clés de performance du réseau, collectées par ledit dispositif de prédiction.

Avantageusement, afin d’affiner la prédiction au profil utilisateur, il est ainsi possible de faire une sélection, parmi tous les indicateurs clés de performance du réseau représentatifs de la variation de la QoS, d’un ou de plusieurs KPIs d’intérêt. Ces KPIs d’intérêts sont adaptés au profil de l’utilisateur, c’est-à-dire qu’ils dépendent de la mobilité de l’équipement utilisateur et du type de service utilisé.

Dans un mode de réalisation particulier, ledit procédé comprend en outre une génération d’au moins un modèle de prédiction associant ledit au moins un profil utilisateur à ladite au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt.

De cette manière, il est ainsi possible de faire une prédiction de la variation de la QoS personnalisée, c’est-à-dire adaptée au profil de l’utilisateur. Ainsi, pour chaque profil utilisateur, il existe un modèle de prédiction pour lequel on prend en compte des indicateurs clés de performance d’intérêts qui vont dépendre du profil utilisateur et en particulier du service utilisé. Il est donc possible de faire une prédiction personnalisée, centrée sur l’utilisateur, et ainsi faire les adaptations du réseau nécessaires pour que la QoS soit adaptée aux besoins de l’utilisateur.

Dans un mode de réalisation particulier, ladite prédiction met en œuvre un module d’intelligence artificielle configuré pour mettre en œuvre ledit au moins un modèle de prédiction.

De cette manière, via l’utilisation d’un tel module d’intelligence artificielle, des techniques telles que par exemple des techniques d’apprentissage profond reposant sur des réseaux de neurones multicouches peuvent être mises en œuvre pour réaliser une tâche de prédiction à partir d’un grand volume de données d’entrées diverses. Plus particulièrement, les données ou informations réseau déjà connues et stockées en mémoire dans les nœuds du réseau mobile de l’opérateur sont collectées par le dispositif de prédiction pour entrainer un algorithme d’apprentissage automatique qui utilise les données passées pour prédire les futures valeurs d’indicateur(s) clé(s) de performance d’intérêts représentatif(s) de la QoS en fonction du service utilisé par l’équipement utilisateur et de ses déplacements au sein du réseau (c’est-à-dire en fonction du profil utilisateur). Un tel algorithme d'apprentissage automatique permet de fournir des prédictions précises des futures conditions radio et donc de la QoS future, permettant ainsi à l’opérateur du réseau d'ajuster les paramètres du réseau en conséquence.

Selon un autre aspect, la technique proposée se rapporte également à un dispositif de prédiction d’une variation d’une qualité de service dans un réseau de télécommunication cellulaire comprenant au moins une station de base à laquelle au moins un équipement utilisateur est connecté, ledit dispositif de prédiction étant configuré pour :

- collecter au moins une information de localisation comprenant un identifiant de ladite au moins une station de base à laquelle ledit au moins un équipement utilisateur est connecté,

- sélectionner, parmi un ensemble d’indicateurs clés de performance dudit, au moins un indicateur clé de performance d’intérêt représentatif de ladite qualité de service fournie par ladite au moins une station de base audit au moins un équipement utilisateur,

- prédire par apprentissage automatique une valeur future dudit au moins un indicateur clé de performance d’intérêt à partir d’au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt, ladite au moins une trajectoire temporelle étant représentative de valeurs passées dudit au moins un indicateur clé de performance d’intérêt, collectées par ledit dispositif de prédiction,

- transmettre au sein dudit réseau de télécommunication cellulaire un message d’ajustement d’au moins un paramètre dudit réseau de télécommunication cellulaire en fonction de ladite valeur future prédite.

Dans un mode de réalisation particulier ledit dispositif est en outre configuré pour déterminer un profil utilisateur en fonction de ladite au moins une information de localisation et d’au moins une information de nature de service.

Dans un mode de réalisation particulier, ladite sélection dudit au moins un indicateurs clé de performance d’intérêt prend en compte ledit profil utilisateur et des valeurs passées desdits indicateurs clés de performance du réseau, collectées par ledit dispositif de prédiction.

Dans un mode de réalisation particulier, ledit dispositif de prédiction met en œuvre un module d’apprentissage automatique configuré pour générer et mettre en œuvre au moins un modèle de prédiction associant ledit au moins un profil utilisateur à ladite au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt.

L’invention concerne également un produit programme d’ordinateur comprenant des instructions de code de programme pour la mise en œuvre d’un procédé de prédiction tel que décrit précédemment, lorsqu’il est exécuté par un processeur.

L’invention vise également un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire selon l’invention tel que décrites ci-dessus, lorsque le programme est exécuté par un processeur.

Un tel support d'enregistrement peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un support mobile (carte mémoire) ou un disque dur ou un SSD.

D'autre part, un tel support d'enregistrement peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens, de sorte que le programme d’ordinateur qu’il contient est exécutable à distance. Le programme selon l'invention peut être en particulier téléchargé sur un réseau par exemple le réseau Internet.

Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter les étapes ou pour être utilisé dans l'exécution du procédé de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire précité.

Selon un exemple de réalisation, la présente technique est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme « module » ou « dispositif » peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.

Un composant logiciel correspond à un ou plusieurs programmes d'ordinateur, un ou plusieurs sous-programmes d'un programme, ou de manière plus générale à tout élément d'un programme ou d'un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d'une entité physique (terminal, serveur, routeur, etc.) et est susceptible d'accéder aux ressources matérielles de cette entité physique (mémoires, supports d'enregistrement, bus de communication, cartes électroniques d'entrées/sorties, interfaces utilisateur, etc.). Par la suite, on entend par ressources tous ensembles d’éléments matériels et/ou logiciels supports d’une fonction ou d’un service, qu’ils soient unitaires ou combinés.

