La présente invention concerne un procédé de prédiction de la qualité de service d’un réseau de communication, ledit procédé étant propre à être mis en œuvre par un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, un produit programme d’ordinateur, et un dispositif électronique de détection associé.

L’invention se situe dans le domaine des terminaux mobiles exploitant une technologie de communication via un réseau de communication cellulaire ou encore Wi-Fi. En particulier, un tel réseau de communication correspond à un réseau d’accès radio large bande de nouvelles génération tel qu’un réseau de quatrième ou cinquième génération voire de génération ultérieure et notamment le réseau de communication de quatrième génération conforme à la norme LTE (de l’anglais Long Term Evolution) définie par l’organisme de normalisation 3GPP (de l’anglais 3rd Generation Partnership Project).

Un tel réseau de communication LTE comporte un ou plusieurs gestionnaire(s) de qualité de service, également appelés PCRF (de l’anglais Policy Charging and Rules Function) selon la norme LTE et intégrés à un cœur de réseau appelé EPC (de l’anglais Evolved Packet Core) selon la norme LTE, une ou plusieurs passerelle(s) de réseau et une ou plusieurs station(s) de base, également appelées eNodeB (de l’anglais evolved Node B) selon la norme LTE, chaque passerelle de réseau étant reliée, d’une part, à un gestionnaire de qualité de service, et d’autre part, à une ou plusieurs stations de base.

Le réseau de communication LTE présente une architecture distribuée en une pluralité de sites radio, chaque site radio comportant sa ou ses propres stations de base, voire uniquement une ou plusieurs tête(s) radio à distance (RRH de l’anglais Remote Radio Head), le cœur de réseau EPC étant généralement centralisé dans l’infrastructure de l’opérateur.

Le terminal ou encore objet connecté, également appelé UE (de l’anglais User Equipment) selon la norme LTE, est propre à être connecté à une station de base et à être relié à une passerelle via la station de base, ladite passerelle étant fonction de la localisation du terminal.

De manière générale, un UE est un système électronique réactif tributaire de la qualité de service, également appelée QoS (de l’anglais Quality of Service) imposée ou disponible d’un tel réseau de communication, notamment de quatrième génération à architecture distribuée, afin de servir au mieux les applicatifs dont l’UE assure la connectivité.

Par la suite, par qualité de service on entend un indicateur ou un groupe d’indicateurs de performance de la communication (exemple disponibilité, débit utile, délais de transmission, gigue, taux de perte de paquets, etc.)

Les solutions actuelles proposent d’exploiter une ou plusieurs donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio d’un terminal UE, telle que par exemple une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau, une métrique RSSI correspondant à un indicateur d’intensité reçue, une métrique RSRP correspondant à la puissance reçue du signal de référence, une métrique SNR correspondant au rapport signal à bruit, etc. pour estimer le débit de communication associé (de l’anglais throughput).

Autrement dit, les solutions actuelles établissent une corrélation entre une/des grandeurs radio (RSSI, RSRQ, ...) et le débit sans permettre une détermination globale de la qualité de service QoS accessible au niveau applicatif, et également sans tenir compte de l’occupation, par d’autres terminaux mobiles UEs, de la cellule de communication où est présent le terminal UE considéré.

Autrement dit, la vision partielle de la qualité de service QoS réelle évaluée actuellement au moyen du seul débit sur la base d’analyse de paramètres et de caractéristiques de la liaison radio utilisée par un terminal UE considéré, ne permet pas à cet UE considéré d’obtenir localement (i.e. au sein même de l’UE) une modélisation précise et fiable de l’impact de la qualité de service de la communication cellulaire ou Wi-Fi sur la qualité d’expérience au niveau applicatif mobile.

Le but de l’invention est donc de proposer un procédé de prédiction de la qualité de service d’un réseau de communication propre à fournir à un UE une prédiction de qualité de service en tant que telle, et non partielle telle que fournie actuellement, afin d’en informer en temps réel les applicatifs pour lesquels l’UE assure le service de communication, ceux- ci sont alors propres à adapter leurs besoins à cette qualité de service ainsi estimée.

