Optimisation du clustering dans les réseaux Cloud­-RAN

Description :

Les RRHs gérées par une même BBU forment un cluster dont ils se partagent les ressources radio. Pour augmenter la capacité du système, une BBU peut se contenter de gérer une seule RRH. Ainsi, malheureusement, le nombre de BBUs actives se voit multiplié. Par conséquent, les consommations d’énergie et de ressources de calcul du système augmentent. Une association optimale BBU-RRH permettra de maximiser l’efficacité spectrale et énergétique du système. En outre, la sélection de RRH, ou en d’autres termes l’association utilisateur-RRH, a aussi besoin d’être améliorée. Décider du « meilleur » RRH pour chaque utilisateur, en fonction de ses conditions radio et de la charge des clusters, maximise l’utilisation des ressources radio. Toutefois, certains RRH peuvent être inefficaces (ou sous-utilisés) : peu d’utilisateurs y sont rattachés. Pour le même nombre de clusters, activer tous les RRH du réseau permet de profiter au mieux de la macro-diversité, mais au prix d’une consommation énergétique accrue. Une sélection optimale de RRH permet d’éteindre des RRH inefficaces afin de maximiser les efficacités spectrale et énergétique des Cloud-RAN. La présente thèse vise à optimiser conjointement le clustering et la sélection des RRH. Premièrement, le clustering des RRH sera fait de manière dynamique en s’adaptant à la charge de trafic et à la demande en QoS des utilisateurs desservis. Il doit aussi considérer les requis des opérateurs à savoir : minimiser les dépenses énergétiques, les ressources de calcul du système, les interférences et le taux de handover. En effet, augmenter la taille d’un cluster permet de réduire le nombre de BBU actives, mais aussi de réduire la fréquence des handovers et le niveau d’interférence dans le réseau. Par contre, cela réduira le débit réalisé par les utilisateurs du cluster en question, la capacité finie d’une BBU est effectivement partagée par les mobiles desservis par l’ensemble des RRH du cluster. Il est clair qu’il faudra réaliser astucieusement un compromis adéquat entre les différents objectifs contradictoires. Deuxièmement, le clustering sera résolu conjointement avec la sélection des RRH. En effet, le regroupement des RRH dans un même cluster dépend du nombre d’utilisateurs qui seront potentiellement raccordés aux différents RRH. Il dépend donc des RRH actifs et de leur charge. D’autre part, l’attractivité des RRH dépend de la forme, de la taille et de la charge des clusters formés. Le travail mettra en place deux approches scientifiques pour résoudre le problème conjoint. La première consiste à optimiser le clustering et la sélection des RRH d’une manière centralisée faisant appel notamment à l’optimisation convexe. La deuxième considèrera le problème d’une manière distribuée faisant appel notamment à la théorie des jeux.