De la même manière, un composant matériel correspond à tout élément d'un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s'agir d'un composant matériel programmable ou avec processeur intégré pour l'exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l'exécution d'un micrologiciel (« firmware » en anglais), etc.

Chaque composante du système précédemment décrit met bien entendu en œuvre ses propres modules logiciels.

Les différents modes de réalisation mentionnés ci-dessus sont combinables entre eux pour la mise en œuvre de la présente technique.

Le dispositif de prédiction, le programme d’ordinateur et le support d’enregistrement correspondants précités présentent au moins les mêmes avantages que ceux conférés par le procédé de prédiction d’une variation de la qualité de service selon la présente invention.

Brève description des figures

D'autres buts, caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante, donnée à titre de simple exemple illustratif, et non limitatif, en relation avec les figures, parmi lesquelles :

:la illustre sous forme schématique un réseau de radiocommunication cellulaire auquel peut être appliqué le procédé de prédiction selon différents modes de réalisation de l’invention ;

:la représente sous forme d’organigramme les différentes étapes de la phase d’apprentissage du procédé de prédiction selon un mode de réalisation de l’invention ;

: la représente un exemple de carte thermique représentant l’évolution dans le temps et l’espace des valeurs d’un indicateur de performance clé, ou KPI ;

:la représente sous forme d’organigramme les différentes étapes du procédé de prédiction selon un mode de réalisation de l’invention ;

:la représente sous forme d’organigramme un exemple d’application du procédé de prédiction d’une variation de la qualité de service selon un mode de réalisation de l’invention dans un réseau de type 2G, 3G ou 4G ;

:la représente sous forme d’organigramme un exemple d’application du procédé de prédiction d’une variation de la qualité de service selon un mode de réalisation de l’invention dans un réseau de type 5G ;

:la illustre de façon schématique un exemple d’architecture d’un dispositif de prédiction d’une variation de qualité de service dans un réseau de télécommunication cellulaire, selon un mode de réalisation de l’invention.

Descriptions des modes de réalisation

Le principe général de l’invention repose sur la prédiction spatio-temporelle de la variation de la qualité de service (ou QoS) liée aux déplacements d’un équipement utilisateur au sein d’un réseau de télécommunication cellulaire, ou réseau mobile.

En effet, lorsqu’il y a une bonne couverture du réseau mobile, l’un des éléments qui fait que la QoS peut diminuer, est le fait que l’équipement utilisateur se déplace au sein du réseau et change de zone, ou cellule. En d’autres termes, lorsqu’un équipement utilisateur se déplace au sein du réseau mobile, il peut passer d’une première zone à une seconde et connaître des conditions radio différentes qui vont influencer la qualité de service.

Avantageusement, ce procédé de prédiction de la variation de la QoS ne prend pas en compte la géolocalisation de l’équipement utilisateur. En effet, pour un opérateur d’un réseau de télécommunication cellulaire, il est très compliqué, voire parfois impossible (notamment pour des raisons de confidentialité par exemple), de récupérer les informations de géolocalisation d’un équipement utilisateur. En effet, ces données de géolocalisation ne sont pas explicitement dans le réseau mobile. En d’autres termes, la position géographique est éventuellement connue de l’équipement utilisateur si le GPS (ou «Global Positioning System» en anglais, ou «Géo-positionnement par satellite») est allumé, mais par défaut ces informations ne remontent pas dans le réseau mobile.

Ainsi, la prédiction de la variation de la QoS selon l’invention est basée uniquement sur l’exploitation de données déjà connues des différents nœuds du réseau mobile de l’opérateur (par exemple : type de service utilisé par l’équipement utilisateur, informations sur les métriques, ou KPIs, représentatives des performances réseau, localisation de l’équipement utilisateur au niveau cellulaire, …). Cette prédiction de la variation de QoS permet ensuite à l’opérateur d’adapter de manière pro-active les paramètres du réseau mobile pour pallier cette variation et garantir à l’utilisateur la QoS la plus adaptée à ses besoins.

On présente tout d’abord en lien avec la , un réseau de radiocommunication cellulaire 1, ou réseau mobile, composé d’un réseau d’antennes-relais (ou stations de base) N₁à N_i(i étant un entier supérieur à zéro), couvrant chacune une portion de territoire délimitée C₁à C_i(i étant un entier supérieur à zéro), couramment appelée cellule (représentée schématiquement sous forme hexagonale sur la ), et acheminant les communications sous forme d’ondes radio vers et depuis des équipements utilisateurs situés dans la cellule correspondante.

Pour accéder aux services proposés par l’opérateur du réseau (voix ou données mobiles), un équipement utilisateur doit donc être situé dans la zone de couverture d’une antenne-relais N_i. Celle-ci a une portée limitée, et ne couvre qu’un territoire restreint autour d’elle, appelé cellule. Pour couvrir un maximum de territoire et faire en sorte que les terminaux utilisateurs aient toujours accès aux services proposés, les opérateurs déploient des milliers de cellules C_i, chacune d’elles étant équipée d’antennes N_ien faisant en sorte que leurs zones de couverture se chevauchent, de façon à offrir un maillage aussi complet que possible du territoire.

Il est à noter que d’autres infrastructures (matériels et/ou logiciels), bien connues, constituent ce réseau mobile (comme par exemple un contrôleur de stations de base...etc.) formant ainsi les différents nœuds du réseau mobile (non représentés).

