Thèse Résilience Zonage des Risques et Routage Résilient pour les Réseaux Optiquesélastiques Inter-Data Centers Urbains H/F - 84

Établissement : Avignon Université
École doctorale : Agrosciences et Sciences
Laboratoire de recherche : LIA - Laboratoire d'Informatique d'Avignon
Direction de la thèse : Fen ZHOU ORCID 0000000260906600
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-29T23:59:59

Les catastrophes naturelles, qu'elles soient prévisibles (inondations) ou imprévisibles (tremblements de terre), causent des destructions considérables. Les réseaux de télécommunication, tels que les réseaux optiques élastiques inter-centres de données (EO-DCNs), sont particulièrement vulnérables aux catastrophes de grande ampleur. Celles-ci peuvent endommager gravement les infrastructures,entraînant la défaillance permanente des noeuds et des liens du réseau. Ces défaillances provoquent souvent des coupures de courant généralisées dans les centres de données, la destruction des tours cellulaires, et perturbent gravement les services de télécommunication et de cloud. L'absence de communication fiable en période de crise complique également les efforts de récupération et de secours. Par exemple, le séisme et tsunami de 2011 au Japon ont endommagé près de 1 500 bureaux de télécommunications, et en 2024, une dépression DANA en Espagne a causé des inondations éclair, tuant 224 personnes.
Avec leur grande efficacité spectrale et leur capacité de bande passante, les EO-DCNs soutiennent le stockage de données massives et le déploiement de services diversifiés. Toutefois, leur résilience face aux catastrophes reste un défi majeur. Cette thèse de doctorat vise à renforcer la résilience des EO-DCNs face aux catastrophes naturelles, en répondant à deux problématiques principales : (1) Suivi et prédiction des zones de catastrophe, (2) Élaboration de stratégies résilientes pour minimiser les interruptions de communication et les pertes de données.
Pour la première phase, la thèse propose d'utiliser des méthodologies géographiques précises pour les inondations et les tremblements de terre, en exploitant des techniques avancées (comme l'apprentissage automatique) et des bases de données sur les catastrophes pour améliorer les stratégies de résilience et de réponse.
Pour la seconde phase, en s'appuyant sur les zones de risque identifiées, nous développerons des stratégies d'acheminement résilient et d'évacuation des données face aux défaillances induites par les catastrophes. Avant un sinistre, des mécanismes de protection proactive, tels que la pré-allocation de chemins alternatifs, peuvent être efficaces contre les tremblements de terre imprévisibles. Pour les inondations, des stratégies d'atténuation permettent d'évacuer les données/services critiques avant que la catastrophe n'atteigne l'infrastructure réseau.
Les problématiques d'optimisation abordées incluront le routage résilient, la planification de l'évacuation des données et le placement résilient de contenu, avec pour objectif de maximiser la migration des machines virtuelles et de minimiser les interruptions de service.Comme ces problèmes sont souvent NP-difficiles, des techniques d'optimisation telles que la programmation linéaire en nombres entiers, les (méta)-heuristiques et l'apprentissage par renforcement profond seront explorées pour proposer des solutions performantes.

This PhD thesis will be co-supervised by a researcher from the Computer Science Laboratory (LIA) and a researcher from theGeography Laboratory (UMR ESPACE). The candidate will conduct regular visits to both laboratories, which are located in the city ofAvignon.

1. Develop a rigorous geographical methodology for disaster risk zoning for both floods and earthquakes.
2. Propose resource-efficient proactive protection schemes and data evacuation strategies to enhance network resilience againstdisaster-induced failures.

We will adopt an interdisciplilary approach leveraging geography anAn interdisciplinary approach will be adopted, combining expertise ingeography and network optimization.d network optimization.