À cet effet, l’invention a pour objet un procédé de prédiction de la qualité de service d’un réseau de communication, ledit procédé étant propre à être mis en œuvre par un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le procédé comprenant les étapes suivantes :

- acquisition d’au moins deux données d’entrée associées au même instant / comprenant :

- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et - au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre ;

- à partir desdites au moins deux entrées associées au même instant t, prédiction de ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées associées au même instant t en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.

Avantageusement, le procédé de prédiction de la qualité de service tient ainsi compte, en plus des informations de couverture radio correspondant à une ou plusieurs métrique(s) descriptive(s) du réseau de communication vue(s) par un terminal UE considéré, de l’état de la file d’émission de paquets de données (i.e. mémoire tampon et en anglais buffer) du terminal UE considéré, l’état de chaque buffer étant accessible au sein d’un rapport d’état de mémoire tampon, notamment BSR (de l’anglais Buffer Status Report), contenant de l’information sur la quantité de paquets de données restants à transmettre par flux (i.e. flot de données) et notamment classiquement utilisé par une station de base, en particulier appelée eNodeB (de l’anglais evolved Node B) selon la norme LTE, pour adapter sa façon de servir un terminal UE.

Par la suite par « rapport d’état(s) de mémoire(s) tampon(s) correspondant à un BSR », on entend l’élément d’information qu’un terminal génère à partir de la taille de ses buffers d’émission et qu’il envoie à la station de base (eNB) 4G/LTE à laquelle il est associé afin que celle-ci puisse (éventuellement) tenir compte des données en attente d’émission pour accorder des « jetons » de parole sur la liaison radio.

Autrement dit, la présente invention propose une exploitation supplémentaire et complémentaire en temps réel du ou des rapport(s) d’état(s) de mémoire(s) tampon, notamment de type BSR, à des fins de prédiction de la qualité de service QoS instantanée dont l’UE dispose et de la qualité d’expérience QoE (de l’anglais Quality of Experience) accessible aux applications pour lesquels l’UE assure le service de communication, le ou les rapport(s) d’état(s) de mémoire(s) tampon, notamment BSR, étant indicateur(s) du service offert localement à ces applications.

En d’autres termes, la présente invention propose de détourner localement (dans le terminal) les informations de ce BSR, et en particulier la taille du buffer d’émission du terminal du BSR, pour être en mesure, après traitement, de prédire la qualité de service dont le terminal dispose sur la liaison radio (i.e. le lien). Ainsi, l’exploitation en temps réel du ou des rapport(s) d’état(s) de mémoire(s) tampon, notamment BSR, proposée selon la présente invention permet d’enrichir la perception et la compréhension de la qualité de service QoS instantanément accessible par le terminal UE considéré, ce qui permet en outre de tenir compte de l’engorgement de la cellule courante dans laquelle est localisé le terminal UE considéré, notamment pour anticiper des évènements de perte de connectivité, ou une qualité de service QoS insuffisante, et ce afin d’améliorer la qualité d’expérience QoE de l’utilisateur.

Le procédé de prédiction de la qualité de service d’un réseau de communication peut également présenter une ou plusieurs des caractéristiques ci-dessous, prises indépendamment ou selon toutes les combinaisons techniquement envisageables :

- ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau appartient au groupe comprenant au moins :

- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;

- une métrique RSSI correspondant à un indicateur d’intensité reçu;

- une métrique RSRP correspondant à la puissance reçue du signal de référence ;

- une métrique SNR correspondant au rapport signal à bruit ;

- ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau correspond au moins à la métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;

- ledit modèle d’apprentissage machine est obtenu par régression linéaire ou par utilisation d’un réseau de neurones ;

- ledit réseau de neurones est un perceptron multicouche ;

- ledit procédé comprend en outre, en utilisant ledit modèle d’apprentissage machine préalablement entraîné, une étape de prédiction supplémentaire :

- d’un contexte radio postérieur par prédiction d’un ensemble d’au moins deux données radio postérieures comprenant au moins une métrique postérieure descriptive du réseau de communication propre à être offerte à un terminal dudit réseau, et un rapport postérieur d’état(s) de mémoire(s) tampon(s) dudit terminal, et/ou

- d’une qualité de service postérieure ; le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instant t ;

- ledit procédé est réitéré périodiquement et comprend en outre :

- la détermination et la mémorisation de la précision associée à chaque prédiction,

- la mise à jour dudit modèle d’apprentissage machine en utilisant la précision associée à chaque prédiction, ladite mise à jour étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions distinctes ;

- ledit procédé comprend en outre une étape de transmission de chaque prédiction au niveau applicatif du terminal.

