Comprendre l’avenir des réseaux 5G et au-delà

Devant la demande sans cesse croissante de réseaux mobiles plus rapides et plus fiables, motivée par la prolifération d’appareils hautement performants et une meilleure connectivité, l’industrie des télécommunications cherche à révolutionner les systèmes de gestion de réseaux. Le réseau d’accès radio ouvert (Open Radio Access Network ou O-RAN) offre une nouvelle architecture pour construire les réseaux 5G et au-delà, un pas important dans ce domaine. O-RAN comporte deux concepts clés : l’ouverture (élimine le verrouillage propriétaire et permet plus d’interchangeabilité entre composants du réseau) et l’intelligence intégrée (fondée sur les données opérationnelles et de performance pour optimiser les ressources du réseau).

Les défis de l’apprentissage machine pour O-RAN

Malgré son potentiel, O-RAN fait face à de grands défis, notamment dans le déploiement de modèles efficaces d’apprentissage machine (AM). Les approches AM centralisées traditionnelles reposent sur le transfert de grandes quantités de données vers des serveurs centraux dédiés à l’entraînement. Ils sont de moins en moins adaptés à cause des problèmes de confidentialité, des calculs intensifs et des coûts de communication. Ces approches représentent un grand défi pour les contrôleurs O-RAN intelligents, ce qui ouvre la voie à l’AM distribué et aux hôtes d’inférence dans les nombreuses couches du réseau. De plus, les systèmes O-RAN sont complexes en raison de plusieurs facteurs :

Boucles de contrôle strictes : les boucles de contrôle intelligent O-RAN ont des délais serrés, limitant le temps d’entraînement des modèles.
Ressources restreintes : les ressources périphériques sont coûteuses et la largeur de bande est limitée.

Exactitude et convergence : les modèles AM doivent atteindre des niveaux d’exactitude acceptables, entraînés efficacement sur de nombreux points de collecte de données fournisseurs.

Figure 1 : Architecture O-RAN et ses spécifications (source : [1])

L’Apprentissage fédéré : une solution prometteuse

L’apprentissage fédéré (AF), une méthode puissante d’AM distribué, permet de relever ces défis. Contrairement à l’apprentissage centralisé traditionnel, AF entraîne les modèles AM localement à même les périphériques. Il ne partage que les mises à jour des modèles et non les données brutes, pour une plus grande confidentialité à moindre coût. L’AF convient donc particulièrement bien à O-RAN, où l’entraînement rapide et sécurisé des modèles est essentiel à des applications comme la qualité de l’expérience (Quality of Experience, QoE), les accords de niveau de service (Service Level Agreement, SLA) et la gestion intelligente des ressources radio (smart Radio Resource Management, sRRM) pour le suivi en temps réel des indicateurs clés de performance (Key Performance Indicators, KPI).

Cependant, implanter l’AF pour O-RAN soulève les questions suivantes :

Comment allouer les ressources O-RAN nécessaires à l’entraînement du modèle?
Comment respecter les délais stricts des boucles de contrôle O-RAN pour automatiser les performances du réseau tout en entraînant un modèle AF?
Comment garantir la convergence de ce modèle?

Figure 2 : Apprentissage fédéré en O-RAN

Voici MCORANFed

Pour relever ces défis, notre recherche propose une nouvelle méthode d’entraînement AF appelée MCORANFed [2] (Momentum Compressed O-RAN FL). Cette méthode s’appuie sur des techniques de pointe pour améliorer l’efficacité d’AF dans les systèmes O-RAN.

Voici les principales caractéristiques et contributions de MCORANFed :

Gradient conjugué du deuxième ordre : MCORANFed utilise une méthode de gradient conjugué du deuxième ordre qui améliore le taux de convergence de l’entraînement.
Techniques de compression : la compression par sparsification aléatoire permet de réduire considérablement les coûts de communication, tout en assurant des performances élevées d’entraînement.
Modèle d’optimisation : la recherche formule un problème d’optimisation global visant à minimiser à la fois le coût d’utilisation des ressources et le temps d’apprentissage total. Ce problème prend en compte des contraintes telles que largeur de bande limitée, sélection d’entraîneurs locaux et paramètres de compression.
Méthode de décomposition : une méthode de décomposition permet d’identifier d’abord un ensemble quasi optimal d’entraîneurs locaux, puis d’allouer de manière optimale les ressources informatiques et de bande passante.
Développement de l’algorithme : un algorithme AF actualisé, MCORANFed vise à entraîner le modèle de manière itérative sur plusieurs séries de mises à jour locales et globales.
Validation expérimentale : Des expériences poussées démontrent que MCORANFed est plus efficace en communication et atteint des taux de convergence plus rapides par rapport aux variantes AF de pointe comme MFL, FedAvg et ORANFed.

Portée et orientations futures

Notre recherche met en évidence la première intégration réussie des techniques d’accélération et de compression en AF conçu spécialement pour O-RAN. En tenant compte des contraintes uniques d’O-RAN, MCORANFed représente une percée dans le déploiement de modèles AM pour les réseaux 5G avancés. Ce travail ouvre la voie à d’autres innovations en entraînement AM distribué pour un grand nombre d’applications, de la gestion intelligente des ressources radio à l’optimisation en temps réel des réseaux.

En conclusion, MCORANFed propose une approche prometteuse pour surmonter les principaux défis liés au déploiement d’AF dans O-RAN, ouvrant ainsi la voie à des réseaux 5G et au-delà plus efficaces, plus sûrs et plus performants. Alors que les télécommunications continuent d’évoluer, de telles percées sauront répondre à la demande croissante de connectivité et de performance de l’ère numérique, en tenant compte des préoccupations reliées à la protection de la vie privée.