| Titre : | Next Generation Digital Twin-Enhanced 6G Networks: A Deep Learning Approach for Real-Time Adaptation |
| Auteurs : | Bentayeb Leila, Auteur ; Bensaid Tayeb Islem, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 71ص |
| Accompagnement : | CD |
| Langues: | Français |
| Index. décimale : | BUC-M 008541 |
| Catégories : |
Master en informatique Spécialité : Réseau Informatique et Système Répartie |
| Résumé : |
Abstract
This thesis focuses on the intelligent optimization of 6G networks through a hybrid approach combining Digital Twin technology and Deep Learning. 6G networks are characterized by high dynamism, massive connectivity, low latency and strict quality of service requirements. To address these challenges, the Digital Twin is used as a synchronized virtual representation of the physical network, while an LSTM model is employed to predict traffic evolution and support dynamic resource adaptation. The experimental results show that the proposed approach improves network performance, achieving a predictive accuracy of 95.4 \%, while significantly reducing latency, increasing throughput and improving overall quality of service. This study confirms the relevance of integrating Digital Twin and Deep Learning technologies to build smarter, more autonomous and adaptive 6G networks. Keywords : 6G, Digital Twin, Deep Learning, LSTM, network optimization, quality of service, real-time adaptation. ملخص تتناول هذه المذكرة موضوع التحسين الذكي لشبكات الجيل السادس6Gاعتمادا على مقاربة هجينة تجمع بين تقنية التوأم الرقمي والتعلم العميق. تتميز شبكات6Gبالديناميكية العالية واالتصال واسع النطاق وانخفاض زمنالتأخير, وارتفاعمتطلبات جودةالخدمة. ولمواجهةهذه التحديات تم توظيف التوأمالرقمي كتمثيل افتراضي متزامن مع الشبكة الحقيقية , كما تم استخدام نموذجLSTMللتنبؤ بتطور حركة المرور ودعم التكيف الديناميكي للموارد . أظهرت النتائج التجريبية أن المقاربة المقترحة تحسن أداءالشبكة،حيث حقق نموذجLSTMدقة تنبئية قدرها95,4%مع تقليل واضح في زمنالتأخير،وزيادة في معدل التدفق, وتحسين في جودة الخدمة. تؤكد هذه الدراسة أهمية دمج التوأم الرقمي والتعلم العميق لبناء شبكات6Gأكثرذكاء واستقاللية وقدرة على التكيف في الزمن الحقيقي. الكلماتالمفتاحية:الجيل السادس , التوأم الرقمي , التعلم العميق , تحسين الشبكات ,LSTM, جودة الخدمة , التكيف في الزمن الحقيقي. Résumé Ce mémoire porte sur l’optimisation intelligente des réseaux 6G à travers une approche hybride combinant le Digital Twin et le Deep Learning. Les réseaux 6G se caractérisent par une forte dynamique, une connectivité massive, une faible latence et des exigences élevées en matière de qualité de service. Pour répondre à ces défis, le Digital Twin est utilisé comme une représentation virtuelle synchronisée du réseau physique, tandis qu’un modèle LSTM est exploité pour prédire l’évolution du trafic et soutenir l’adaptation dynamique des ressources. Les résultats expérimentaux montrent que l’approche proposée améliore les performances du réseau, avec une précision prédictive de 95,4 \%, une réduction significative de la latence, une augmentation du débit et une amélioration de la qualité de service. Cette étude confirme l’intérêt de l’intégration du Digital Twin et du Deep Learning pour construire des réseaux 6G plus intelligents, autonomes et adaptatifs. Mots clés : 6G, Digital Twin, Deep Learning, LSTM, optimisation réseau, qualité de service, adaptation temps réel. |
| Note de contenu : |
TABLE DES MATIÈRES
Introduction Générale 2 1 Fondements des réseaux 6G et évolution des architectures mobiles 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Évolution des réseaux mobiles (1G → 6G) . . . . . . . . . . . . . . . . . . . 3 1.3 Vision et caractéristiques de la 6G . . . . . . . . . . . . . . . . . . . . . . . 4 1.4 Architecture des réseaux 6G . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4.1 Core network intelligent . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4.2 Edge computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4.3 Cloud-native infrastructure . . . . . . . . . . . . . . . . . . . . . . . 5 1.5 Cas d’usage des réseaux 6G . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.6 Limites et défis actuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2 Digital Twin dans les réseaux de communication 8 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2 Définition du Digital Twin . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.3 Architecture d’un Digital Twin . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3.1 Physical Entity (Entité physique) . . . . . . . . . . . . . . . . . . . 10 2.3.2 Virtual Model (Modèle virtuel) . . . . . . . . . . . . . . . . . . . . 11 2.3.3 Synchronization Layer (Couche de synchronisation) . . . . . . . . . . 11 2.4 Digital Twin dans les réseaux télécoms . . . . . . . . . . . . . . . . . . . . . 