Selon un autre aspect, l’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de prédiction de la qualité de service d’un réseau de communication tel que défini ci-dessus.

Selon un autre aspect, l’invention concerne également un support d’information sur lequel sont stockées des instructions logicielles configurées pour mettre en œuvre un tel procédé lorsque les instructions logicielles sont exécutées par un processeur

Selon un autre aspect, l’invention concerne un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le dispositif comprenant :

- un module d’acquisition configuré pour acquérir au moins deux données d’entrée comprenant :

- au moins une métrique descriptive du réseau de communication mesurée à un instant t par un terminal présent au sein dudit réseau, et

- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal, ledit rapport étant associé au même instant t et représentatif de la quantité restante de données à transmettre ;

- un module de prédiction configuré pour prédire, à partir desdites au moins deux entrées associées au même instant t, ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.

D’autres caractéristiques et avantages de l’invention ressortiront de la description qui en est donnée ci-dessous, à titre indicatif et nullement limitatif, en référence aux figures annexées, parmi lesquelles :

[Fig 1] la figure 1 illustre schématiquement un dispositif électronique de prédiction de la qualité de service d’un réseau de communication selon un mode de réalisation de l’invention ;

[Fig 2] la figure 2 est un organigramme général d’un procédé de prédiction de la qualité de service d’un réseau de communication; [Fig 3] [Fig 4] les figures 3 et 4 illustrent respectivement deux variantes de mise en œuvre du procédé illustré par la figure 2.

La figure 1 illustre schématiquement un dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication, selon un mode de réalisation de l’invention, vue par un terminal UE considéré et non représenté.

Selon une première variante, préférentielle, un tel dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication est propre à être embarqué directement au sein d’un terminal UE, non représenté, du réseau de communication également non représenté sur la figure 1 , de sorte à lui permettre de déterminer localement une modélisation précise de l’impact de la communication cellulaire ou Wi-Fi sur la qualité d’expérience au niveau applicatif mobile.

Autrement dit, selon cette première variante, la présente invention est mise en œuvre directement dans un terminal UE, ce qui est innovant par rapport à l’état de la technique actuel. En effet, avec les technologies cellulaires 4G et les technologies cellulaires des générations ultérieures post 4G, les terminaux sont assouvis à la qualité de service que leur accorde l’infrastructure réseau sans en avoir le plus souvent une réelle connaissance a priori mais uniquement une expérience à l’usage, et la présente invention permet d’y remédier.

Un tel dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication comprend tout d’abord, un module d’acquisition 12 configuré pour acquérir au moins deux données d’entrée comprenant :

- au moins une métrique descriptive du réseau de communication mesurée à un instant tpar un terminal présent au sein dudit réseau, et

- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal UE considéré, ledit rapport étant associé au même instant t et représentatif de la quantité restante de données à transmettre.

Selon une première variante particulière, ladite au moins une métrique descriptive du réseau de communication (i.e. donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio du terminal UE considéré) mesurée par le terminal UE considéré présent au sein dudit réseau de communication, non représenté, appartient au groupe comprenant au moins :

- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;

- une métrique RSSI correspondant à un indicateur d’intensité reçu;

- une métrique RSRP correspondant à la puissance reçue du signal de référence ;

- une métrique SNR correspondant au rapport signal à bruit. Autrement dit, selon cette première variante, le module d’acquisition 12 est propre à acquérir une combinaison de différents types d’informations combinant d’une part au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, dudit terminal UE considéré, et d’autre part une ou plusieurs des métriques radio précitées.

Selon une deuxième variante, ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau correspond au moins à la métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau.

Autrement dit, selon cette deuxième variante, le module d’acquisition 12 est propre à acquérir une combinaison de différents types d’informations combinant d’une part au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, dudit terminal UE considéré, et d’autre part une ou plusieurs des métriques radio précitées comprenant nécessairement au moins la métrique RSRQ.

De plus, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend un module de prédiction 14 configuré pour prédire, à partir desdites au moins deux entrées associées au même instant t, ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.

