Thèse Allocation Dynamique des Ressources dans les Réseaux Véhiculaires 5G. H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Signaux et Systèmes Direction de la thèse : Sahar HOTEIT ORCID 0000000262915391 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-31T23:59:59 Avec l'émergence des véhicules autonomes et l'augmentation continue du volume de données générées, le Mobile Edge Computing (MEC) s'est imposé comme un paradigme prometteur pour répondre aux défis de latence et de capacité de calcul dans les réseaux véhiculaires. Toutefois, les politiques statiques d'association entre les véhicules et les serveurs MEC ne sont plus adaptées à ces environnements hautement dynamiques, où les conditions du réseau, les schémas de mobilité et les besoins des services évoluent en permanence. Pour répondre à ces limitations, ce projet se concentre sur l'allocation dynamique des ressources dans les réseaux véhiculaires 5G.L'objectif principal du projet est de collecter et d'exploiter des données réelles issues de la plateforme véhiculaire 5G autOCampus (www.irit.fr/autocampus/), développée à l'IRIT à Toulouse, afin de concevoir un cadre d'optimisation pour le déchargement dynamique des tâches (dynamic task offloading) et l'allocation des ressources dans les environnements de calcul en périphérie des réseaux véhiculaires (Vehicular Edge Computing). En exploitant les données relatives aux schémas de mobilité des véhicules, aux conditions radio et à la charge des serveurs MEC, nous développerons des simulations réalistes ainsi que des mécanismes d'aide à la décision en temps réel. L'objectif global est d'optimiser la qualité de service (QoS) et l'efficacité énergétique, tout en garantissant la stabilité du système. En complément, le projet étudiera l'utilisation de l'apprentissage in-context basé sur les grands modèles de langage (LLM) afin de transformer les données brutes issues d'autOCampus en stratégies adaptatives et exploitables pour les réseaux véhiculaires en périphérie. Avec l'émergence des véhicules autonomes et l'augmentation continue du volume de données générées, le Mobile Edge Computing (MEC) s'est imposé comme un paradigme prometteur pour répondre aux défis de latence et de capacité de calcul dans les réseaux véhiculaires. Toutefois, les politiques statiques d'association entre les véhicules et les serveurs MEC ne sont plus adaptées à ces environnements hautement dynamiques, où les conditions du réseau, les schémas de mobilité et les besoins des services évoluent en permanence. Pour répondre à ces limitations, notre projet se concentre sur l'allocation dynamique des ressources dans les réseaux véhiculaires 5G. L'objectif de ce projet est d'optimiser la qualité de service (QoS) et l'efficacité énergétique, tout en garantissant la stabilité du système. Notre projet étudiera également l'utilisation de l'apprentissage basé sur les grands modèles de langage (LLM) afin de transformer les données brutes issues d'autOCampus en stratégies adaptatives et exploitables pour les réseaux véhiculaires en périphérie.

Le candidat doit être titulaire d'un master en informatique / ingénierie, télécommunications. Il doit avoir de solides compétences en mathématiques et programmation en C/C++, python ou MATLAB. Un bon niveau en anglais (parlé et écrit) est requis.

• Python
• C++
• Programmation
• Anglais
• Qualité de service (QoS)
• MATLAB
• Mathématiques