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

Établissement recruteur

L’Efrei Research Lab (ERL) est le laboratoire de recherche numérique d’Efrei, intégré à l’Université Paris-Panthéon-Assas. Le stage s'effectuera au sein de l'axe Réseaux de communication. Le lab fédère enseignants-chercheurs, doctorants et étudiants autour de projets et thèses partenariaux, avec une forte culture d’éthique, de science ouverte et d’impact sociétal.

Description

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

1. Contexte

Le framework  CoBRA vise à orchestrer, de façon décentralisée, l’allocation coopérative de tâches entre  UAVs 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 proposé porte précisément sur cette hypothèse : il s’agit d’ anticiper la stabilité et la durée de vie résiduelle des liens , et de 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 par 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 .

2. Objectifs

Contribution 

Développer un  DyGNN multi-tâches (existence +  Expected Remaining Lifetime ) et exposer les prédictions comme  attributs “link-stability”dans le graphe distribué CoBRA. 

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.

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. 

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 .

3. Questions de recherche

1. 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 ?
2. Comment formuler un routage “max-stabilité”(par ex. Dijkstra pondéré par −log p ou −ERL) compatible avec la logique distribuée de CoBRA ?
3. Comment construire un graphe de contacts temporels à partir des prédictions pour calculer un plus-court  journey borné en temps ?
4. Quel seuil de bascule minimise les coupures tout en maîtrisant le délai SCF ? 

4. Plan de travail (indicatif)

5. Livrables attendus

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

6. Compétences requises / appréciées

7. 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 en résulte une  résilience accrue pour les applications 6G NTN/UAV exigeant 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.

7. Références

1. Trivedi, R. et al. (2019)– “ DyRep: Learning Representations over Dynamic Graphs ,” ICLR.
   OpenReview
2. Xu, D. et al. (2020)– “ Temporal Graph Attention Networks (TGAT) ,” ICLR.
   OpenReview
3. Hou, Y. et al. (2024)– “ Enhanced Link Prediction and Traffic Load Balancing in Unmanned Aerial-Ad Hoc Networks via GA–GLU ,”  Drones , 8 (10): 528.
   MDPI
4. Zhang, P. et al. (2025)– “ Multidimensional Trajectory Prediction of UAV Swarms Based on Dynamic Graph Neural Network ,” IEEE T-ITS.
   ResearchGate
5. Cumplido, J. et al. (2023)– “ IoDMix: A Routing Protocol for Delay-Tolerant Internet of Drones ,”  Future Generation Computer Systems .
   ResearchGate
6. Huang, S. (2024)– “ Temporal Graph Learning in 2024 ,” Medium (blog post).
   medium.com

Profil

Étudiant·e de fin de cycle (M2/ingé) 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 simu 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).

Prise de fonction

Dès que possible