Thèse "convergence graphes et vecteurs pour la simulation des jumeaux numériques réseau" f/h

Votre rôle

Contexte : Votre rôleest d’effectuer un travail de thèse sur: «Convergence graphes et vecteurs pour la simulation des jumeaux numériques réseau». Elle s’inscrit dans la plateforme de gestion de jumeaux numériques d’Orange Thing’in, visant à améliorer la gestion des réseaux d’Orange. L’automatisation de ces réseaux complexes peut être améliorée par des algorithmes d’apprentissage détectant et corrigeant les erreurs [1].
Les récentes avancées en apprentissage automatique sur les graphes et l’émergence des réseaux de neurones de graphes (GNN) ouvrent de nouvelles perspectives pour analyser les réseaux [2]. Les modèles récents peuvent aussi prendre en compte la dynamique du graphe [3]. Ces modèles capturent à la fois des informations locales et globales, utiles pour comprendre les réseaux complexes. Dans le cadre des réseaux d’Orange, ces techniques permettront de prédire le trafic client, d'optimiser l’allocation des ressources, et de simuler des scénarios comme des pannes ou des pics de trafic.
Problématiques : Malgré des efforts pour optimiser l'interaction entre bases de données relationnelles et API d'apprentissage automatique, les bases de données graphes sont moins étudiées. Les pipelines d'apprentissage sur graphes utilisent souvent des bibliothèques externes, mais manquent de gouvernance centralisée et d’exploitation des expériences passées. Les modèles sont souvent réentraînés depuis zéro, augmentant les coûts. Intégrer l'apprentissage dans les bases de données graphes permettrait de mieux suivre l’évolution des données.
Objectif scientifique – résultats et verrous à lever : L’objectif de la thèse est de développer une base de données hybride combinant graphes et vecteurs pour optimiser la prédiction et la simulation des réseaux télécoms, tout en améliorant les requêtes de graphes avec l’apprentissage automatique. Le prototype attendu intégrera nativement des fonctionnalités d’apprentissage automatique via une représentation hybride graphes et vecteurs.
Résultats attendus et verrous à lever:
· Modélisation multi-modèles: Représenter les données en graphes et vecteurs. Verrous : Garantir la cohérence entre ces représentations.
· Interrogation hybride : Définir un langage permettant de traiter efficacement graphes, vecteurs et données apprises. Verrous : Optimiser les requêtes pour ces différentes représentations.
· Stockage et historisation : Implémenter un stockage cohérent pour les données, modèles et vecteurs. Verrous : Assurer une gestion des dépendances, historisation des données et modèles, et réduction de l’espace de stockage tout en maintenant de bonnes performances.
[1] Ngo, D.-T., et al. (2023). Empowering Digital Twin for Future Networks with Graph Neural Networks. Future Internet,
[2] Jiang, W. (2022). Graph-Based Deep Learning for Communication Networks. Computer Communications,
[3] Zheng, Y., Yi, L., & Wei, Z. (2025). A Survey of Dynamic Graph Neural Networks. Frontiersof Computer Science