Le réseau mobile comprend un réseau d’accès et un réseau cœur. Le réseau d'accès est la partie du réseau mobile qui connecte les équipements utilisateurs finaux (tels que par exemple les smartphones ou les ordinateurs portables) aux stations de base radio et à d'autres infrastructures du réseau. Les données du réseau d'accès incluent des informations telles que la force du signal, le débit, la latence et la perte de paquets, qui sont des facteurs importants pour déterminer les performances du réseau pour les utilisateurs individuels. Le cœur de réseau joue également un rôle crucial dans la détermination des performances du réseau, en particulier pour les services gourmands en données tels que la vidéo en continu ou les jeux en ligne. Les données du réseau cœur incluent des informations telles que le routage, le type de service, la congestion et l'équilibrage de charge, qui peuvent avoir un impact significatif sur les performances du réseau pour les utilisateurs individuels.

En conséquence, pour avoir des prédictions précises, il est important de prendre en compte à la fois les données du réseau d'accès et du réseau cœur. En effet, en analysant à la fois les données du réseau d'accès et les données du réseau cœur, on peut acquérir une compréhension plus complète des performances du réseau et offrir une meilleure expérience aux utilisateurs.

Ainsi, de manière avantageuse, le procédé de prédiction de la variation de QoS selon l’invention tire parti de la collecte et de l’exploitation de données d’utilisation du réseau mobile déjà stockées en mémoire dans un ou plusieurs nœuds du réseau mobile.

Plus particulièrement, par données utilisateurs ou données d’utilisation du réseau mobile, on entend l’ensemble des données ou des informations dites « de réseau », connues d’un ou plusieurs nœuds du réseau. Cet ensemble d’informations de réseau regroupe à la fois des informations du réseau d’accès et du réseau cœur. Ces informations sont notamment :

des informations dites « de localisation » représentatives de la localisation au cours du temps et au niveau cellulaire d’un ou plusieurs équipements utilisateurs (par exemple, présence d’un équipement utilisateur dans la cellule C₁, puis déplacement vers la cellule C₂). C’est la station de base de la cellule dans laquelle l’équipement utilisateur est présent qui détecte la présence de l’équipement utilisateur lorsque ce dernier se connecte à la station de base. Les informations de localisation comprennent notamment un identifiant de la station de base à laquelle l’équipement utilisateur est connecté. On comprend donc que par informations de localisation, on entend toutes informations permettant de connaître à tout instant la position de l’équipement utilisateur au sein du réseau ;
des informations dites « de nature de service » représentatives de la nature du ou des service(s) utilisé(s) par un équipement utilisateur (par exemple : jeu en ligne, vidéo, voix…),
des métriques, ou indicateurs clés de performance réseau (aussi appelés KPIs réseau), permettant de quantifier les performances du réseau (par exemple : débit, latence, SINR…) et qui vont donc influencer directement ou indirectement la QoS. Parmi ces KPIs réseau, on retrouve :
- des indicateur(s) clé(s) de performance ou KPIs dits de « bas niveau », c’est-à-dire non liés au service utilisé et qui vont donc influencer indirectement la QoS. Ces KPIs, dits KPI « de bas niveau » sont représentatifs par exemple de la qualité du signal radio, des conditions de congestion... En d’autres termes, ils ne permettent pas de prédire directement l’impact sur le service. Il s’agit par exemple du rapport signal sur interférence ou SINR ;
- des indicateur(s) clé(s) de performance dits de « haut niveau », c’est-à-dire des KPIs dépendant du service. Autrement dit, pour un service donné (par exemple vidéo en ligne) on peut sélectionner un ou plusieurs KPIs représentatifs de la QoS de ce service (par exemple : re-tamponnage d’une vidéo, gel vidéo, pixellisation). Dans ce cas, il faut connaitre en temps réel le service utilisé par l’équipement utilisateur. Pour cela, soit l’information de nature de service est directement connue du réseau mobile, soit elle peut être déduite en fonction des données connues du réseau telles que le schéma de débit, adresse IP, etc… Elle peut également être prédite en se basant sur un historique de l’ensemble des services utilisés par un équipement utilisateur sur une période donnée. En effet, en ayant un volume de données suffisant dans le temps, un modèle d’apprentissage automatique peut déduire l’application qu’un utilisateur pourrait utiliser sur une période de temps. Par exemple, un utilisateur qui regarde un service de vidéo en ligne tous les soirs, une application de musique en allant à son travail, ...

Le procédé de prédiction de la variation de la QoS dans un réseau de télécommunication cellulaire selon l’invention comprend deux phases principales : une phase d’apprentissage d’un ou plusieurs modèle(s) de prédiction de la variation de QoS, et une phase de mise en œuvre de ce(s) modèle(s) de prédiction. Les différentes étapes du procédé de prédiction selon l’invention sont mises en œuvre par un module d’apprentissage automatique ML d’un dispositif de prédiction DISP. Le dispositif de prédiction DISP sera décrit en lien avec la .

Le module d’apprentissage automatique ML utilise des algorithmes d’apprentissage automatique pour prédire la qualité de service (QoS) future à partir d’un modèle de prédiction (prédiction de « bas niveau ») ou à partir d’une combinaison de plusieurs modèles de prédiction (prédiction de « haut niveau ») et ainsi permettre à l’opérateur d’ajuster les paramètres du réseau en conséquence. Cela permet aux opérateurs d’améliorer les performances du réseau, ainsi que l'expérience utilisateur de ce réseau et de fournir un service plus personnalisé et réactif.

On présente désormais en lien avec la , un organigramme représentant les différentes étapes de la phase d’apprentissage des modèles de prédiction de la variation de la QoS. Cette phase d’apprentissage a pour objectif d’entrainer le module d’apprentissage automatique ML, mis en œuvre par le dispositif de prédiction DISP, à identifier différents profils d’utilisateur sur la base d’un ensemble d’informations réseau, et d’y associer au moins un modèle de prédiction. Plus particulièrement, pour chaque profil utilisateur on a un ou plusieurs modèle(s) de prédiction associé(s) en fonction des métriques ou KPIs d’intérêt préalablement sélectionnés (KPI de « bas niveau » ou KPI de « haut niveau »). Les KPIs d’intérêts sont sélectionnés sur la base du service utilisé par l’équipement utilisateur et du profil de l’utilisateur.

