Cette thèse s’intéresse au traitement du trafic à faible latence dans les réseaux, et en particulier aux services de type Cloud Gaming (CG) qui constituent notre cas d’étude. Ceux-ci ont fortement gagné en popularité et devraient représenter une part importante du trafic Internet dans les prochaines années. Or, les caractéristiques de leur trafic, à la fois très haut débit et à faible latence, est exigeant pour les réseaux et rend difficile le maintien d’une bonne qualité de service (QoS) en conditions de réseau dégradées.

Nous commençons par étudier le trafic de quatre plateformes de CG afin d’évaluer la capacité d’adaptation et la réactivité de leur algorithme de contrôle de congestion (CCA). Pour cela, nous dégradons synthétiquement les conditions réseau en impactant tour à tour le délais, la gigue, le taux de pertes et la bande passante disponible avec différentes intensités, et observons le trafic résultant. Dans un deuxième temps, nous étudions le trafic CG sur réseau cellulaire en reproduisant les conditions observées sur le réseau 4G d’Orange, y compris en situation de mobilité. Nous avons relevé une certaine disparité dans le comportement des plateformes. Certaines ne s’adaptent pas suffisamment aux différentes contraintes et s’exposent par conséquent à de forts délais, se soldant parfois par des pertes de paquets. D’autres surréagissent, au détriment de leur qualité vidéo. L’ensemble des données collectées a été mis à disposition de la communauté.

Constatant l’insuffisance des CCA de bout en bout, nous avons cherché dans un second temps à identifier le trafic CG dans le réseau pour lui faire bénéficier d’un traitement plus optimisé. Pour ce faire, nous avons mis au point un classificateur permettant de reconnaître avec une haute précision (98.5%) le trafic CG en s’appuyant sur un apprentissage automatique des propriétés statistiques du trafic qui sont calculées à la volée. Nous proposons une implantation de notre classificateur sous forme de plusieurs fonctions réseau virtuelles (VNF) pouvant traiter 10Gb/s. En partenariat avec Orange Labs, nous avons également étudié l’accélération de certaines fonctions sur un switch matériel programmable en P4 et en avons implanté certaines comme le calcul des caractéristiques, ce qui prouve qu’un déploiement réaliste au niveau d’un fournisseur d’accès est possible.

Enfin, nous proposons de faire bénéficier le trafic CG d’une architecture à double file d’attente afin d’éviter, d’une part de le faire transiter par des buffers surdimensionnés qui engendrent de la latence, et d’autre part la mauvaise cohabitation avec des flux régis par des CCA basé pertes. Nous évaluons ainsi l’apport d’une discipline de file d’attente HTB ou de l’AQM DualPI2 disposant d’un file “Low Latency, Low Loss, and Scalable Throughput” (L4S). Les plateformes actuelles de CG n’étant pas compatibles, nous avons développé notre propre plateforme expérimentale et l’avons munie de SCReAM, un CCA basé pertes et délais pour le protocole RTP et supportant la notification explicite de congestion (ECN). Nous évaluons alors le trafic face à différents flux concurrents soumis à un goulot d’étranglement. Nos résultats montrent que les deux approches permettent de préserver parfaitement la QoS du trafic CG.