Prédiction de Trafic SDN via un modèle d'IA
Anticipation des congestions, optimisation des liens et améliorations de la qualité de service dans les réseaux SDN grâce à un modèle d'intelligence artificielle Deep Learning. Une solution complète allant de la modélisation séquentielle (LSTM) à l'interface de supervision web temps réel.
Prédiction de trafic SDN via l'Intelligence Artificielle.
Anticipation des congestions, optimisation des liens et amélioration de la QoS grâce au Deep Learning. Une solution complète allant de la modélisation séquentielle (LSTM) à l'interface de supervision web temps réel.
Rendre le réseau SDN proactif
Passer d'une infrastructure qui réagit aux pannes à une infrastructure qui les anticipe, en prédisant l'état des matrices de trafic à t+1 pour redistribuer intelligemment les flux.
Un modèle de Deep Learning pensé pour les séries temporelles
Le trafic SDN évoluant de manière séquentielle, l'utilisation de modèles ML classiques a été écartée au profit de réseaux récurrents. Nous avons construit une solution capable de comprendre l'évolution du réseau GÉANT dans le temps.
Ce que nous avons mis en place
Traitement des données
Nettoyage, normalisation (MinMaxScaler) et réduction de dimension (ACP) sur des matrices 23x23 issues du réseau GÉANT.
Fenêtres glissantes
Structuration des séquences temporelles (t-4 à t-1) pour permettre au modèle de prédire la matrice à t+1.
Modèle LSTM
Architecture avec 64 neurones, Dropout (0.3) pour éviter le surapprentissage, et optimiseur Adam pour la convergence.
Simulation réaliste
Génération de perturbations (pics d'activité, pannes) pour entraîner le modèle sur des comportements extrêmes.
Expertise IA & Data Science
- TensorFlow / Keras pour l'architecture Deep Learning
- Comparatif des modèles (LSTM, BiLSTM, GRU, LightGBM)
- Métriques d'évaluation de régression (RMSE, MAE)
- Gestion fine des hyperparamètres (EarlyStopping, Learning Rate)
Méthode d'expérimentation IA
- Exploration et nettoyage du dataset GÉANT
- Génération et formatage des séquences temporelles
- Entraînement comparatif des modèles de réseaux récurrents
- Sélection et optimisation du modèle LSTM (meilleur ratio performance/coût)
Interface de supervision et APIs REST
Pour rendre notre intelligence artificielle exploitable par les équipes d'exploitation, nous avons opté pour une architecture microservices séparant clairement le moteur de prédiction de l'interface utilisateur.
Le Dashboard Django
- Visualisation du trafic moyen en temps réel (matrice 23x23 représentant le réseau)
- Suivi temporel de la bande passante par chemin (Chart.js)
- Détection des taux de pertes et liens inactifs
- Historique complet des prédictions stockées sous SQLite
L'API Flask (Microservice IA)
- Exposition du modèle LSTM via un endpoint sécurisé `/predict`
- Dénormalisation automatique des résultats (inversion logarithmique)
- Réponse formatée en JSON prête pour le plan de contrôle SDN
- Haute disponibilité et isolation du processus de calcul ML
Automatisation & Pipeline MLOps
Afin de garantir un cycle de vie du modèle robuste, nous avons conçu une infrastructure de déploiement et de réentraînement automatisée, prête pour des environnements de production complexes.
Notre stratégie de déploiement
Orchestration Airflow
Mise en place de DAGs pour automatiser la collecte, le prétraitement et la segmentation des nouvelles données réseau (toutes les 15 min).
Tracking MLflow
Versionnage systématique des datasets, logs des expérimentations et enregistrement automatique des modèles les plus performants.
Conteneurisation Docker
Environnements isolés pour l'entraînement et l'exécution de l'API, facilitant un déploiement fluide sur n'importe quelle infrastructure.
Shadow Deployment
Déploiement fantôme du nouveau modèle en parallèle de l'ancien pour valider la cohérence des prédictions sans risque pour la production.
Supervision Post-Déploiement
- Surveillance de la latence de l'API Flask et du taux d'erreur
- Détection des dérives de données (Data Drift) en production
- Intégration d'outils de monitoring (Prometheus / Grafana)
- Logs centralisés (stack ELK) pour le debugging rapide