Pour cela, pendant la phase d’apprentissage, au cours d’une étape E1, les données d’utilisation du réseau mobile, stockées en mémoire dans un ou plusieurs nœuds du réseau mobile, sont collectées par le dispositif de prédiction DISP. Plus spécifiquement, pour un groupe de plusieurs équipements utilisateurs, le dispositif de prédiction DISP collecte sur une période P (par exemple 24H) un ensemble d’informations d’un réseau d’accès ACC et d’un réseau cœur CO, telles que : un ensemble d’informations de localisation des équipements utilisateurs au niveau cellulaire, un ensemble de KPIs représentatifs des performances du réseau (KPI de « bas niveau » ou KPI de « haut niveau ») pendant la période P, des informations de nature de services utilisés pendant la période P.

Les équipements utilisateurs n’ont pas besoin d’envoyer ces informations de réseau car elles sont déjà connues d’un ou plusieurs nœuds du réseau. Par exemple, lorsqu’un équipement utilisateur utilise un service de vidéo en ligne, le réseau mobile connaît déjà la qualité de la vidéo, ainsi que d’autres informations comme par exemple le débit, la latence, la congestion…etc.

À partir de ces informations réseau, le module d’apprentissage ML crée un historique HIS d’utilisation du réseau.

L’historique HIS d’utilisation du réseau comprend pour chaque équipement utilisateur du groupe un ensemble de trajectoires temporelles représentatives de l’évolution, pendant la période P, d’un ensemble de valeurs de KPIs. Autrement dit, cet historique HIS comprend l’ensemble des valeurs possibles des métriques, ou KPIs, collectées pendant la période P. Ces valeurs vont donc dépendre : des conditions radio rencontrées par l’utilisateur lorsqu’il se déplace dans le réseau et du ou des service(s) utilisé(s) par l’équipement utilisateur. Ces trajectoires temporelles peuvent être anonymisées ou non en fonction du consentement de l’utilisateur.

À partir de ces trajectoires temporelles, le module d’apprentissage automatique ML génère également en étape E1 des cartes temporelles représentatives de l’évolution dans le temps et dans l’espace des KPIs. En particulier, on utilise une représentation sous forme de carte thermique. On représente en lien avec la un exemple de carte thermique représentant l’évolution dans le temps et dans l’espace des valeurs d’un KPI. Cette carte thermique (CTH_KPI_C_tps) représente les valeurs du KPI (par exemple : un débit) VAL_KPI en fonction du temps et de la cellule d’attachement Cell_att, c’est-à-dire de la localisation « cellulaire » de l’équipement utilisateur. Une carte thermique permet donc de représenter à la fois :

l’évolution dans le temps des valeurs d’un KPI, pour une cellule C_idonnée, (Val_KPI_Ci_tps),
à chaque instant passé, présent ou futur, la variation des valeurs d’un KPI sur un ensemble de cellules,
l’évolution dans le temps des valeurs du KPI pour l’ensemble des cellules (Val_KPI_C_tps).

Une carte thermique est donc une représentation graphique des données où les valeurs de ces données sont représentées sous forme de couleurs (ou de niveaux de gris, dans l’exemple de la ). Dans le cadre de l'optimisation du réseau, une carte thermique peut être utilisée pour visualiser les différents KPIs et services sur une carte géographique, permettant aux opérateurs de réseau d'identifier les zones à haute ou basse performance du réseau. La carte thermique peut également aider les opérateurs de réseau à optimiser les performances du réseau en identifiant les domaines où des améliorations sont nécessaires. Par exemple, si de nombreux utilisateurs connaissent de mauvaises performances réseau dans une zone particulière, les opérateurs réseau peuvent utiliser la carte thermique pour identifier la cause première du problème et prendre des mesures pour améliorer les performances du réseau dans cette zone.

Au cours d’une étape E2, également à partir des informations réseau précitées, le module d’apprentissage ML crée un ou plusieurs profil(s) utilisateur(s) PU. Ce(s) profil(s) utilisateur(s) PU regroupe(nt) ensemble les utilisateurs qui ont le même profil, c’est-à-dire le même « comportement », afin de créer des prédictions pour chaque type de comportement, ou profil, utilisateur. Les comportements sont définis par : des informations de localisation MOB des utilisateurs (par exemple les utilisateurs qui se déplacent beaucoup d’une cellule à une autre, rapidement…etc.) et par des informations de nature de service SER (par exemple : utilisation du réseau pour des jeux en ligne, de la voix, des vidéos en ligne…etc.). Les différents profils utilisateurs sont donc caractéristiques des habitudes des utilisateurs. On peut par exemple, avoir un groupe d’utilisateurs qui font le même trajet quotidien en utilisant la même application de musique en ligne. Ce groupe a donc les mêmes informations de localisation ( : déplacement de la cellule C₁à la cellule C₂puis cellule C₃) et de nature de service (application de musique en ligne). Le dispositif de prédiction collecte donc, pour ce groupe d’utilisateurs, des mesures de KPIs réseau (latence, débit etc..) qui vont varier tout au long du trajet en fonction des conditions radio.

