Post-Doc : Monitoring et diagnostic de réseau local F/H

ref : 0015758 | 16 mars 2017

date limite de candidature : 31 juil. 2017

2 avenue Pierre Marzin 22300 LANNION - France

votre rôle

Effectuer un travail de recherche sur le "Monitoring et le diagnostique de réseau local".

Vous trouverez ci-dessous la description du contexte de ce travail de recherche.

La mission et les principaux objectifs scientifiques seront précisés sous le titre "Entité".

Les réseaux locaux et les réseaux domestiques en particulier ont tendance à devenir de plus en plus complexe avec la multiplication des équipements (PCs, tablettes, smartphones, TVs, capteurs smart home, points d'accès WiFi …), des services (Internet, IPTV, VoIP, smart home) et des technologies de connectivité hétérogènes (Ethernet, WiFi, PLC). Dans ce contexte, il est primordial pour l'opérateur de se doter des outils nécessaires permettant d'appréhender cette complexité. A cet effet, la supervision du trafic dans le réseau domestique constitue un élément clé [1] afin d'améliorer le diagnostic, mais aussi de proposer des mécanismes de gestion de qualité de service (QoS) avancés et de détecter les anomalies [2].

Le monitoring du trafic comporte la reconnaissance des flux qui circulent, leurs métriques ainsi que les applications associées (e.g. Facebook, Youtube, etc.). En particulier, l'identification des applications est une tâche ardue. En effet les techniques basées sur l'utilisation du numéro de port ne sont plus viables (à cause des ports dynamiques), alors que la technique DPI (Deep Packet Inspection) est confrontée au problème du trafic crypté outre la nécessité de mise à jour de la base de signature.

Ainsi, nous proposons dans une première étape d'étudier une approche alternative qui semble prometteuse basée sur le machine learning [3][4][5].

Dans un second temps, dans l'optique d'améliorer le diagnostic et la caractérisation de la performance des réseaux fixes d'Orange, les informations issues de l'analyse du trafic seront croisées avec plusieurs sources d'information sur le réseau local et le réseau d'accès: topologie, métriques des liens et trafic, etc.

votre profil

Doctorat en informatique / télécoms / réseaux

Compétences scientifiques et techniques :

  • Connaissances télécoms, réseaux (TCP/IP), réseaux locaux et problématique de classification de trafic
  • Des connaissances en algorithmes de machine learning seraient un plus
  • Compétences en programmation informatique (C/C++ sous Linux) et outils réseau (wireshark, iperf …). Des connaissances en langage Python seraient un plus
  • Esprit de synthèse
  • Esprit d'initiative
  • Faculté à bien rédiger et à présenter les travaux (anglais)
  • Autonomie

le plus de l'offre

Ce postdoc fera suite à une thèse sur le sujet du monitoring du trafic dans le réseau domestique qui s'est terminée fin 2016. Cette thèse a donné lieu à des publications dans des conférences scientifiques et à un dépôt de brevet. De plus, elle a permis de mettre en oeuvre une implémentation logicielle qui a fait l'objet d'une démonstration en décembre 2016. Les perspectives de la thèse montrent un intérêt potentiel à creuser les solutions de type machine learning pour la classification du trafic. Ce sont ces perspectives que l'on se propose d'étudier en partie au travers de ce postdoc.

Un projet collaboratif français FUI ‘OptimiSME' a débuté en novembre 2016, dont l'objectif est de maquetter des extenders multi radio pour les PME et le résidentiel (Wi-Fi tri-bandes 2.4/5/60 GHz, Bluetooth Low Energy et Z-wave), et parallèlement de développer des outils de supervision et de gestion des ressources radio. Les travaux conduits dans le cadre du postdoc pourront donc alimenter les études menées dans OptimiSME.

Une coordination des travaux du post doctorant sera effectuée également avec un projet de recherche ayant attrait au diagnostic de l'accès (FTTx et/ou xDSL).

Références

[1]Z. Aouini, A. Kortebi, Y. Ghamri-Doudane, “Traffic monitoring in home networks : enhancing diagnosis and performance tracking”, TRAC 2015 workshop co-located with IWCMC, August 2015.

[2]A. Kortebi, Z. Aouini, M. Juren, J. Pazdera, “Home networks traffic monitoring case study: anomaly detection”, IEEE GIIS 2016.

[3]T. T. Nguyen T., G. Armitage, “A survey of techniques for internet traffic classification using machine learning”. IEEE Communications Surveys & Tutorials, 10(4), 56-76, 2008.