Selon un aspect particulier décrit plus en détail par la suite en relation avec les figures 3 et 4, le modèle d’apprentissage machine est obtenu par régression linéaire ou par utilisation d’un réseau de neurones, correspondant selon une variante particulière à un perceptron multicouche.

En complément facultatif, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend également un module 16 de détermination et de mémorisation configuré pour déterminer et mémoriser la précision associée à chaque prédiction, et un module 18 de mise à jour configuré pour mettre à jour ledit modèle d’apprentissage machine en utilisant la précision associée à chaque prédiction, ladite mise à jour étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions distinctes.

En complément facultatif, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend également un module 20 d’émission/réception configuré pour transmettre chaque prédiction au niveau applicatif du terminal, et le cas échéant, notamment lorsque le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication est propre à être externe au terminal UE, pour recevoir, du terminal UE considéré, ladite au moins une métrique descriptive du réseau de communication (i.e. donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio.

Dans l’exemple de la figure 1 , le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend une unité de traitement d’informations 22 formée par exemple d’une mémoire 24 et d’un processeur 26 associé à la mémoire 24.

Dans l’exemple de la figure 1 , le module d’acquisition 12, le module de prédiction 14, et optionnellement le module de détermination et de mémorisation 16, le module de mise à jour 18 sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutables par le processeur 26. La mémoire 24 du dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention est alors apte à stocker un logiciel d’acquisition, un logiciel de prédiction, et optionnellement un logiciel de détermination et de mémorisation, et un logiciel de mise à jour. Le processeur 26 est alors apte à exécuter chacun des logiciels parmi le logiciel d’acquisition, le logiciel de prédiction, et optionnellement le logiciel de détermination et de mémorisation, et le logiciel de mise à jour.

En variante non représentée, le module d’acquisition 12, le module de prédiction 14, et optionnellement le module de détermination et de mémorisation 16, le module de mise à jour 18 sont réalisés sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programmable Gate Array), ou encore sous forme d’un circuit intégré dédié, tel qu’un ASIC (de l’anglais Application Specific Integrated Circuit).

Lorsque le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme d’ordinateur, il est en outre apte à être enregistré sur un support d’information, non représenté, lisible par ordinateur. Le support d’information lisible par ordinateur est par exemple, un médium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support d’information lisible est un disque optique, un disque magnéto- optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles. La figure 2 est un organigramme général d’un procédé 30 de prédiction de la qualité de service d’un réseau de communication selon un mode de réalisation de la présente invention.

Plus précisément, le procédé de prédiction 30 selon la présente invention comprend tout d’abord une première étape 32, mise en œuvre par le module d’acquisition 12 précité, pour acquérir au moins deux données d’entrée associées au même instant / comprenant :

- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et

- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre.

Selon un aspect particulier, une telle acquisition A (i.e. récupération) de données est mise en œuvre périodiquement par le module d’acquisition 12 du dispositif électronique 10 de prédiction de la qualité de service auprès d’un terminal considéré.

Ladite au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré appartient au groupe comprenant au moins :

- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;

- une métrique RSSI correspondant à un indicateur d’intensité reçu;

- une métrique RSRP correspondant à la puissance reçue du signal de référence ;

- une métrique SNR correspondant au rapport signal à bruit.

Le module d’acquisition 12 est par exemple configuré pour acquérir simultanément une, deux, trois, voire quatre des métriques RSRQ, RSSI, RSRP, SNR précitées. Autrement dit, au cours de cette étape 32 mise en œuvre périodiquement, le module d’acquisition 12 récupère d’une part un ensemble comprenant au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré.

Selon un aspect particulier, cet ensemble comprend au moins la métrique RSRQ.

D’autre part, au cours de cette étape 32 mise en œuvre périodiquement, le module d’acquisition 12 récupère également au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR (de l’anglais Buffer Status Report), dudit terminal représentatif de la quantité restante de données à transmettre. Un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, correspond classiquement à une information, générée par le terminal considéré, sur la quantité de paquets de données restants à transmettre par flot de données (i.e. le BSR est une donnée du contexte d’un flot de données du terminal UE) et est notamment classiquement transmis à et utilisé par une station de base, en particulier appelée eNodeB (de l’anglais evolved Node B) selon la norme LTE, pour que ladite station de base eNodeB adapte sa façon de servir un terminal UE (i.e. adapte les ressources montantes au flot de donnée considéré, et ce dans la limite de la capacité de l’eNodeB et du contrat de qualité de service Qos négocié et associé).

