Online Learning for the Black-Box Optimization of Wireless Networks

La Thèse 

De nos jours, les réseaux sans fil (RSF) sont omniprésents et sont amenés, pour répondre à nos besoins importants de connectivité, à augmenter la densité de leurs déploiement et à supporter un grand nombre d’interférences. Pour gérer cette complexité inédite, les standards (Wi-Fi, 5G…) deviennent plus adaptables, en s’octroyant de nouveaux degrés de liberté. Malheureusement, l’exploitation correcte de ces paramètres n’est pas triviale car elle demande d’identifier rapidement une configuration efficace dans un espace de grande dimension. De plus, la grande diversité d’utilisation des RSF rend difficile leur modélisation, et par conséquent la découverte analytique d’une configuration optimale. Dans cette thèse, nous proposons des méthodes issues des problèmes de bandits et de l’optimisation bayésienne, capables de découvrir, par essai-erreur, une configuration efficace des RSF quel que soit le scénario dans lequel ils se trouvent. Ces méthodes d’apprentissage séquentiel, dites “en ligne”, cherchent à optimiser les performance d’un RSF en le considérant comme une boîte noire. Au cours de la thèse, nous illustrons les capacités des méthodes proposées sur le problème difficile de la réutilisation spatiale dans les réseaux Wi-Fi, puis sur le contrôle de puissance dans les réseaux 5G. Pour finir, nous nous détachons des RSF pour proposer un nouvel algorithme d’optimisation bayésienne, que nous démontrons asymptotiquement optimal, capable de maximiser de façon décentralisée une boîte noire de grande dimension. Cette dernière contribution pourrait permettre l’implémentation de protocoles plus performants dans les RSF mais aussi dans d’autres contextes technologiques.