1.Modélisation théorique et limites du processus de Poisson : La première approche pour résoudre le problème est le développement d’un modèle de simulation statique basé sur la théorie des files d’attente et les processus de décision markoviens. Ce modèle introduit le concept de canaux de garde, des ressources strictement réservés au trafic URLLC pour garantir la probabilité de perte choisie par le client. L’étude montre que le besoin en canaux de garde évolue en trois étapes selon la charge du trafic eMBB, indépendamment du nombre total de ressources. Cependant, ce modèle repose sur l’hypothèse que le trafic est Markovien, ce qui s’avère irréaliste en pratique. Le profil de trafic réel est complexe et de nature sporadique. 2.Classification de slices avec de l’apprentissage LGBM : Un défi majeur pour un client comme EDF est le manque de visibilité : seul l’opérateur accède aux identifiants de haut niveau où se trouve les identifiants des traces. Pour résoudre ce problème, la thèse propose un modèle de classification basé sur l’algorithme LightGBM, utilisant uniquement des données provenant des couches basses PHY et MAC qui sont en accès libre. Comme le 5G slicing n’est pas encore suffisamment déployé, l’accès à un vrai dataset est quasi-impossible. Pour construire un dataset qui ressemble à la réalité, un émulateur de trafique Rohde & Schwarz avec un mobile équipé de leur application pour enregistrer le trafique est utilisé. Seules les informations des couches PHY et MAC des traces générées sont ensuite conservée dans un dataset. Une partie de ce dataset est utilisé pour entrainer un modèle LGBM, et le reste est utilisé pour le tester. Les résultats étant pas suffisamment satisfaisant (70%), même après l’introduction des statistiques glissantes (moyenne et écart-type des paramètres des paquets sur 5ms). Un nouveau dataset est généré. Cette fois les traces sont générées avec un cœur et gNB Ericsson avec un simulateur d’UE Amarisoft. Le modèle atteint une précision de 97,12%, surpassant les modèles de l’état de l’art basés sur les couches basses. 3.Allocation dynamique par apprentissage par DQN: La dernière phase de la thèse intègre les résultats de la classification dans un modèle d’allocation dynamique utilisant le Deep Q-Learning. Contrairement aux approches déterministes, l’agent apprend par interaction avec l’environnement pour ajuster le nombre de ressources réservées en temps réel. Le modèle est testé sur plusieurs largeur de bande et nombre de ressources total. Les résultats sont ensuite comparés aux résultats pour les mêmes scenarios dans un environnement poissonien. Les résultats montrent que dans la majorité des temps, l’approche poissonienne est optimiste et demande moins de canaux de garde que la réalité. Cette thèse adopte une perspective centrée sur le client (EDF) d’un opérateur d’infrastructure. Elle fournit à EDF un outil de dimensionnement robuste pour négocier des accords de niveau de service avec les opérateurs. Les travaux futurs pourraient étendre ce modèle à d’autres types de « slices », comme le mMTC, pour couvrir l’ensemble de l’écosystème de l’Internet des Objets.