Selon la présente invention, un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est un indicateur permettant localement au terminal considéré de se construire une vision du service offert par le réseau de communication à ses applications, et combiné avec l’ensemble précité d’au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré forme des données d’entrée relatives au contexte cellulaire notamment pour un réseau de communication conforme à la norme LTE. Autrement dit, l’acquisition 32 et l’exploitation du rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, au niveau du terminal UE lui permet, de manière autonome, d’évaluer les ressources nécessaires par service offert par l’infra LTE considéré.

Par exemple, en présence d’un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, indiquant une taille de buffer vide, le terminal UE détermine qu’il sera en capacité de transmettre aisément des données qu’il souhaite transmettre ce qui reflète une qualité de service QoS adaptée (i.e. une « bonne » QoS) à ses propres besoins. Il en est de même lorsque le rapport d’état(s) de mémoire(s) tampon(s), notamment BSR indique que la taille du buffer diminue ce qui montre que les ressources radio allouées au terminal UE sont plus que suffisantes et que la qualité de service QoS est adaptée (i.e. une « bonne » QoS). En revanche, un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, indiquant que la taille du buffer augmente montre que les ressources radio allouées au terminal UE sont insuffisantes et que la qualité de service QoS est inadaptée (i.e. une « mauvaise » QoS).

Autrement dit, au fur et à mesure du temps, le terminal UE détermine d’une itération à l’autre les variations du BSR pour conclure à une diminution/augmentation de la taille du buffer (i.e. par rapport au BSR précédent associé à un instant précédent l’instant courant de détermination). Les variations de BSR sont donc utilisées comme données pour la phase de prédiction décrite par la suite. Ainsi, un buffer d’émission de taille constante (i.e. avec un taux de remplissage constant) traduit une adéquation entre la demande de communication de la part des applicatifs (i.e. données générées par les applicatifs et à transmettre) et l’offre du canal de transmission (i.e. les performances de la liaison sans fil), autrement dit la qualité de service. En revanche si la taille de ce buffer augmente (i.e. si son taux de remplissage augmente), cela traduit une sous-capacité de transmission.

Un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est disponible au niveau des couches de communications cellulaires (i.e. de niveau inférieur à trois au sens du modèle OSI) de l’UE. Selon la présente invention, l’utilisation de la métrique RSRQ combinée au rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est performante pour une estimation de la qualité de service QoS sur les technologies cellulaires 4G et 5G. La présente invention prévoit d’intégrer d’autres paramètres d’entrées au modèle d’apprentissage par machine tel que les RSSI, RSRP, SNR ou tout autre métrique pertinente associée à la technologie ultérieure considérée.

A titre d’alternative, une telle acquisition 32 est mise en œuvre sur requête du module d’acquisition 12 auprès du terminal considéré.

Selon le mode de réalisation de la figure 2, le procédé 30 comprend ensuite une phase 34 de prédiction P mise en œuvre par le module de prédiction 14 précité.

Ladite phase de prédiction 34 comprend au moins à partir desdites au moins deux entrées associées au même instant t, une première étape 36 de prédiction Pi de ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées associées au même instant t en entrée d’un modèle d’apprentissage machine M préalablement entraîné au cours d’une phase d’entrainement T à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, l’ensemble de données d’entrainement comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.

Plus précisément, au sein de cet ensemble de données d’entrainement, chaque qualité de service réellement observée est associée à :

- un instant préalable respectif et distinct dudit instant t, et à

- au moins deux données d’entrées comprenant ladite au moins une métrique descriptive du réseau de communication mesurée audit instant préalable par un terminal présent au sein dudit réseau, et ledit rapport d’état de tampon dudit terminal, ledit rapport étant associé au même instant préalable.