[4]P. Velan, M. Čermák, P. Čeleda, M. Drašar, “A survey of methods for encrypted traffic classification and analysis », International Journal of Network Management, 25(5), 355-374, 2015.

[5]J. Khalife, A. Hajjar, J. Diaz‐Verdejo, “A multilevel taxonomy and requirements for an optimal traffic‐classification model”, International Journal of Network Management, 24(2), 101-120, 2014.

[6]A. Dainotti, A. Pescapé, C. Sansone, “Early classification of network traffic through multi-classification”, In International Workshop on Traffic Monitoring and Analysis (pp. 122-135). Springer Berlin Heidelberg, 2011.

[7]P. Foremski, C. Callegari, M. Pagano, « Waterfall traffic identification: optimizing classification cascades”. In International Conference on Computer Networks (pp. 1-10), 2015.

[8]A. Lahmadi, F. Beck, E. Finickel, O. Festor, “A platform for the analysis and visualization of network flow data of android environments”, In IFIP/IEEE International Symposium on Integrated Network Management (IM), 2015.

[9]V. Carela-Espanol, P. Barlet-Ros, O. Mula-Valls, J. Solé-Pareta, “An Autonomic Traffic Classification System for Network Operation and Management”, Journal of Network and Systems Management, volume 23 Issue 3, July 2015, pages 401-419.

entité

Au sein des Orange Labs, l'équipe ADN « Access Diagnosis, residential gateway and home Network » a pour missions de porter les travaux de recherche/anticipation, accompagner les pays pour contribuer aux déploiements de solutions innovantes, à l'amélioration de l'expérience client et à la réduction des coûts d'exploitation dans le domaine : de l'architecture et fonctionnalités réseaux des passerelles résidentielles, des solutions de connectivités filaires et/ou radio, du diagnostic distant et local des services sur l'accès fixe.

Il s'agira d'étudier la précision et la pertinence d'algorithmes de machine learning pour la classification de trafic. Cette approche sera couplée à une solution de monitoring de trafic développée en interne sur un prototype de Livebox basée sur l'architecture de flow export (standard IPFIX). Une des contraintes à prendre en compte consiste en la compatibilité de la solution retenue avec l'environnement contraint en termes de ressources sur les passerelles résidentielles. A noter que la solution actuelle se base sur une classification à un seul niveau avec un modèle sous la forme d'un arbre de décision. Outre les aspects liés au monitoring du trafic, la problématique d'amélioration du diagnostic en s'appuyant sur les informations pertinentes issues du réseau domestique sera également étudiée.

En effet, en tant qu'opérateur, nous avons le contrôle de la passerelle résidentielle (Livebox) qui constitue le point central du réseau domestique par où la majorité du trafic passe. Il serait judicieux d'enrichir nos briques existantes comme l'Orange mapper (topologie) par des outils permettant une analyse fine des flux. Ceci ouvrira la porte à l'amélioration de la gestion du réseau domestique et du diagnostic et par conséquent réduction des coûts de la hotline et augmentation de la satisfaction des clients.

Pour ce faire l'objectif sera d'exploiter les données et information issues de la classification du trafic et de les croiser avec des informations sur la qualité des liens du réseau local domestique et de l'accès résidentiel (accès FTTH ou xDSL). Les résultats attendus permettront d'avoir une vision de l'accès jusqu'au terminal de l'état et de la qualité du réseau et ainsi permettre un diagnostic plus fiable.

Les principales tâches à mener sont :

  • Prise en main de la solution logicielle interne existante.
  • Évaluation de la précision de la solution actuelle avec du trafic réel, la phase d'apprentissage ayant été réalisée sur une trace collectée en 2015.
  • Évaluation de l'intérêt d'une approche de multi classification avec plusieurs modèles [6].
  • Étude et évaluation d'une approche de classification en cascade [7]. Ceci permettrait d'avoir une classification à plusieurs niveaux en fonction des besoins associés (par exemple au début du flux et à la fin du flux).
  • Exploration d'outils à base de sondes installées sur les terminaux [8]. En effet, ce type de sondes permettrait d'avoir un label fiable pour le jeu de données servant à l'algorithme d'apprentissage dans une approche supervisée.
  • Proposition d'un système autonome de classification de trafic [9]. En effet, dans le cadre d'un déploiement potentiel d'une approche de classification de trafic basée sur le machine learning, il est primordial de traiter la phase de réentrainement de l'algorithme
  • Études de solutions permettant d'améliorer le diagnostic et de caractériser la performance dans le réseau domestique en combinant plusieurs sources d'information : topologie, métriques des liens et trafic.

contrat

Post Doc

Orange

top employer FR

en savoir plus sur nos  étapes de recrutement