Objectif
Cet axe vise à fédérer les travaux explorant la double interaction entre intelligence artificielle et réseaux de communication :
- D’une part, l’IA pour optimiser, automatiser ou sécuriser les réseaux ;
- D’autre part, les réseaux comme infrastructure critique pour l’apprentissage et l’exécution de modèles IA distribués.
L’ambition est de créer un espace de collaboration interdisciplinaire autour de ces deux thèmes complémentaires, avec des travaux allant du niveau modèle et algorithme jusqu’à l’implémentation sur plateformes expérimentales (Kubernetes, testbeds 5G, edge computing, IoT…).
Thème 1 : IA pour les Réseaux
Dans ce thème nous nous intéressons à l’apport de l’IA pour rendre les réseaux plus intelligents, plus adaptatifs et autonomes, plus sécurisé et efficaces.
Parmi les axes de recherche dans cette thématique, nous pouvons citer (sans être exhaustifs) :
- Contrôle autonome et optimisation des réseaux :
- Exemple de méthodes : Markov Decision Process, Proximal Policy Optimization, Deep Q-Learning, Metaheuristic pour l’optimisation du routage, de la gestion des slices, de l’allocation de ressources…
- Application : placement dynamique de fonctions réseau (VNF), ordonnancement (scheduling) dans des clusters Kubernetes…
- Apprentissage supervisé pour la détection d’anomalies ou la classification de trafic :
- Exemple de méthodes : Random Forests, SVM, CNN/1D pour séquences temporelles.
- Application : détection d’attaques DDoS, reconnaissance d’applications chiffrées…
- Apprentissage non supervisé ou auto-supervisé pour la surveillance réseau :
- Exemple de méthodes : autoencodeurs, clustering (k-means, DBSCAN), contrastive learning…
- Application : identification de comportements émergents, monitoring en contexte 6G…
- Graph Neural Networks (GNNs) pour capturer la topologie du réseau :
- Exemple de méthodes : PyTorch Geometric, DGL…
- Application : prédiction de congestions, routage prédictif, VNE (Virtual Network Embedding)…
Thème Réseaux pour l’IA
Dans ce thème, nous nous intéressons à la façon avec laquelle les réseaux peuvent soutenir les exigences croissantes des applications IA, souvent gourmandes (calcul et trafic), distribuées, interactives ou embarquées.
Parmi les axes de recherche dans cette thématique, nous pouvons citer (sans être exhaustifs) :
- Apprentissage fédéré et décentralisé sur réseaux contraints :
- Exemple de méthodes : FedAvg, SCAFFOLD, FedNova, techniques de quantization et sparsity…
- Applications : synchronisation asynchrone, sélection adaptative de clients, compression des gradients.
- Réseaux pour IA temps réel (robotique, edge, véhicules autonomes) :
- Exemple de technologies : URLLC, TSN (Time Sensitive Networking), protocoles ultra-low latency…
- Applications : coordination de drones, détection en temps réel sur robots.
- Optimisation du transport des modèles et des données IA :
- Exemples de méthodes : model splitting pour transformer-based models (ex. BERT sur edge/cloud), offloading dynamique via MDP.
- Exemple de techniques : Network-Aware Model Partitioning, Multi-access Edge Computing (MEC).
- Programmabilité réseau pour le support de l’IA :
- Exemples : SDN/OpenFlow pour le contrôle dynamique de flux IA ; P4 pour le traitement intelligent en dataplane.
Thème Co-évolution IA ↔ Réseaux
Dans ce thème, nous explorons les boucles de rétroaction entre réseau et l’IA pour une co-conception optimisée :
- Apprentissage embarqué dans le réseau : in-network learning (ex. avec des cartes SmartNICs, suite eBPF)
- Simulation co-optimisée : Entraînement de modèles IA dans des simulateurs réseau (ex : ns-3 + reinforcement learning).
- Conception conjointe IA + politique réseau : co-training de modèles et de politiques d’ordonnancement ou de routage.
Coordination de l’axe :
- Guillaume LOZENGUEZ (IMT NORD-EUROPE) &
- Badii JOUABER (Télécom SudParis)