Dans une étape E3, on définit la finesse temporelle FT, ou granularité, utilisée pour la mise en place de modèles d’utilisation MOD. La finesse temporelle FT dépend : de la nature des KPIs pris en compte (par exemple certaines valeurs de KPIs peuvent être obtenues au bout de 15 minutes, d’autres au bout d’une heure), du service utilisé et de la mobilité de l’équipement utilisateur (par exemple : l’équipement utilisateur reste 4h sur une cellule, puis se déplace vers une autre cellule). Généralement, les KPIs de « bas niveau » sont remontés en « temps réel ». Pour d’autres KPIs, notamment les KPIs de « haut niveau », il faut attendre un certain temps de traitement (par exemple quelques minutes ou plusieurs heures). Ce temps de traitement dépend du KPI et d’un seuil que l’on fixe. Par exemple, pour un KPI lié à la mobilité, le temps de traitement peut être fixé à plusieurs heures pour vérifier qu’un utilisateur est de passage ou pas sur une cellule.

La finesse temporelle FT permet donc de définir l’horizon de prédiction (par exemple on fait une prédiction sur les 15 prochaines minutes ou bien 1 heure…etc.). En d’autres termes, la finesse temporelle FT dépend du scénario qui est traité : la mobilité de l’équipement utilisateur et le(s) KPI(s) pris en compte pour l’évaluation de la QoS.

Dans une étape E4, le module d’apprentissage automatique ML du dispositif de prédiction DISP est donc entrainé à associer à chaque profil utilisateur PU, des trajectoires temporelles représentatives de l’évolution, pendant la période P, des valeurs de KPIs d’intérêt sélectionnés parmi l’ensemble des KPIs réseau.

Afin de pouvoir sélectionner les KPIs d’intérêt les plus pertinents pour le profil utilisateur PU et donc y associer les trajectoires temporelles appropriées, on utilise les cartes thermiques générées à l’étape E1. En effet, la génération de cartes thermiques peut aider à identifier les couples KPIs/services les plus pertinents pour chaque profil utilisateur PU en visualisant les données de performance du réseau. Dans l’exemple précédent du groupe d’utilisateurs avec un trajet quotidien et l’utilisation d’une même application de musique en ligne, un KPI d’intérêt est par exemple le débit.

En affichant différents KPIs et, éventuellement services, sur la carte, la carte thermique peut aider les opérateurs de réseau à identifier les zones avec des performances réseau élevées ou faibles, et à identifier les KPIs spécifiques qui sont les plus pertinents pour l'utilisateur dans chaque emplacement et pour chaque service.

Une fois les KPIs les plus pertinents identifiés, le(s) modèle(s) de prédiction, centré(s) sur un profil utilisateur PU, peu(ven)t utiliser les valeurs passées des KPIs d’intérêt pour prédire les performances futures du réseau pour chaque utilisateur, en fonction de leurs habitudes d'utilisation passées et d'autres facteurs (par exemple : l’état actuel du réseau, la localisation de l’utilisateur…). Autrement dit, à partir des trajectoires temporelles passées de KPIs d’intérêt et du profil de l’utilisateur PU, il est possible de prédire les valeurs futures de ces KPIs d’intérêt et donc, si nécessaire adapter les paramètres du réseau pour garantir la QoS idéale pour l’utilisateur.

Ainsi, plusieurs modèles MOD de prédiction sont créés en étape E4. Ces modèles de prédiction MOD dépendent du profil utilisateur PU, des KPIs d’intérêt sélectionnés, et éventuellement du service utilisé au moment de la prédiction. En d’autres termes, en fonction du profil utilisateur PU, on a des modèles de prédiction de « bas niveau » et des modèles de prédiction de « haut niveau ». En effet, chaque modèle de prédiction MOD est associé à sa propre liste de KPIs d’intérêt à prendre en compte en entrée de l’algorithme d’apprentissage, ainsi qu’à sa propre finesse temporelle. Autrement dit, ce ne sont pas toujours les mêmes KPIs d’intérêt qui sont utilisés pour une nouvelle prédiction. On définit ainsi des modèles de prédiction :

dits de « bas niveau » pour lesquels on ne prend en compte que des KPIs d’intérêt dits de « bas niveau » non liés au service utilisé pendant la mise en œuvre du procédé de prédiction,
dits de « haut niveau » pour lesquels on prend en compte, alternativement ou en combinaison, des KPIs d’intérêt dits de « haut niveau » dépendant du service (par exemple : pour de la vidéo en ligne, on prend en compte des KPIs spécifiques à ce type d’application).

Chaque modèle de prédiction MOD est ensuite stocké S_MOD (voir ) dans une mémoire du dispositif de prédiction DISP.

En outre, chaque modèle est également associé à un taux d’apprentissage et/ou un taux d’interférence.

Plus particulièrement, le taux d'apprentissage est un paramètre utilisé lors de la formation d'un modèle d'apprentissage automatique. Il détermine la rapidité avec laquelle le modèle ajuste ses pondérations et ses paramètres en fonction des erreurs qu'il commet lors de la prédiction des résultats. Un taux d'apprentissage élevé peut permettre au modèle de converger plus rapidement vers une solution, mais présente également un risque de ne pas prendre en compte certains optima locaux. Un faible taux d'apprentissage peut ralentir la formation du modèle d’apprentissage, mais il permet généralement une meilleure exploration de l'espace des solutions. Le choix du taux d'apprentissage est généralement réalisé en fonction de la complexité du modèle, de la taille de l'ensemble de données et de la nature du problème à résoudre. Il est courant d'ajuster le taux d'apprentissage au fil du temps (par exemple, en le diminuant progressivement) pour améliorer la stabilité et la précision du modèle. Le taux d'interférence, ou taux de régularisation, est une mesure de la capacité d'un modèle à généraliser des données d'apprentissage à de nouvelles données. Des interférences se produisent lorsque le modèle correspond trop étroitement aux données d'apprentissage, ce qui peut entraîner de mauvaises performances sur les données de test ou les données réelles. Pour éviter un tel comportement, des techniques de régularisation sont utilisées, telles que la régularisation L1/L2, le décrochage, etc. Le taux d'interférence contrôle l'ampleur de ces techniques de régularisation. Un taux d'interférence plus élevé réduit la capacité du modèle à s'adapter trop étroitement aux données d'apprentissage, mais peut également réduire sa capacité à capturer des modèles complexes et nuire à ses performances sur les données d'apprentissage. Un taux d'interférence plus faible peut permettre au modèle de mieux s'adapter aux données d'apprentissage, mais peut également avoir pour effet d’entraîner un surajustement et une mauvaise généralisation.