Selon un aspect particulier optionnel (représenté en pointillés) du mode de réalisation de la figure 2, le procédé 30 comprend en outre, en utilisant ledit modèle d’apprentissage machine M préalablement entraîné, une étape 38 de prédiction supplémentaire P2 :

- d’un contexte radio postérieur par prédiction d’un ensemble d’au moins deux données radio postérieures comprenant au moins une métrique postérieure descriptive du réseau de communication propre à être offerte à un terminal dudit réseau, et un rapport postérieur d’état(s) de mémoire(s) tampon(s) dudit terminal, et/ou

- d’une qualité de service postérieure ; le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instant t

Autrement dit, cette étape 38 de prédiction supplémentaire correspond à la mise en œuvre d’une approche d’apprentissage machine (de l’anglais machine learning) pour déterminer une vision future du service propre à être offert par le réseau de communication considéré.

Comme détaillé par la suite en relation avec les figure 3 et 4, au cours de la phase d’entrainement T, le modèle d’apprentissage machine M est par exemple respectivement obtenu par régression linéaire ou par utilisation d’un réseau de neurones. Pour un modèle d’apprentissage machine M obtenu, par exemple, par régression linéaire, la phase d’entrainement correspond au calibrage de polynômes de régression linéaire notamment en termes de degrés et de poids, en fonction de la corrélation entre la qualité de service QoS réellement observée et chacune des variables d’entrées du contexte radio associées temporellement, tel que les variables d’entrées (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées, et au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR (de l’anglais Buffer Status Report), dudit terminal représentatif de la quantité restante de données à transmettre.

Selon le mode de réalisation de la figure 2, le procédé 30 est par ailleurs réitéré périodiquement et comprend en outre une étape 40 de détermination et de mémorisation D M de la précision associée à chaque prédiction Pi voire P ₂ , et une étape 42 de mise à jour U du modèle d’apprentissage machine M en utilisant la précision associée à chaque prédiction Pi voire P ₂ , ladite mise à jour U étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions Pi, voire P ₂ distinctes. Un tel nombre prédéterminé est par exemple égal à un, ce qui implique une mise à jour à chaque prédiction au moins Pi voire P ₂ . Selon un autre exemple, un tel nombre prédéterminé est par exemple égal à dix, ce qui implique alors une mise à jour toutes les dix prédictions Pi.

De telles étapes 40 et 42, permettent d’auto-améliorer le modèle d’apprentissage machine M au cours du temps. En particulier, lorsque le modèle d’apprentissage machine M est obtenu par utilisation d’un réseau de neurones, les étapes 40 et 42 permettent un ajustement du réseau de neurones, notamment en termes de poids, par exemple par rétropropagation du gradient de la valeur de la fonction de coût par exemple (de l’anglais backpropagation) ou encore par calcul de la dérivée seconde, etc.

En complément optionnel, le procédé 30 comprend en outre une étape 44 de transmission E de chaque prédiction au niveau applicatif N-A du terminal considéré. Une telle étape optionnelle 44 permet une remontée d’information sur la qualité de service QoS prédite (i.e. prévue) afin que les applicatifs ajustent leur demande en fonction et dans la mesure du possible.

Ainsi, le procédé 30 selon la présente invention est basé sur l’exploitation additionnelle par rapport à l’état de la technique, d’état de files d’attente d’émission (buffers) du terminal considéré UE, cet état étant renseigné via le rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, afin d’enrichir la vision et la compréhension de la qualité de service QoS accessible en temps réelle, voire future (i.e. prédiction du service à venir), et met en œuvre au préalable, via la phase d’entrainement T, la construction d’un modèle de prédiction de cette qualité de service QoS par des techniques d’apprentissage machine d’intelligence artificielle, tout en maintenant une consolidation continue de la performance du modèle M de prédiction par confrontation de ses résultats avec des observations.

Les figures 3 et 4 illustrent respectivement deux variantes de mise en œuvre du procédé 30 illustré par la figure 2.

En particulier, la figure 3 correspond à la variante 30A OÙ le modèle d’apprentissage machine M est obtenu par régression linéaire.

Selon cette variante 30A, une étape 46 de collecte d’un ensemble de données d’entrainement est effectuée au préalable. Par exemple, pour une application de téléconduite ferroviaire, des données d’entrainement ont par exemple été collectées lors de mesures au cours d’essais préalables. De telles données d’entrainement présentent avantageusement une grande variété de résultats de mesure constituant des échantillons d’entrainement, comme de test, faiblement corrélés ce qui augmente la pertinence du modèle M de prédiction obtenu.

