DÉTECTION D’ANOMALIES ET DIAGNOSTIC POUR L’OPTIMISATION DU TRAFIC ET LA GESTION DE LA CONGESTION DANS LES RÉSEAUX CELLULAIRES

Abstract

Ce mémoire étudie l’utilisation de l’apprentissage profond pour la détection d’anomalies et la classification de la qualité de service (QoS) dans les réseaux 5G. Plusieurs approches ont été analysées, incluant des modèles supervisés classiques, ainsi que des architectures avancées telles que les réseaux de neurones artificiels (ANN), convolutifs (CNN) et récur- rents (LSTM), avec une comparaison systématique de leurs performances. Les modèles ont été entraînés sur des données réelles de trafic cellulaire afin d’identifier les anomalies et de classifier les niveaux de QoS. Les résultats montrent que le réseau de neurones artificiels (ANN) offre la meilleure précision globale 98.18 %, suivi par le LSTM 96.67 %. En revanche, le CNN a obtenu les performances les plus faibles avec une précision globale de 90 %