12 2.5 Rôle du Digital Twin dans la 6G . . . . . . . . . . . . . . . . . . . . . . . . 13 2.5.1 Monitoring en temps réel . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.2 Simulation prédictive . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.3 Optimisation réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.6 Technologies habilitantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.7 Défis du Digital Twin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3 Deep Learning pour les réseaux intelligents 18 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.2 Concepts fondamentaux du Deep Learning . . . . . . . . . . . . . . . . . . . 19 3.2.1 Réseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2.2 Les différents algorithmes de Deep Learning . . . . . . . . . . . . . . 20 3.2.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 21 3.3 Deep Learning dans les réseaux 6G . . . . . . . . . . . . . . . . . . . . . . . 22 3.4 Modèles adaptés au réseau dynamique . . . . . . . . . . . . . . . . . . . . . 24 3.5 Avantages et limites du Deep Learning . . . . . . . . . . . . . . . . . . . . . 25 3.5.1 Avantages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.5.2 Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4 Proposition d’une approche Digital Twin + Deep Learning pour l’adaptation en temps réel 28 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.2 Problématique ciblée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.3 Architecture proposée du système . . . . . . . . . . . . . . . . . . . . . . . 31 4.3.1 Couche physique (Physical Network Layer) . . . . . . . . . . . . . . 32 4.3.2 Couche Digital Twin (Digital Twin Layer) . . . . . . . . . . . . . . 33 4.3.3 Couche de décision intelligente (AI Decision Layer) . . . . . . . . . 33 4.3.4 Boucle de rétroaction (Real-Time Feedback Loop) . . . . . . . . . . 34 4.4 Modèle de Deep Learning retenu . . . . . . . . . . . . . . . . . . . . . . . . 34 4.4.1 Choix du modèle et justification . . . . . . . . . . . . . . . . . . . . 34 4.4.2 Variables d’entrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.4.3 Variables de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.5 Mécanisme de synchronisation du Digital Twin . . . . . . . . . . . . . . . . 35 4.6 Processus d’adaptation en temps réel . . . . . . . . . . . . . . . . . . . . . . 36 4.7 Algorithme proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 5 Expérimentation, résultats et discussion 39 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.2 Environnement de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.2.1 Outils et chaîne d’expérimentation . . . . . . . . . . . . . . . . . . . 40 5.2.2 Configuration matérielle . . . . . . . . . . . . . . . . . . . . . . . . 40 5.2.3 Jeu de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.3 Scénarios de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3.1 Charge réseau faible . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3.2 Charge réseau moyenne . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3.3 Charge réseau élevée . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3.4 Cas d’urgence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.4 Métriques d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.4.1 Latence bout-en-bout . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.4.2 Débit utile (throughput) . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.4.3 Qualité de service (QoS) . . . . . . . . . . . . . . . . . . . . . . . . 43 5.4.4 Précision du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.5 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.5.1 Performances du modèle LSTM . . . . . . . . . . . . . . . . . . . . 44 5.5.2 Comparaison de la latence . . . . . . . . . . . . . . . . . . . . . . . 44 5.5.3 Comparaison du débit . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.5.4 Évolution de la précision durant l’entraînement . . . . . . . . . . . . 45 5.5.5 Impact de la présence du Digital Twin . . . . . . . . . . . . . . . . . 46 5.6 Discussion analytique des résultats . . . . . . . . . . . . . . . . . . . . . . . 46 5.6.1 Contribution du Digital Twin . . . . . . . . . . . . . . . . . . . . . . 46 5.6.2 Contribution du Deep Learning . . . . . . . . . . . . . . . . . . . . . 47 5.6.3 Comparaison avec les approches classiques . . . . . . . . . . . . . . 50 5.6.4 Comparaison avec l’état de l’art avancé . . . . . . . . . . . . . . . . 51 5.6.5 Discussion transversale . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.7 Limites de l’approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Conclusion Générale 57 Bibliographie 61 |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008541 Adobe Acrobat PDF |
