Thèse Année : 2025

Dynamic graph learning algorithms for digital twins of network architectures

Algorithmes d'apprentissage dynamique pour le jumeau numérique des infrastructures du réseau

Résumé

This thesis advances graph-aware Network Digital Twins for next-generation mobile networks by demonstrating that explicitly modeling infrastructure as graphs enables more adaptive, data-efficient, and scalable intelligence than conventional abstractions. Modern 5G/6G systems are heterogeneous, dynamic, and tightly constrained by evolving topologies spanning edge, transport, and cloud domains. Traditional prediction and optimization pipelines degrade when faced with structural change, sparse data, or intertwined design decisions. We develop two complementary graph-centric frameworks addressing the twin pillars of a Network Digital Twin: predictive modeling and guided resource optimization. The first provides inductive cellular traffic prediction that generalizes to newly deployed sites, mitigates data scarcity, and transfers knowledge across environments without exhaustive retraining. The second offers a topology-aware resource allocation approach that jointly handles architectural and placement choices under operational constraints, improving solution quality and scalability. Together they illustrate a unifying premise: embedding topological relational structure at the core of learning and decision processes yields systems that remain robust as networks evolve, reduce adaptation cost, and better align with real deployment needs. The work positions graph-aware methods as a foundational paradigm for future autonomous network management.

Cette thèse fait progresser les Jumeaux Numériques des Réseaux (JNR) pour les réseaux mobiles de nouvelle génération en montrant que la modélisation explicite de l’infrastructure sous forme de graphes permet une intelligence plus adaptative, économe en données et évolutive que les approches conventionnelles. Les systèmes 5G/6G modernes sont hétérogènes, dynamiques et fortement contraints par des topologies évolutives couvrant les domaines edge, transport et cloud. Les chaînes classiques de prédiction et d’optimisation se dégradent face aux changements structurels, à la rareté des données ou à l’entrelacement des décisions de conception. Nous développons deux cadres graphiques complémentaires couvrant les deux piliers d’un JNR : la prévision (modélisation prédictive) et l’action guidée (optimisation des ressources). Le premier fournit une prédiction de trafic cellulaire inductive qui généralise à de nouveaux sites, atténue la pénurie de données et transfère des connaissances entre environnements sans ré-entraînement exhaustif. Le second propose une allocation de ressources consciente de la topologie qui traite conjointement les choix architecturaux et de placement sous contraintes opérationnelles, améliorant la qualité des solutions et passage à l’échelle. Ensemble, ils illustrent un principe unificateur : intégrer la structure relationnelle topologique au cœur de l’apprentissage et de la décision produit des systèmes robustes face à l’évolution du réseau, réduit les coûts d’adaptation et aligne mieux les résultats sur les besoins réels de déploiement. Le travail positionne les méthodes orientées graphe comme paradigme fondamental de la gestion autonome future des réseaux.

Fichier principal
Vignette du fichier
2025IMTA0488_Ngo_DucThinh.pdf (10.92 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05419326 , version 1 (16-12-2025)

Licence

Identifiants

  • HAL Id : tel-05419326 , version 1

Citer

Duc-Thinh Ngo. Dynamic graph learning algorithms for digital twins of network architectures. Networking and Internet Architecture [cs.NI]. Ecole nationale supérieure Mines-Télécom Atlantique, 2025. English. ⟨NNT : 2025IMTA0488⟩. ⟨tel-05419326⟩
659 Consultations
239 Téléchargements

Partager

  • More