Optimization of ITS-G5 network resource management to support C-ITS services
Optimisation de la gestion des ressources des réseaux ITS-G5 pour le support des services C-ITS
Résumé
This thesis unfolds in the dynamic context of Cooperative Intelligent Transport Systems (C-ITS) and Vehicle-to-Everything (V2X) communications, with a particular focus on the integration of emerging technologies such as Artificial Intelligence (AI), Network Slicing, and Multi-access Edge Computing (MEC). These revolutionary technologies are reshaping the way vehicular networks manage traffic safety and efficiency while presenting unique challenges. The first major challenge addressed in this thesis is the degradation of communication channel quality in congested V2X networks. This common situation in dense traffic environments negatively impacts vehicular communication performance, thus hindering the efficiency of C-ITS. The second challenge is to ensure ultra-low end-to-end (E2E) latency in these congested networks, particularly for services and user groups requiring high priority. This need is especially crucial in scenarios where vehicles, such as emergency services, rely on rapid and reliable communication. The third significant issue tackled is service migration in MEC-enabled vehicular networks, an essential aspect to ensure service continuity in highly mobile environments. The mobile nature of vehicular networks, combined with the limited coverage of edge servers, poses significant challenges in maintaining QoS and minimizing service interruptions. To address these challenges, the thesis proposes several innovative solutions. A proactive approach for Decentralized Congestion Control (DCC) was developed using Long Short-Term Memory (LSTM) recurrent neural networks. This technique aims to optimize channel performance by forecasting the Channel Busy Ratio (CBR), thus improving network stability and ensuring fair resource allocation. Simulations demonstrated the effectiveness of proactive DCC algorithms, showing faster convergence and better resource management. Next, we address the innovative aspects of network slicing in ITS-G5 vehicular communications. The second contribution proposes an ITS-G5 RAN slicing architecture, aiming to create slices with varied priorities for efficient and secure traffic, while ensuring isolation and prioritization between slices. This approach aims to maintain performance and security for each slice, even in the presence of conflicting services. In the third contribution, we develop an end-to-end network slicing architecture, aiming to improve latency for specific user groups, particularly in congested areas. Simulations confirmed the effectiveness of these architectures in traffic flow management and latency reduction for high-priority services, demonstrating the importance of these approaches in advancing intelligent and efficient vehicular networks. III Finally, to address service migration in MEC vehicular networks, we formulated the problem as a Markov Decision Process (MDP) and developed an adaptive migration strategy using Deep Reinforcement Learning (DRL), specifically Deep Q Networks (DQN) and Double Deep Q-network (DDQN) approaches. This strategy aims to balance migration costs and latency. Simulation results showed that the DDQN method excels in managing migration costs while maintaining optimal QoS, particularly for latency-sensitive services, and offers an optimal balance for high-priority services. These contributions, combining technological advances and innovative analytical approaches, provide robust solutions to current and emerging challenges in cooperative intelligent transport systems, paving the way for significant improvements in road safety, traffic efficiency, and user experience in the field of smart mobility.
Cette thèse s’intéresse à la gestion des ressources dans les Systèmes de Transport Intelligents Coopératifs (C-ITS) utilisant les communications V2X (vehicle-to-everything) ou Véhicule-à-Tout. Nos contributions tirent profit des technologies émergentes telles que l'Intelligence Artificielle (IA), le tranchage de réseau (Slicing) et le Multi-access Edge Computing (MEC). Ces technologies promettent de révolutionner la manière dont les réseaux véhiculaires gèrent la sécurité et l'efficacité du trafic routier et permettent de résoudre certains défis liés à l’optimisation des ressources réseaux. Le premier défi majeur abordé dans cette thèse concerne la dégradation de la qualité des canaux de communication dans les réseaux V2X congestionnés. Cette situation, fréquente dans les environnements de trafic dense, affecte négativement les performances des communications véhiculaires, entravant ainsi l'efficacité des services C-ITS. Le deuxième défi est de garantir une latence ultra-faible de bout-en-bout dans ces réseaux encombrés, en particulier pour des services et des groupes d'utilisateurs nécessitant une priorité élevée. Ce besoin est particulièrement crucial dans les scénarios où des véhicules, tels que ceux des services d'urgence, exigent une communication fiable et à faible latence. La troisième problématique traitée est la migration de services dans les réseaux véhiculaires équipés de MEC, un aspect essentiel pour assurer la continuité des services dans des environnements à mobilité élevée. La nature mobile des réseaux véhiculaires, combinée à une couverture limitée des serveurs Edge, pose des défis significatifs en termes de maintien d’un bon niveau de Qualité de Service (QoS) et de minimisation des interruptions de service. Pour relever ces défis, la thèse propose trois contributions majeures. Premièrement, une approche proactive pour le Contrôle de Congestion Décentralisé (DCC) a été développée en utilisant des réseaux neuronaux récurrents avec Long Short-Term Memory (LSTM). Cette technique vise à optimiser les performances du canal en prévoyant en amont le Taux d'Occupation du Canal (CBR) pour améliorer la stabilité du réseau tout en garantissant une allocation équitable des ressources. Les simulations ont démontré l'efficacité des algorithmes DCC proactifs, montrant une convergence plus rapide et une meilleure gestion de l’allocation des ressources. Ensuite, nous avons abordé le tranchage de réseau dans les communications véhiculaires utilisant la technologies ITS-G5. Pour cela, nous avons proposé une architecture de tranchage de la partie RAN ITS-G5 (Radio Access Network), visant à créer des tranches réseaux avec des V priorités variées, tout en garantissant l'isolation des performances et le respect de niveau de QoS entre les tranches. Cette approche vise à maintenir des niveaux de performances et de sécurité adéquats pour chaque tranche, même en présence de services d'exigences de QoS contradictoires. Au-delà de la partie RAN, nous avons élaboré une architecture de tranchage de réseau de bout-en-bout (RAN et Core Network), visant à garantir des latences faibles pour des groupes d'utilisateurs spécifiques, notamment dans les zones encombrées. Les simulations ont confirmé l'efficacité de cette architecture dans la gestion du flux de trafic et la réduction de la latence pour les services à haute priorité, démontrant l'importance de ces approches dans l'avancement des réseaux véhiculaires intelligents et efficaces. La dernière contribution aborde la migration de services dans les réseaux véhiculaires équipés de MEC. Nous avons formulé ce problème de migration en tant que Processus Décisionnel Markovien (MDP) et avons développé une stratégie de migration adaptative en utilisant l'apprentissage par renforcement profond (DRL), notamment les approches Deep Q Networks (DQN) et Double Deep Q Networks (DDQN). Cette stratégie vise à trouver l’équilibre optimal entre la latence et le coût de migration.[...]
| Origine | Version validée par le jury (STAR) |
|---|