Stage de recherche : Prédiction de stabilité des liens et planification temporelle des routes d[...]

Efrei Paris; Île-de-France; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une institution académique prestigieuse recherche un stagiaire en recherche pour travailler sur la prédiction de la stabilité des liens dans un essaim de drones. Le candidat doit avoir de solides compétences en Python et en Deep Learning, idéalement avec une expérience en SDN et réseaux. Le stage offre une excellente opportunité d'apprentissage dans un projet novateur sur les réseaux non terrestres 6G.

Prestations

Open-source code experience

Possibilité de publication

Encadrement académique

Qualifications

• Aisance en Python et Deep Learning (PyTorch).
• Solides bases en réseaux et systèmes.
• Pratique de Linux et virtualisation.

Responsabilités

• Développer un DyGNN multi-tâches pour prédiction de stabilité.
• Adapter l'orchestrateur CoBRA pour choisir les routes 'max-stabilité'.
• Implémenter des algorithmes de bascule dynamique.

Connaissances

Python

Deep Learning (PyTorch)

SDN (OpenFlow / P4)

Réseaux & systèmes

Optimisation ML (quantization)

Linux & virtualisation

Simulation ns-3

Formation

Étudiant en fin de cycle (M2 / ingénieur)

Description du poste

Stage de recherche

Prédiction de stabilité des liens et planification temporelle des routes dans un essaim de drones à l’aide de Graph Neural Networks dynamiques.

Contexte

Le framework CoBRA vise à orchestrer, de façon décentralisée, l’allocation coopérative de tâches entre et serveurs d’edge‑computing dans les réseaux non terrestres (NTN) 6G. Il s’appuie sur un graphe dynamique où chaque nœud (drone ou serveur) est décrit par des attributs temps réel (batterie, CPU, réputation, etc.). Les décisions d’orchestration supposent implicitement la disponibilité fiable des liens radio entre nœuds mobiles.

Le sujet de stage porte précisément sur cette hypothèse : anticiper la stabilité et la durée de vie résiduelle des liens, et fournir ces prédictions au graphe CoBRA pour fiabiliser le placement et la migration des tâches. Inspiré par les travaux récents sur les Graph Neural Networks dynamiques et la planification de journeys temporels dans les réseaux de drones, le stage ajoute la dimension prédictive manquante à CoBRA, tout en restant aligné sur sa philosophie distribuée.

Objectifs

• Modélisation : développer un DyGNN multi‑tâches (existence + Expected Remaining Lifetime) et exposer les prédictions comme attributs “link‑stability” dans le graphe distribué CoBRA.
• Algorithmes d’orchestration : adapter l’orchestrateur pour : 1) choisir des routes “max‑stabilité” pour les flux temps réel ; 2) planifier des journeys différés (store‑carry‑forward) lorsque la prédiction détecte des ruptures probables.
• Bascule dynamique : implémenter un mécanisme de switch entre modes streaming et SCF selon un seuil de fiabilité prédite, et l’exposer comme politique de contrôle dans CoBRA.
• Évaluation : mesurer l’impact sur : AUC / RMSE lien, loss vidéo, ratio de livraison SCF, overhead CPU / GPU, consommation énergétique (Jetson), et temps de décision de CoBRA.

Questions de recherche

• Quelle architecture DyGNN (DyRep, TGAT, GA-GLU…) offre le meilleur compromis précision / coût d’inférence pour prédire la probabilité d’existence et l’ERL des liens ?
• Comment formuler un routage “max‑stabilité” (par ex. Dijkstra pondéré par −log p ou −ERL) compatible avec la logique distribuée de CoBRA ?
• Comment construire un graphe de contacts temporels à partir des prédictions pour calculer un plus courtjourney borné en temps ?
• Quel seuil de bascule minimise les coupures tout en maîtrisant le délai SCF ?

Plan de travail (indicatif)

P1 – P3 : prise en main CoBRA + état de l’art DyGNN / SCF. Livrable : cahier de charges.

