Contexte

Les réseaux de transport optique basés sur la technologie WDM (Wavelength Division Multiplexing) constituent aujourd’hui le socle des infrastructures de télécommunications à très haut débit. Ils ont connu ces dernières années une évolution rapide afin de répondre à l’augmentation exponentielle des volumes de trafic, portée notamment par la généralisation des services numériques, la virtualisation des réseaux et la montée en puissance des usages cloud.

Cette croissance est fortement alimentée par des applications telles que les interconnexions de centres de données (DCI), le déploiement massif des services cloud et edge computing, la 5G et ses futurs prolongements, ainsi que par l’essor des usages liés à l’intelligence artificielle, au calcul haute performance (HPC) et au stockage distribué. Ces applications imposent des exigences toujours plus élevées en termes de capacité, de latence, de résilience et de flexibilité des réseaux de transport.

Pour répondre à ces besoins, les architectures WDM traditionnelles évoluent vers des architectures flex-grid plus dynamiques et programmables, permettant une allocation spectrale plus efficace, une meilleure flexibilité dans la gestion de la capacité et une adaptation rapide aux variations de trafic.

Dans ce contexte, IMS Networks joue un rôle central en tant que garant de la supervision, de la maintenance et de la continuité des services pour une multitude de clients. Sa mission consiste non seulement à assurer la disponibilité et la performance des infrastructures, mais également à anticiper les anomalies et à intervenir rapidement en cas d’incident.

Description de l'alternance

Sujet d'alternance : Vers une supervision intelligente des réseaux optiques WDM , détection préventive des anomalies par Machine Learning

Cette alternance s’inscrit au cœur de l’innovation dans la supervision des réseaux optiques WDM, avec pour ambition de transformer la manière dont les incidents sont détectés et traités. Le/la stagiaire interviendra sur l’observabilité des réseaux, en développant des méthodes pour collecter, centraliser et analyser intelligemment les données issues des équipements et systèmes de supervision. L’objectif est de passer d’une surveillance réactive à une supervision proactive, capable d’anticiper les dégradations et incidents, et de les gérer de manière automatisée et optimisée.

À travers cette mission, l'apprenti(e) contribuera à faire des flux de données un véritable levier d’intelligence opérationnelle, améliorant à la fois la réactivité, la résilience et la performance des infrastructures critiques, et explorera des solutions innovantes pour les architectures flex-grid et la gestion dynamique de la capacité spectrale.

Les objectifs seront les suivants :

• Collecter et traiter rapidement les données de supervision WDM via les API (1830 PSS, WSNOC) ;

• Automatiser l’analyse grâce à des scripts Python pour la collecte, le prétraitement et la visualisation des données ;

• Appliquer le Machine Learning pour :
  (*) Détecter rapidement les anomalies optiques ;
  (*) Corréler les alarmes et réduire les alertes redondantes ;
  (*) Surveiller les variations progressives des paramètres optiques (OSNR, BER, puissance, facteur de qualité) afin d’anticiper les dégradations et optimiser la performance du réseau.

Ainsi, vous réaliserez des :

• Scripts Python opérationnels pour la supervision WDM ;

• Modèles ML pour détection préventive et corrélation d’alarmes ;

• Tableau de bord synthétique et alertes exploitables ;

• Rapport technique et démonstrateur fonctionnel.

Cette alternance se déroulera sur notre site de Castres (81).

Profil recherché

• Vous êtes étudiant(e) en Master 2 ou école d’ingénieur avec une spécialisation en Data Science, Intelligence Artificielle, Informatique ou Télécommunications (principalement réseaux optiques) et vous recherchez une alternance de fin d'études en 2026/207 de 12 mois

• Vos connaissances en machine learning, vous permettent de mieux appréhender :
  (*) Détection d’anomalies non supervisée (Isolation Forest, Autoencoders, One-Class SVM) 
  (*) Clustering et corrélation d’alarmes (K-Means, DBSCAN) ;
  (*) Régression et prédiction de dérives lentes sur les paramètres optiques 

• Vous êtes à l'aise avec Python pour le développement de scripts, l’automatisation et l’interaction avec des API REST/JSON

• Des connaissances en réseaux optiques WDM seraient appréciées

• Vous êtes capable de rédiger des documents techniques clairs et structurés, adaptés à un contexte industriel et scientifique

• Un niveau d’anglais professionnel est requis pour lire, rédiger et communiquer efficacement à l’écrit comme à l’oral avec des équipes internationales

• Vous êtes reconnu(e) pour votre esprit d’équipe