L’étape 46 aboutit à la formation 47 d’une base de données d’entrainement DBA comprenant notamment les variables (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées et également, avantageusement selon l’invention, les rapports d’état(s) de mémoire(s) tampon(s), notamment BSR, correspondant au rapport de file(s) d’attente d’émission de chaque terminal considéré.

Lors de la phase d’entrainement T, le modèle M de prédiction est entrainé au cours d’une étape 48 par régression linéaire TMA, dans un premier temps, de la courbe de débit utile (de l’anglais throughput) en fonction des paramètres d’entrée RSSI, RSRQ, RSRP, SNR et le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), afin notamment d’exclure les paramètres d’entrée non pertinents et de calibrer au cours d’une étape 50 un ou plusieurs polynômes TP _A de régression linéaire dont les poids et/ou le degrés sont optimisés OPT au cours d’une étape d’entrainement 52 de calcul des poids par minimisation d’une fonction de coût quantifiant l’erreur entre la donnée estimée et la donnée réelle. Cette valeur de fonction de coût est ensuite rétropropagée au cours d’une étape 54 d’entrainement pour améliorer au fil des itérations le modèle M de prédiction entraîné par régression linéaire TMA.

Plus précisément, l’exclusion des paramètres d’entrée non pertinents mis en œuvre au cours de l’étape 48 est une étape de prétraitement visant à trouver des corrélations entre les paramètres d’entrée RSSI, RSRQ, RSRP, SNR et le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR) et la donnée de sortie correspondant au débit utile via des modèles d’optimisation mathématique. Selon un aspect le débit est « catégorisable » au moyen d’un intervalle de confiance de ±10% entre le débit utile estimé et le débit utile réellement observé.

Une fois le modèle M de prédiction entrainé et optimisé au cours de la phase d’entrainement T, l’étape de prédiction 34 en tant que telle est mise en œuvre en phase de test et consiste au cours d’une étape 54 à appliquer les entrées test acquises A au cours de l’étape 32 en entrée du modèle MAopt obtenu à l’issue de la phase d’entrainement par régression linéaire pour obtenir au cours d’une étape 56 une prédiction PA de la QoS associée.

La figure 4 correspond à la variante 30B OÙ le modèle d’apprentissage machine M est obtenu par utilisation d’un réseau de neurones.

Selon cette variante 30B, une étape 58 de collecte d’un ensemble de données d’entrainement est également effectuée au préalable. Par exemple, pour une application de téléconduite ferroviaire, des données d’entrainement ont par exemple également été collectées lors de mesures au cours d’essais. De telles données d’entrainement présentent avantageusement une grande variété de résultats de mesure constituant des échantillons d’entrainement, comme de test, faiblement corrélés ce qui augmente la pertinence du modèle M de prédiction obtenu.

L’étape 58 aboutit à la formation 59 d’une base de données d’entrainement DBB comprenant notamment les variables (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées et également, avantageusement selon l’invention les rapports d’état(s) de mémoire(s) tampon(s), notamment de type BSR, correspondant au rapport de file(s) d’attente d’émission de chaque terminal considéré.

Lors de la phase d’entrainement T, le modèle M de prédiction est entrainé par utilisation d’un réseau de neurones, correspondant selon une variante particulière à un perceptron multicouche MLP (de l’anglais Multi-Layer Perceptron), en fonction des paramètres d’entrée, RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP afin notamment de paramétrer les hyper-paramètres d’un tel perceptron multicouche MLP en termes de poids, de nombre de couches, de nombre de perceptron par couche, de taille lot (de l’anglais batch), notamment par régularisation de type « L2 » (minimisant la norme deux (i.e. euclidienne) des paramètres du MLP) ou « drop out » (consistant à ignorer aléatoirement une partie des neurones durant la phase de calcul des gradients de paramètres, et tel qu’introduit par N. Srivastava et al dans l’article « Dropout: A simple way to prevent neural networks from overfitting » 2014), pour définir l’importance d’un perceptron.