Il convient de noter que le choix optimal du taux d'apprentissage et du taux d'interférence peut varier en fonction du modèle spécifique, de l'ensemble de données, du problème à résoudre et d'autres facteurs. Selon une caractéristique particulière de la technique proposée, une validation croisée est effectuée afin d’identifier les meilleurs paramètres (taux d'apprentissage et/ou taux d'interférence) pour chaque modèle utilisé dans la prédiction d’un KPI donné. On présente désormais en lien avec la ,sous la forme d’un organigramme, les différentes étapes du procédé de prédiction de la variation de la QoS selon un mode de réalisation de l’invention.

Après la fin de la phase d’apprentissage, le module d’apprentissage ML du dispositif de prédiction DISP est donc apte à mettre en œuvre un modèle de prédiction dit de « bas niveau », et/ou un modèle de prédiction dit de « haut niveau ».

Ainsi, dans une phase de mise en œuvre des modèles de prédiction, le dispositif de prédiction DISP collecte DUE un nouvel ensemble d’informations réseau pour un nouvel équipement utilisateur ou pour un nouveau groupe d’équipements utilisateurs.

À partir de ces informations réseau, le module d’apprentissage automatique ML recherche R_PU ensuite un profil utilisateur similaire à partir de l’ensemble de profils utilisateurs PU créés et stockés en mémoire S_PU pendant la phase d’apprentissage. Une fois qu’un profil d’utilisateur similaire D_PU est déterminé, le module d’apprentissage sélectionne S_MOD en fonction de ce profil au moins un modèle de prédiction associant le profil utilisateur PU aux trajectoires temporelles des KPIs d’intérêt sélectionnées en fonction du profil utilisateur et du service utilisé.

Le module d’apprentissage applique C_MOD ensuite le ou les modèle(s) de prédiction sélectionné(s) en prenant en compte en entrée les valeurs des KPIs d’intérêt (parmi les informations réseau collectées lors de la collecte DUE) du nouvel équipement utilisateur ou groupe d’équipements utilisateurs, et prédit ainsi une valeur future d’au moins un indicateur clé de performance d’intérêt à partir d’au moins une trajectoire temporelle du ou des indicateurs clés de performance d’intérêt sélectionnés.

Il est alors possible de déterminer si la QoS prédite est considérée comme convenable (QoS_ok = O) ou pas (QoS_ok=N). Dans le cas où la QoS prédite est considérée comme convenable (QoS_ok = O), il est mis fin (STOP) au procédé de prédiction. Dans le cas contraire, si la QoS prédite n’est pas considérée comme suffisante (QoS_ok = N), l’opérateur réseau peut alors modifier (ADAP) les paramètres du réseau mobile pour faire en sorte que l’utilisateur final ait une QoS adaptée à ses besoins.

À cette fin, le dispositif de prédiction transmet un message d’ajustement des paramètres du réseau à l’opérateur. Par exemple, le dispositif de prédiction envoie un message d’ajustement à l’OAM (« Operations, Administration and Maintenance » en anglais ou Opération, Administration et Maintenance).

Cela permet aux opérateurs de réseau de prendre des mesures proactives pour optimiser les performances du réseau et éviter la dégradation de la qualité de service, offrant ainsi une meilleure expérience utilisateur et augmentant la satisfaction des clients.

On présente désormais en lien avec lesFigures 5 et 6des exemples de prédiction de la variation de QoS et d’adaptation du réseau mobile basées sur des modèles de prédiction de la variation de la QoS selon une mode de réalisation de l’invention.

Dans l’exemple présenté en lien avec la , le modèle de prédiction est un modèle dit de « bas niveau » qui ne prend en compte qu’un KPI d’intérêt non lié au service, représentatif des conditions radio, par exemple le SINR. Dans cet exemple, on applique le modèle de prédiction à un réseau mobile de type 2G, 3G ou 4G.

Sur une période P’ définissant la finesse temporelle de la prédiction (par exemple quelques minutes), le module d’apprentissage automatique ML collecte un ensemble d’informations de réseau associées à l’utilisation du réseau par un utilisateur. Il est à noter que plus la granularité est fine, plus la prédiction est précise. À partir des informations de localisation et de nature de service(s) utilisé(s) sur la période P’, le module d’apprentissage automatique ML détermine le profil de ce nouvel utilisateur et identifie, parmi les profils utilisateurs PU déjà stockés en mémoire pendant la phase d’apprentissage, celui qui est similaire au nouvel utilisateur.

En fonction du profil utilisateur déterminé, et sur la base d’un modèle de prédiction dit de « bas niveau », le module d’apprentissage sélectionne un KPI d’intérêt, le SINR par exemple.

Le module d’apprentissage automatique ML identifie ensuite sur la base du KPI d’intérêt sélectionné, en l’espèce le SINR, un modèle de prédiction adéquate parmi les modèles de prédiction stockés en mémoire. Le module d’apprentissage automatique ML met en œuvre ensuite le modèle de prédiction identifié pour prédire (DEG KPI), à partir d’une carte thermique, les valeurs futures du KPI d’intérêt considéré, ici le SINR.