P4 – P6 : collecte de traces (ns-3-aerial, UAV-SAR, CRAWDAD) et pré-traitement. Livrable : dataset parquet.

P7 – P10 : implémentation DyRep / TGAT / GA-GLU sous PyTorch Geometric Temporal. Livrable : modèle GNN.

P11 – P13 : intégration du module prédictif dans le graphe CoBRA. Livrable : plugin “link-stability.”

P14 – P16 : routage streaming “max-stabilité” + tests vidéo (iperf / GStreamer). Livrable : benchmarks.

P17 – P19 : planificateur journey SCF + bascule automatique. Livrable : KPI + analyse.

P20 – P22 : compression modèle (pruning / quantization) & profil Jetson. Livrable : rapport perf.

P23 – P24 : rédaction rapport + démo intégrée CoBRA, rapport et article court.

Livrables attendus

• Module DyGNN compatible CoBRA (code open‑source, PyTorch 2.x / PyG‑Temporal).
• Extension SDN (Ryu / ONOS) : table de link‑stability + algorithmes de routage hybrides.
• Scripts d’évaluation & dataset publiables.
• Rapport de stage et article court (soumission conférence / atelier).

Compétences requises / appréciées

Essentielles

• Python, notions DL (PyTorch)
• SDN (OpenFlow / P4)
• Réseaux & systèmes
• Optimisation ML (quantization)
• Linux & virtualisation
• Simulation ns‑3

Appréciées

• GNN temporels et modélisation de graphes dynamiques pour UAV / NTN 6G.
• Expérimentation et simulation réseau (ns‑3, iperf, GStreamer).
• Intégration d’un module ML dans un framework distribué (CoBRA) et adaptation d’algos de routage.
• Évaluation et profiling (AUC / RMSE, CPU / GPU, énergie, Jetson).
• Rigueur de rédaction (rapport / article).

Positionnement scientifique & impact CoBRA

En fournissant des prédictions de connectivité “en ligne” directement exploitées par le graphe distribué de CoBRA, le stage fait passer le framework :

• d’une orchestration réactive (basée sur l’état instantané)
• à une orchestration proactive capable d’anticiper les ruptures, de planifier des chemins différés et de choisir dynamiquement le meilleur mode de communication.

Il résulte une résilience accrue pour les applications 6G NTN / UAV nécessitant à la fois throughput, faible latence ou tolérance au délai, confirmant ainsi la valeur ajoutée du stage comme brique fondatrice de la roadmap CoBRA vers l’autonomie.

Références

• Trivedi, R. et al. – “DyRep : Learning Representations over Dynamic Graphs,” ICLR.
• Xu, D. et al. – “Temporal Graph Attention Networks (TGAT),” ICLR.
• Hou, Y. et al. – “Enhanced Link Prediction and Traffic Load Balancing in Unmanned Aerial‑Ad Hoc Networks via GA–GLU,” Drones, 8.
• Zhang, P. et al. – “Multidimensional Trajectory Prediction of UAV Swarms Based on Dynamic Graph Neural Network,” IEEE T‑ITS.
• Cumplido, J. et al. – “IoDMix : A Routing Protocol for Delay‑Tolerant Internet of Drones,” Future Gen Computer Systems.
• Huang, S. – “Temporal Graph Learning in …,” Medium (blog post).

Étudiant

Étudiant en fin de cycle (M2 / ingénieur) à l’aise en Python et DL (PyTorch). Solides bases réseaux & systèmes, pratique Linux / virtualisation ; SDN (OpenFlow / P4) apprécié. Intérêt / expérience en GNN temporels et modélisation de graphes dynamiques pour UAV / NTN 6G. Goût pour l’expérimentation et la simulation réseau (ns‑3), plus outillage perf (iperf, GStreamer). Capacité à intégrer un module ML dans un framework distribué (CoBRA) et à adapter des algos de routage. Sens de l’évaluation et du profiling (AUC / RMSE, CPU / GPU, énergie, Jetson), rigueur de rédaction (rapport / article).

Starting date

Dès que possible.