Université de Rennes Apprentissage automatique appliqué à l’identification du comportement des utilisateurs de réseaux mobiles 5G et au-delà : classification de l’environnement et de l’application Machine learning for mobile network user behavior detection in 5G networks and beyond : environment and application classification Apprentissage automatiqueApprentissage profondIA5G 6GRéseaux mobilesRANApprentissage des représentationsContexte d’utilisationClassification de l’environnementClassification des applications Machine LearningDeep LearningAIBeyond 5G6GMobile NetworksRANRepresentation LearningFederated LearningContext of useEnvironment ClassificationApplication Classification Apprentissage profond 5G (téléphonie mobile) 6G (téléphonie mobile) Intelligence artificielle Les futurs réseaux mobiles, 5G et au-delà, sont confrontés à des défis importants pour répondre aux demandes croissantes de services plus rapides, plus fiables et plus innovants. Pour y faire face, les technologies d'intelligence artificielle (IA) peuvent être utilisées pour optimiser les performances du réseau en fonction des besoins et du comportement des utilisateurs. Notre travail présente une méthode pour comprendre le comportement des utilisateurs dans les réseaux mobiles, en mettant l'accent sur l'identification de l'environnement de l'utilisateur et du type d'application. Nous utilisons des modèles d'apprentissage profond pour analyser les mesures radio et le trafic réseau. Nous avons également exploré la combinaison d'informations a priori avec des modèles d'apprentissage automatique pour améliorer les performances, en utilisant une approche d'optimisation du comportement de l'utilisateur (UBO). De plus, nous avons démontré le potentiel de l'apprentissage de représentation et de l'apprentissage fédéré dans les réseaux mobiles, qui peuvent préserver les ressources de bande passante et atténuer les préoccupations concernant la centralisation des données. Future mobile networks, 5G and beyond, face significant challenges in meeting increasing demand for faster, more reliable, and newer services. To address this, AI technologies can be used to optimize network performance according to user needs and behavior. Our work presents a method for understanding the behaviour of users in mobile networks, focusing on identifying user environment and application type. We leverage deep learning models to analyze radio measurements and network traffic. We also explored combining prior information with machine learning models to achieve enhanced performance, using a User Behavior Optimizer (UBO) approach. Additionally, we demonstrated the potential of representation learning and federated learning in mobile networks, which can preserve bandwidth resources and alleviate concerns about data centralization. Electronic Thesis or DissertationText en application/pdf1 : 4503 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/b20eb5c7-ca6e-44a9-a507-98219d45bd4b Hamidèche Sid Ali 1994-03-15 XX 284560537 didousidali@gmail.com 2024URENS103 http://www.theses.fr/2024URENS103 2024-12-17 Informatique Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiVihoCésar intervenant_1075989603Alberi-MorelMarie-Lineintervenant_2121392791SinghKamal Deepintervenant_6110412133Hadjadj AoulYassineintervenant_3128706333VihoCésar intervenant_1075989603Alberi-MorelMarie-Lineintervenant_2121392791SinghKamal Deepintervenant_6110412133BoumerdassiSelmaintervenant_4061085715KsentiniAdlenintervenant_510335767X MATISSEecoleDoctorale_1 267602553 IRISA partenaireRecherche_1 026386909 ddc:004 VihoCésar Alberi-MorelMarie-LineHadjadj AoulYassineBoumerdassiSelmaKsentiniAdlenSinghKamal DeepUniversité de RennesMATISSE IRISA ASCII PDF 4610783