Allocation Intelligente de Ressources dans les Réseaux 5G

Informations

Établissement

Université Gaston Berger

Date de soutenance

30/07/2025

Résumé

Ce mémoire explore l'utilisation de l'apprentissage automatique pour améliorer
l'allocation des ressources dans les réseaux 5G. Après un rappel de l'évolution des
réseaux mobiles de la 1G à la 5G, il met en évidence les limites de la 4G face aux
exigences actuelles : faible latence, forte densité de connexions et réduction de la
consommation énergétique. La 5G, conçue pour répondre à ces besoins, s'appuie sur des
technologies comme le SDN et la NFV pour rendre les réseaux plus flexibles et
intelligents.
L'étude montre que le machine learning permet d'optimiser la gestion dynamique des
ressources, en anticipant la charge, adaptant l'allocation et répondant aux besoins des
différents services 5G (eMBB, URLLC, mMTC). Trois modèles sont testés : régression
linéaire, régression polynomiale et forêt aléatoire. Leur entraînement et évaluation sont
réalisés sur un jeu de données réel. L'analyse des résultats confirme l'intérêt de ces
approches pour améliorer la performance réseau.
Ce travail met en avant l'intégration prometteuse du machine learning dans la gestion
automatisée des réseaux 5G, et ouvre la voie à l'utilisation de techniques plus avancées
comme le deep learning dans les futurs développements.