Les réseaux de cinquième génération (5G) offrent des débits ultraélevés, des communications ultrafiables à faible latence (URLLC) et une connectivité massive, éléments clés pour l’IoT, les véhicules autonomes et l’automatisation industrielle. Pourtant, les déploiements réels n’atteignent souvent pas les performances attendues en raison d’une allocation statique des ressources et d’une adaptabilité limitée. Cette thèse propose une allocation dynamique pilotée par l’IA à l’aide d’une fonction d’analyse des données réseau (NWDAF) sur mesure, capable d’anticiper en temps réel les besoins des utilisateurs pour gérer proactivement les ressources. Elle traite aussi de la mobilité transparente grâce à la migration de services Multi-Access Edge Computing (MEC) fondée sur l’apprentissage par renforcement profond et sécurise les environnements Open RAN contre les attaques par déni de service (DoS).
Les expérimentations réalisées sur des bancs d’essai réels mettent en évidence des gains notables en latence, débit, sécurité et efficience des ressources, offrant des orientations claires pour la conception des futurs réseaux 6G.