Si une dégradation du SINR, et donc une perte de débit, est prédite en fonction des déplacements de l’équipement utilisateur, alors le module d’apprentissage automatique ML regarde (Ex_SER) quel service est utilisé et si celui-ci exige un haut débit, par exemple. Si ce n’est pas le cas (N) alors on met fin au procédé de prédiction (STOP). Autrement dit, la dégradation du SINR n’influence pas ou peu la QoS pour cet utilisateur.

Si au contraire le service utilisé exige du haut débit (O), par exemple une vidéo en ligne, alors si cette perte de débit (c’est-à-dire la dégradation du SINR) est suffisamment importante pour impliquer une dégradation de vidéo et donc de la QoS, dans ce cas, l’opérateur peut modifier les paramètres du réseau. Par exemple, l’opérateur peut réduire la définition de la vidéo ou ordonner au réseau d’augmenter le niveau de priorité du client (Adap_Res).

Si aucune dégradation du SINR n’est prédite (N), alors il est possible de passer à un modèle de prédiction dit de « haut niveau » en prenant en compte d’autres KPIs (KPI_ADD) en complément. En particulier, pour un modèle de « haut niveau » il est possible de sélectionner un ou plusieurs KPIs associés au service utilisé pendant la période P’ et ensuite prédire la QoS future (Pred_QoS).

Pour cela, le module d’apprentissage automatique ML détermine, à partir d’informations de nature de service, quel service est utilisé (par exemple un service de vidéo en ligne). À partir du profil utilisateur et de la nature du service, le module d’apprentissage automatique ML sélectionne un ou plusieurs KPIs d’intérêt liés au service utilisé (par exemple : gel vidéo, pixellisation…).

Sur la base du profil utilisateur et des KPIs d’intérêt sélectionnés, le module d’apprentissage automatique ML sélectionne le modèle de prédiction adéquate. A cet effet, le module ML détermine (QoS_ok ?) si la QoS est satisfaisante ou non. Selon ce modèle de prédiction, si la QoS est satisfaisante (O), on met fin au procédé de prédiction (STOP). Au contraire, si la QoS n’est pas satisfaisante (N) et que le(s) KPI(s) se dégrade(nt) de façon suffisamment importante, alors l’opérateur peut modifier les paramètres du réseau et réduire la définition de la vidéo ou peut ordonner au réseau d’augmenter le niveau de priorité du client (Adap_Res), par exemple.

On présente en lien avec la un exemple de prédiction de la variation de la QoS également basée sur un modèle de prédiction dit de « bas niveau » ne prenant en compte qu’un KPI d’intérêt non lié au service, représentatif des conditions radio, par exemple le SINR, mais cette fois appliqué dans un réseau de type 5G.

Les étapes sont similaires à celles décrites en lien avec la , à la différence qu’il est tenu compte des particularités du réseau 5G. Ainsi, si une dégradation du SINR, et donc une perte de débit, est prédite en fonction des déplacements de l’équipement utilisateur, alors le module d’apprentissage automatique ML regarde si la tranche réseau ou la SLA de l’utilisateur est satisfaisante (Ex_SLA). Si c’est le cas (O), alors on met fin au procédé de prédiction (STOP). Sinon (N), l’opérateur peut réduire la définition de la vidéo ou peut ordonner au réseau d’augmenter le niveau de priorité du client (Adap_Res).

Si aucune dégradation du SINR n’est prédite (N) alors on met en œuvre les mêmes étapes qu’en lien avec la .

Ainsi, le ou les modèles de prédiction décrit(s) précédemment, centré(s) sur l'utilisateur, pour les prédictions de variations de qualité de service peut ou peuvent être appliqué(s) à divers types de réseaux, y compris les réseaux 4G et 5G. Cependant, les avantages peuvent être plus importants pour les réseaux 5G en raison des capacités de la technologie.

En effet, même si la fonction de découpage du réseau n'est pas nécessaire, elle peut améliorer l'efficacité du modèle de prédiction. Le découpage du réseau permet la création de plusieurs réseaux virtuels avec différentes caractéristiques, telles que différents niveaux de qualité de service. Avec le découpage du réseau, le procédé de prédiction selon l’invention peut prédire les performances du réseau pour chaque utilisateur dans différentes tranches, permettant aux opérateurs de réseau d'offrir des services sur mesure qui répondent aux besoins de chaque utilisateur.

Cependant, même sans découpage du réseau, le procédé de prédiction selon l’invention peut toujours être utile pour optimiser les performances du réseau et offrir une meilleure expérience utilisateur. En prédisant les performances du réseau pour chaque utilisateur, les opérateurs de réseau peuvent prendre des mesures proactives pour éviter la dégradation et améliorer la qualité globale du service.

Afin d’illustrer plus précisément le principe de l’invention, la présente de façon schématique l’architecture d’un dispositif de prédiction DISP, selon un mode de réalisation de l’invention.

Le dispositif de prédiction DISP comprend un module d’apprentissage automatique ML.

Le dispositif de prédiction DISP comprend en outre une mémoire vive RAM, une unité de traitement CPU équipée par exemple d'un processeur, et pilotée par un programme d'ordinateur stocké dans une mémoire morte (par exemple une mémoire ROM ou un disque dur). A l'initialisation, les instructions de code du programme d'ordinateur sont par exemple chargées dans la mémoire vive RAM avant d'être exécutées par le processeur de l'unité de traitement CPU.

Le dispositif de prédiction DISP comprend en outre une mémoire MEM permettant de stocker des données du réseau de communication 1, comme par exemple le type de service utilisé, les KPIs et les métriques représentatifs des performances réseau, les informations de mobilité d’un ou plusieurs équipements utilisateurs…

Le dispositif de prédiction DISP comprend également un module de communication COM pour la réception de données en provenance des nœuds du réseau mobile et la transmission d’un message d’ajustement des paramètres réseau.

