Post Doc Analyse de performance du réseau domestique basée sur des approches machine learning F/H

Description de l'offre

about the role

Votre rôle est d'effectuer un travail de post doc sur «  l'analyse de performance du réseau domestique basée sur des approches de machine learning  »

 C ontexte global du sujet et état de l'art

Le réseau domestique a tendance à devenir de plus en plus complexe avec la multiplication des équipements (PCs, tablettes, smartphones, TVs, capteurs smart home, points d'accès WiFi …), des services (Internet, gaming, IPTV, VoIP, smart home) et des technologies de connectivité hétérogènes (Ethernet et WiFi principalement). Dans ce contexte, il est primordial pour l'opérateur de se doter des outils automatiques nécessaires permettant d'appréhender cette complexité.

A cet effet, la supervision du trafic dans le réseau domestique constitue un élément clé [1] afin notamment d'améliorer le diagnostic, de proposer des mécanismes de QoS avancés et de détecter les anomalies [2]. Le monitoring du trafic comporte la reconnaissance des flux qui circulent, leurs métriques ainsi que les applications associées (e.g. Facebook, Youtube, etc.). En particulier, l'identification des applications est une tâche ardue. En effet les techniques basées sur l'utilisation du numéro de port ne sont plus viables (à cause des ports dynamiques), alors que la technique DPI (Deep Packet Inspection) est confrontée au problème du trafic crypté outre la nécessité de mise à jour de la base de signature. Ainsi, on se propose d'étudier une approche alternative qui semble prometteuse basée sur le machine learning [3][4][5].

Par ailleurs, la technologie de connectivité WiFi est celle qui est majoritairement utilisée au sein du réseau domestique ; cette tendance s'étant accélérée au cours des dernières années. Toutefois, d'après les enquêtes de sondage clients, elle présente un taux d'insatisfaction plus élevé que l'Ethernet. Plusieurs raisons peuvent expliquer ce constat liées notamment aux problématiques de couverture et de débit. Ainsi, il devient urgent de pouvoir analyser les causes de dégradation de performance du WiFi et de proposer les améliorations et rectificatifs adéquats. Une approche basée sur le machine learning est une piste judicieuse à évaluer [6].

Se référer à la section 3 « Le plus de l'offre » pour des informations détaillées sur la mission scientifique et les principales activités associées au post doc.

about you

Vous êtes titulaire d'un doctorat en informatique / télécom / réseaux.

Compétences scientifiques et techniques :

·  Des connaissances télécoms, réseaux (TCP/IP), WiFi, réseaux locaux et problématique de classification de trafic

·  Des connaissances en algorithmes de machine learning seraient un plus

·  Des compétences en programmation informatique (C/C++ sous Linux) et outils réseau (wireshark, iperf …). Des connaissances en langage Python ainsi que le langage R seraient un plus

·  Un esprit de synthèse

·  Un esprit d'initiative

·  Une faculté à bien rédiger et à présenter les travaux (anglais)

·  Autonomie

additional information

Objectif scientifique - verrous à lever

L'objectif du postdoc est d'étudier la précision et la pertinence d'algorithmes de machine learning pour l'analyse de performance du Wi-Fi au sein du réseau domestique, ainsi que la classification de certains flux de trafic. Cette approche sera couplée à des solutions développées en interne sur prototype de Livebox. Une des contraintes à prendre en compte consiste en la compatibilité de la solution retenue avec l'environnement contraint en termes de ressources sur les passerelles résidentielles ainsi que

·  la précision de l'identification sur un trafic réel. Ainsi, il sera nécessaire de cibler certaines applications qui répondent aux besoins et use cases qui seront identifiés afin d'obtenir une classification robuste et précise.

·  La précision de l'analyse de la performance du Wi-Fi à partir des métriques disponibles et la proposition d'algorithmes dits de Wi-Fi intelligent pour améliorer le partage de charge entre points d'accès notamment.

Les principales tâches à mener sont :

·  Prise en main des outils existants : sonde de trafic logicielle, sondes Wi-Fi.

·  Evaluation de la précision des solutions actuelles sur des boxes avec du trafic réel sur le Wi-Fi

·  Propositions d'améliorations des solutions existantes, eg. proposition d'un système autonome de classification de trafic [7], propositions d'algorithmes aidant au partage de charge Wi-Fi.

·  Mise en oeuvre des solutions proposées sur une plateforme expérimentale représentative d'un réseau domestique.

·  Publication des résultats dans des conférences et journaux internationaux.

·  Rédaction de rapports dans le cadre d'un projet collaboratif.

 

department

Au sein des Orange Labs, l'équipe ADN « Access Diagnosis, residential gateway and home Network » a pour missions de porter les travaux de recherche/anticipation, accompagner les pays pour contribuer aux déploiements de solutions innovantes, à l'amélioration de l'expérience client et à la réduction des coûts d'exploitation dans le domaine : de l'architecture et fonctionnalités réseaux des passerelles résidentielles, des solutions de connectivités filaires et/ou radio, du diagnostic distant et local des services sur l'accès fixe.

Qu'est ce qui fait la valeur ajoutée de cette offre ?
Un projet collaboratif Celtic+ ‘FU5ION' a débuté en Janvier 2018, portant sur les futurs réseaux domestiques supportant les services 5G. En particulier, une collaboration étroite sera menée avec le partenaire Domos sur les thématiques d'analyse de performance du WiFi et la classification de trafic basées sur des approches de machine learning. Une coordination des travaux du post doctorant sera effectuée également avec un projet de recherche ayant attrait au diagnostic de l'accès (FTTx et/ou xDSL).

Références :

 

[1] Aouini, A. Kortebi, Y. Ghamri-Doudane, “Traffic monitoring in home networks : enhancing diagnosis and performance tracking”, TRAC 2015 workshop co-located with IWCMC, August 2015.

[2] Kortebi, Z. Aouini, M. Juren, J. Pazdera, “Home networks traffic monitoring case study: anomaly detection”, IEEE GIIS 2016.

[3] Aouini, A. Kortebi, Y. Ghamri-Doudane, I. Lahsen-Cherif « Early Classification of Residential Networks Traffic using C5.0 Machine learning Algorithm”, IEEE Wireless Days, April, 2018.

[4] Velan, M. Čermák, P. Čeleda, M. Drašar, “A survey of methods for encrypted traffic classification and analysis », International Journal of Network Management, 25(5), 355-374, 2015.

[5] Khalife, A. Hajjar, J. Diaz‐Verdejo, “A multilevel taxonomy and requirements for an optimal traffic‐classification model”, International Journal of Network Management, 24(2), 101-120, 2014.

[6] da Hora, K. Van Doorselaer, K. Van oost, R. Teixeira, “Predicting the effect of home Wi-Fi quality on QoE”, IEEE INFOCOM 2018.

[7] Carela-Espanol, P. Barlet-Ros, O. Mula-Valls, J. Solé-Pareta, “An Autonomic Traffic Classification System for Network Operation and Management”, Journal of Network and Systems Management, volume 23 Issue 3, July 2015, pages 401-419.

contract

Post Doc