Techniques d’apprentissage statistique pour la modélisation et pour l’analyse de causes racines de réseaux informatiques

With the global rising Internet demand, network operators and service providers need to manage increasingly complex and interdependent systems. In this thesis, we explore how statistical learning techniques can be used to help modeling and understanding large computer networks. In a first contribution, we propose and evaluate a Graph Neural Network algorithm for path performance prediction given known network characteristics. Our second contribution focuses on Internet-scale Root Cause Analysis: given limited knowledge about the network, we evaluate three statistical learning techniques for this important problem, including Naive Bayes, Random Forest and Convolutional Neural Network classifiers. We show the results of these techniques over a year-long dataset of Internet measurements, collected with a set of methods based on web browsers.Avec la demande mondiale croissante d’Internet, les opérateurs de réseaux et les fournisseurs de services doivent gérer des systèmes de plus en plus complexes et interdépendants. Dans cette thèse, nous explorons comment les techniques d’apprentissage statistique peuvent être utilisées pour aider à la modélisation et à la compréhension des grands réseaux informatiques. Dans une première contribution, nous proposons et évaluons un algorithme de réseau neuronal en graphe pour la prédiction des performances à partir de caractéristiques connues du réseau.Notre deuxième contribution porte sur l’analyse des causes racines à l’échelle de l’Internet : en tenant compte des connaissances limitées sur le réseau, nous évaluons trois techniques d’apprentissage statistique pour ce problème important, les classifieurs naïf Bayésien, forêt aléatoire et réseau neuronal convolutif. Nous montrons les résultats de ces techniques sur un ensemble de données de mesures Internet couvrant une année entière, et collectées avec un ensemble de méthodes basées sur les navigateurs web