Dynamic network resources optimization based on machine learning and cellular data mining

Les traces reelles de reseaux cellulaires representent une mine d’information utile pour ameliorer les performances des reseaux. Des traces comme les CDRs (Call detail records) contiennent des informations horodatees sur toutes les interactions des utilisateurs avec le reseau sont exploitees dans cette these. Nous avons propose des nouvelles approches dans l’etude et l’analyse des problematiques des reseaux de telecommunications, qui sont base sur les traces reelles et des algorithmes d’apprentissage automatique. En effet, un outil global d’analyse de donnees, pour la classification automatique des stations de base, la prediction de la charge de reseau et la gestion de la bande passante est propose ainsi qu’un outil pour la detection automatique des anomalies de reseau. Ces outils ont ete valides par des applications directes, et en utilisant differentes topologies de reseaux comme les reseaux WMN et les reseaux bases sur les drone-cells. Nous avons montre ainsi, qu’en utilisant des outils d’analyse de donnees avances, il est possible d’optimiser dynamiquement les reseaux mobiles et ameliorer la gestion de la bande passante.