Online Learning for the Black-Box Optimization of Wireless Networks
Apprentissage séquentiel pour l’optimisation de boîtes noires dans les réseaux sans-fil
Résumé
Nowadays, wireless networks (WNs) are ubiquitous and have to increase the density of their deployment to meet our important connectivity needs. Paradoxically, this deteriorates their quality of service because they have to deal with a larger amount of interference. To manage this unprecedented complexity, wireless standards, such as Wi-Fi or 5G, are becoming more flexible by introducing new degrees of freedom. Unfortunately, the correct exploitation of these parameters is not trivial because it requires to quickly identify an efficient configuration in a high-dimensional space. Moreover, the wide variety of use cases of WNs makes it difficult to model their behaviors, and consequently to find an optimal configuration analytically.In this thesis, we propose bandit and Bayesian optimization methods able to discover, through trial and error, an efficient configuration of WNs regardless of their deployments. These sequential learning methods, called "online", seek to optimize the performance of a WN by considering it as a black box. In this thesis, we illustrate the capabilities of the proposed methods on the challenging problem of spatial reuse optimization in Wi-Fi networks, and on the power control in 5G networks. Finally, we propose a new asymptotically optimal Bayesian optimization algorithm, able to optimize a high-dimensional black box function in a decentralized fashion. This last contribution could allow the implementation of more efficient protocols in WNs but also in other technological contexts.
De nos jours, les réseaux sans fil (RSF) sont omniprésents et sont amenés, pour répondre à nos besoins importants de connectivité, à augmenter la densité de leurs déploiement et à supporter un grand nombre d’interférences. Pour gérer cette complexité inédite, les standards (Wi-Fi, 5G…) deviennent plus adaptables, en s’octroyant de nouveaux degrés de liberté. Malheureusement, l’exploitation correcte de ces paramètres n’est pas triviale car elle demande d’identifier rapidement une configuration efficace dans un espace de grande dimension. De plus, la grande diversité d’utilisation des RSF rend difficile leur modélisation, et par conséquent la découverte analytique d’une configuration optimale.Dans cette thèse, nous proposons des méthodes issues des problèmes de bandits et de l’optimisation bayésienne, capables de découvrir, par essai-erreur, une configuration efficace des RSF quel que soit le scénario dans lequel ils se trouvent. Ces méthodes d’apprentissage séquentiel, dites “en ligne”, cherchent à optimiser les performance d’un RSF en le considérant comme une boîte noire. Au cours de la thèse, nous illustrons les capacités des méthodes proposées sur le problème difficile de la réutilisation spatiale dans les réseaux Wi-Fi, puis sur le contrôle de puissance dans les réseaux 5G. Pour finir, nous nous détachons des RSF pour proposer un nouvel algorithme d’optimisation bayésienne, que nous démontrons asymptotiquement optimal, capable de maximiser de façon décentralisée une boîte noire de grande dimension. Cette dernière contribution pourrait permettre l’implémentation de protocoles plus performants dans les RSF mais aussi dans d’autres contextes technologiques.
| Origine | Version validée par le jury (STAR) |
|---|