En particulier, tel qu’illustré par la figure 4, chaque poids du perceptron multicouche MLP est associé à une des cinq données d’entrée RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP. Selon l’exemple de la figure 4, le perceptron multicouche MLP est notamment formé de trois couches 60, 62, 64 correspondant respectivement à la couche d’entrée 60 (de l’anglais input layer), à une couche cachée 62 (de l’anglais hidden layer), et à une couche de sortie 64 (de l’anglais output layer).

Pendant la phase d’entrainement T de ce perceptron multicouche MLP, pour chaque ensemble d’entrées d’apprentissage fourni par la base de données d’entrainement DBB, un tel ensemble correspondant par exemple au quintuplet de données d’entrée RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP, le perceptron multicouche MLP fourni en sortie une estimation 60 d’au moins un paramètre de QoS, tel que le débit, E-T associé, à comparer avec le ou les mêmes paramètre(s) de QoS correspondants, tel que le débit, M T 68 qui a (ont) été effectivement mesuré(s) en relation avec ledit ensemble d’entrée, notamment via un comparateur 70. Le comparateur 70 transmet l’écart 72 (i.e. l’erreur) observé entre estimation 60 dudit au moins un paramètre de QoS, tel que le débit, E-T et le ou les mêmes paramètre(s) de QoS correspondants, tel que le débit, M_T 68 à un module 74 de rétropropagation B (de l’anglais backpropagation) propre à transmettre une mise à jour 74 des poids à la couche d’entrée 60 avant l’itération d’entrainement suivante effectuée à partir d’un quintuplet de données d’entrée distinct.

Une fois le modèle M de prédiction entrainé et optimisé au cours de la phase d’entrainement T, l’étape de prédiction 34 en tant que telle est mise en œuvre en phase de test et consiste au cours d’une étape 78 à appliquer les entrées test acquises A au cours de l’étape 32 en entrée du modèle M _Bo pt obtenu à l’issue de la phase d’entrainement par utilisation d’un réseau de neurones pour obtenir au cours d’une étape 80 une prédiction PB de la QoS associée.

Que ce soit pour la variante illustrée par la figure 3 ou celle illustrée par la figure 4, la périodicité de réévaluation des poids correspond à un compromis entre stabilité et réactivité, basé sur l’évaluation de l’importance des données long terme par rapport au données court terme stockées au fur et à mesure dans la base de données d’entrainement DBA ou DB _B . Selon une première variante, une réévaluation des poids est mise en œuvre à chaque actualisation (i.e. enrichissement) de base de données d’entrainement DBA OU DBB.

Selon une deuxième variante, une réévaluation des poids est mise en œuvre en tenant compte d’une répartition (i.e. d’une pondération) associée à la datation des données stockées la base de données d’entrainement DBA OU DBB, par exemple 20% pour des données d’entrainement dites « long terme » (i.e. distante de la date de réévaluation au- delà d’un seuil temporel prédéterminé) et 80% pour des données d’entrainement dites « court terme » par exemple.

L’homme du métier comprendra que l’invention ne se limite pas aux modes de réalisation décrits, ni aux exemples particuliers de la description, les modes de réalisation et les variantes mentionnées ci-dessus étant propres à être combinés entre eux pour générer de nouveaux modes de réalisation de l’invention.

La présente invention propose ainsi une solution pour enrichir la vision « radio » de la QoS en cours en exploitant en temps réel l’état des files d’émission (Buffer) et son adéquation avec le besoin des applicatifs, et pour évaluer/quantifier/caractériser la QoS en cours et future offerte par le réseau pour prendre des décisions proactives d’adaptation de sa connectivité et/ou des flux applicatifs.

De plus, la solution proposée selon la présente invention est fondée sur des informations disponibles dans les composants radio du terminal UE propres à être rendues accessibles par une interface logicielle. Ainsi la solution proposée peut être portée sur différents types d’objet connectés, notamment conformes à la technologie 4G/LTE, 5G voire au-delà.

Par ailleurs, avec les technologies cellulaires 4G et les technologies cellulaires des générations ultérieures post 4G, les terminaux sont assouvis à la qualité de service que leur accorde l’infrastructure réseau sans en avoir le plus souvent une réelle connaissance a priori mais uniquement une expérience à l’usage, et la présente invention permet d’y remédier en étant, selon une variante préférentielle directement mise en œuvre dans un terminal UE, de sorte à permettre justement au terminal UE d’en avoir une prédiction fiable.