Résumé:
Au cours des dernières années, nous assistons à l'émergence d'architectures auto-déployables au sein des réseaux cellulaires, combinée à une forte expansion de la virtualisation du réseau cœur. Ces avancées offrent une grande flexibilité en permettant la virtualisation des différentes fonctions du réseau cœur et leur co-localisation avec une ou plusieurs stations de base. Cependant, cela engendre de nouveaux défis, notamment en ce qui concerne le placement optimal des fonctions du réseau cœur en fonction de l'architecture physique et du trafic à acheminer depuis chaque station de base vers le réseau cœur.Dans le cadre de cette thèse, nous abordons ce problème en particulier et nous proposons un modèle générique et efficace qui permet d'identifier la meilleure station de base qui doit héberger les fonctions du réseau cœur tout en optimisant une métrique de performance souhaitée (flux global de trafic, des métriques d'équité entre les stations de base, etc.). Notre solution repose sur une modélisation conjointe du problème en tant que programme non linéaire mixte en nombres entiers (MINLP) et sur une linéarisation efficace des contraintes non linéaires. Notre modèle est générique et permet d'ajuster facilement les métriques à optimiser et/ou d'ajouter ou de modifier les contraintes selon le besoin.
En considérant la maximisation du flux global de trafic, nous avons dans un premier temps évalué les performances de notre modèle en le comparant à des solutions similaires de la littérature. Les résultats montrent que notre approche conjointe réduit considérablement le temps d'exécution par rapport aux solutions existantes tout en fournissant les mêmes résultats optimaux.Grâce à notre formulation générique, nous avons considéré dans un deuxième temps le problème d'équité entre les stations de base. En effet, les résultats montrent que la maximisation du flux global de trafic cause un déséquilibre important en termes de satisfaction absolue et relative par rapport à la demande de trafic des différentes stations de base. Nous avons donc proposé des variantes efficaces de notre modèle qui permettent d'assurer le placement optimal du réseau cœur tout en garantissant une équité entre les stations de base. Nous avons mené différentes simulations pour évaluer les solutions obtenues et les performances de nos variantes visant à garantir l'équité de satisfaction entre les stations de base. Les résultats de simulations nous ont permis de discuter du compromis entre la maximisation du flux de trafic et l'équité entre les stations de base, tout en mettant en avant les avantages de notre approche de modélisation conjointe.Dans un troisième temps, nous avons enfin étudié plus en détail le passage à l'échelle de nos modèles en fonction du nombre de stations de base, du nombre de réseaux cœur à déployer et selon les métriques d'optimisation à considérer. Les résultats montrent que nos modèles offrent des temps d'exécution très raisonnables même dans le cas de grands réseaux avec des centaines de stations de base.