La illustre seulement une manière particulière, parmi plusieurs possibles, de réaliser le dispositif de prédiction DISP, afin qu’il effectue les étapes du procédé de prédiction d’une variation de qualité de service dans un réseau de communication détaillé ci-dessus, en relation avec les figures 2 à 6 dans ses différents modes de réalisation. En effet, ces étapes peuvent être réalisées indifféremment sur une machine de calcul reprogrammable (un ordinateur PC, un processeur DSP ou un microcontrôleur) exécutant un programme comprenant une séquence d’instructions, ou sur une machine de calcul dédiée (par exemple un ensemble de portes logiques comme un FPGA ou un ASIC, ou tout autre module matériel).

Dans le cas où le dispositif de prédiction DISP est réalisé avec une machine de calcul reprogrammable, le programme correspondant (c'est-à-dire la séquence d’instructions) pourra être stocké dans un médium de stockage amovible (tel que par exemple une carte SD, une clé USB, un CD-ROM ou un DVD-ROM) ou non, ce médium de stockage étant lisible partiellement ou totalement par un ordinateur ou un processeur.

Claims

Procédé de prédiction d’une variation d’une qualité de service (QoS) dans un réseau de télécommunication cellulaire comprenant au moins une station de base à laquelle au moins un équipement utilisateur est connecté,caractérisé en ce queledit procédé est mis en œuvre par un dispositif de prédiction et comprend :
- une collecte (DUE) d’au moins une information de localisation (IL) comprenant un identifiant de ladite au moins une station de base à laquelle ledit au moins un équipement utilisateur est connecté,
- une sélection (S_MOD), parmi un ensemble d’indicateurs clés de performance (KPI) dudit réseau, d’au moins un indicateur clé de performance d’intérêt représentatif de ladite qualité de service fournie par ladite au moins une station de base audit au moins un équipement utilisateur,
- une prédiction (C_MOD) par apprentissage automatique d’une valeur future dudit au moins un indicateur clé de performance d’intérêt à partir d’au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt, ladite au moins une trajectoire temporelle étant représentative de valeurs passées dudit au moins un indicateur clé de performance d’intérêt, collectées par ledit dispositif de prédiction,
- une transmission (ADAPT), au sein dudit réseau de télécommunication cellulaire, d’un message d’ajustement d’au moins un paramètre dudit réseau de télécommunication cellulaire en fonction de ladite valeur future prédite.
Procédé de prédiction selon la revendication 1,caractérisé en ce qu’il comprend en outre :
- une détermination d’un profil utilisateur en fonction de ladite au moins une information de localisation et d’au moins une information de nature de service.
Procédé de prédiction selon la revendication 2,caractérisé en ce queladite sélection dudit au moins un indicateur clé de performance d’intérêt prend en compte ledit profil utilisateur et des valeurs passées desdits indicateurs clés de performance du réseau, collectées par ledit dispositif de prédiction.
Procédé de prédiction selon la revendication 3,caractérisé en ce qu’ilcomprend en outre une génération d’au moins un modèle de prédiction associant ledit au moins un profil utilisateur à ladite au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt.
Procédé de prédiction selon la revendication 4,caractérisé en ce queladite prédiction met en œuvre un module d’intelligence artificielle configuré pour mettre en œuvre ledit au moins un modèle de prédiction.
Dispositif de prédiction d’une variation d’une qualité de service dans un réseau de télécommunication cellulaire comprenant au moins une station de base à laquelle au moins un équipement utilisateur est connecté,caractérisé en ce queledit dispositif de prédiction est configuré pour :
- collecter au moins une information de localisation comprenant un identifiant de ladite au moins une station de base à laquelle ledit au moins un équipement utilisateur est connecté,
- sélectionner, parmi un ensemble d’indicateurs clés de performance dudit réseau, au moins un indicateur clé de performance d’intérêt représentatif de ladite qualité de service fournie par ladite au moins une station de base audit au moins un équipement utilisateur,
- prédire par apprentissage automatique une valeur future dudit au moins un indicateur clé de performance d’intérêt à partir d’au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt, ladite au moins une trajectoire temporelle étant représentative de valeurs passées dudit au moins un indicateur clé de performance d’intérêt, collectées par ledit dispositif de prédiction,
- transmettre au sein dudit réseau de télécommunication cellulaire un message d’ajustement d’au moins un paramètre dudit réseau de télécommunication cellulaire en fonction de ladite valeur future prédite.
Dispositif de prédiction selon la revendication 6,caractérisé en ce qu’il est en outre configuré pour déterminer un profil utilisateur en fonction de ladite au moins une information de localisation et d’au moins une information de nature de service.
Dispositif de prédiction selon la revendication 7,caractérisé en ce que ladite sélection dudit au moins un indicateur clé de performance d’intérêt prend en compte ledit profil utilisateur et des valeurs passées desdits indicateurs clés de performance du réseau, collectées par ledit dispositif de prédiction.
Dispositif de prédiction selon la revendication 8,caractérisé en ce qu’ilmet en œuvre un module d’apprentissage automatique configuré pour générer et mettre en œuvre au moins un modèle de prédiction associant ledit au moins un profil utilisateur à ladite au moins une trajectoire temporelle dudit au moins un indicateur clé de performance d’intérêt.
Produit programme d’ordinateur comprenant des instructions de code de programme pour la mise en œuvre d’un procédé selon l’une quelconque des revendications 1 à 5, lorsqu’il est exécuté par un processeur.
Support d'enregistrement lisible par ordinateur comprenant des instructions de code de programme qui, lorsqu'elles sont exécutées par un processeur, conduisent celui-ci à mettre en œuvre un procédé selon l'une quelconque des revendications 1 à 5.