Apprentissage de la qualité de service dans les réseaux multiservices: applications au routage optimal sous contraintes

The cohabitation of several different services in the same network raises many problems for the management and the design of telecommunication networks. The introduction of 'intelligent' mechanisms in multiservice networks makes it possible to overcome the difficulty of implementing traditional methods, which take into account all the complexity generated by the multiplication of services. In this context, we focus on the problem of the evaluating performance in network at stationary state, and more specifically the evaluation of the quality of service (QoS) criteria. Instead of trying to model all the mechanisms of a router to formalize certain QoS criteria, we propose to use the training and generalization abilities of neural networks to learn this QoS from observations on the system. We thus propose neuro-mimetic models of various QoS criteria of a network node, which are based on a relatively simple statistical description of incidental traffics. We studied the training of several QoS criteria on discrete-event simulations of elementary queues and time-shared queues modeling service differentiation in IP or MPLS routers. Then, we generalize this approach to carry out the estimation of QoS along a path and propose a distributed cooperation of neural models. The neural networks are in charge to estimate both the quality of service and a description of the outgoing traffic. This scheme coupled with a protocol like RSVP would in the long term make it possible to propagate the estimations along a path to draw up an evaluation of the end-to-end QoS. Finally, we focus on the problem of optimal routing subject to end-to-end QoS constraints. We present a multicommodity flow formalization allowing to set up a flow deviation strategy associated with an augmented Lagrangian approach to relax the QoS constraints. This solving strategy converges to a realizable local optimum. Then, we propose to replace the M/M/1 approximation traditionally used in multicommodity flow models by a neuro-mimetic model of QoS, which is more realistic particularly in case of service differentiation. However, it is necessary to guarantee the growth of the evaluation functions to ensure the validity of the optimization algorithm. This monotonicity can be imposed in the training of the neural model by the addition of constraints on first derivatives. Thus, we develop a constrained training algorithm which takes into account the monotonicity in feed-forward neural networks by using classical algorithm for constrained nonlinear optimization.La cohabitation de plusieurs services différents sur un même réseau soulève de nombreux problèmes pour la gestion et la conception de réseau de télécommunication. L'introduction de mécanismes "intelligents " dans les réseaux multiservices permet de surmonter la difficulté de mettre en place des méthodes plus traditionnelles pour prendre en compte toute la complexité générée par la multiplication des services. Dans ce contexte, nous nous intéressons au problème de l'évaluation de performance dans les réseaux à l'état stationnaire, et plus spécifiquement l'évaluation des critères de qualité de service (QoS). Au lieu d'essayer de modéliser tous les mécanismes d'un routeur pour formaliser certains critères de QoS, nous proposons d'utiliser les capacités d'apprentissage et de généralisation des réseaux de neurones pour apprendre cette QoS à partir d'observations du système. Nous proposons ainsi des modèles neuro-mimétiques de différents critères de la QoS d'un noeud du réseau qui s'appuient sur une description statistique relativement simple des trafics incidents. Nous avons étudié l'apprentissage de plusieurs critères de qualité de service à partir de simulations à évènements discrets dans le cas de files d'attente élémentaires et de files d'attente à serveur partagé qui modélisent la différentiation de services dans les routeurs IP ou MPLS. Nous généralisons ensuite cette approche pour effectuer l'estimation de la QoS le long d'un chemin et proposons pour cela une coopération distribuée de modèles neuronaux. Les réseaux de neurones sont chargés d'estimer à la fois les critères de qualité de service et une description du trafic de sortie. Ce schéma couplé à un protocole de type RSVP permettrait à terme de propager les estimations le long du chemin pour établir une estimation de la QoS de bout en bout. Nous nous intéressons enfin au problème de routage optimal sous contraintes de QoS de bout en bout. Nous présentons une formalisation multiflot permettant de mettre en place une stratégie de résolution de type déviation de flot qui s'appuie sur une approche de type lagrangien augmenté pour relâcher les contraintes de QoS. Cette stratégie permet d'obtenir un optimum local réalisable. Nous proposons ensuite de remplacer l'approximation M/M/1 traditionnellement utilisée dans les modèles de multiflot par un modèle par réseaux de neurones de la QoS, plus réaliste notamment dans le cas de la différentiation de service. Toutefois il est nécessaire de garantir la croissance des fonctions évaluations pour assurer la validité du schéma d'optimisation. Cette monotonie peut être imposée lors de l'apprentissage du modèle neuronal par l'ajout de contraintes sur les dérivées premières. Nous avons développé ainsi un algorithme d'apprentissage sous contraintes qui impose la monotonie dans les réseaux de neurones feed-forward en utilisant des méthodes classiques de l'optimisation nonlinéaire sous contraintes