As the complexity and scale of modern networks continue to grow, the need for efficient, secure management, and optimization becomes increasingly vital. Digital twin (DT) technology has emerged as a promising approach to address these challenges by providing a virtual representation of the physical network, enabling analysis, diagnosis, emulation, and control. The emergence of Software-defined network (SDN) has facilitated a holistic view of the network topology, enabling the use of Graph neural network (GNN) as a data-driven technique to solve diverse problems in future networks. This survey explores the intersection of GNNs and Network digital twins (NDTs), providing an overview of their applications, enabling technologies, challenges, and opportunities. We discuss how GNNs and NDTs can be leveraged to improve network performance, optimize routing, enable network slicing, and enhance security in future networks. Additionally, we highlight certain advantages of incorporating GNNs into NDTs and present two case studies. Finally, we address the key challenges and promising directions in the field, aiming to inspire further advancements and foster innovation in GNN-based NDTs for future networks.

Algorithmes d'apprentissage dynamique pour le jumeau numérique des infrastructures du réseau: Cette thèse fait progresser les Jumeaux Numériques des Réseaux (JNR) pour les réseaux mobiles de nouvelle génération en montrant que la modélisation explicite de l’infrastructure sous forme de graphes permet une intelligence plus adaptative, économe en données et évolutive que les approches conventionnelles. Les systèmes 5G/6G modernes sont hétérogènes, dynamiques et fortement contraints par des topologies évolutives couvrant les domaines edge, transport et cloud. Les chaînes classiques de prédiction et d’optimisation se dégradent face aux changements structurels, à la rareté des données ou à l’entrelacement des décisions de conception. Nous développons deux cadres graphiques complémentaires couvrant les deux piliers d’un JNR : la prévision (modélisation prédictive) et l’action guidée (optimisation des ressources). Le premier fournit une prédiction de trafic cellulaire inductive qui généralise à de nouveaux sites, atténue la pénurie de données et transfère des connaissances entre environnements sans ré-entraînement exhaustif. Le second propose une allocation de ressources consciente de la topologie qui traite conjointement les choix architecturaux et de placement sous contraintes opérationnelles, améliorant la qualité des solutions et passage à l’échelle. Ensemble, ils illustrent un principe unificateur : intégrer la structure relationnelle topologique au cœur de l’apprentissage et de la décision produit des systèmes robustes face à l’évolution du réseau, réduit les coûts d’adaptation et aligne mieux les résultats sur les besoins réels de déploiement. Le travail positionne les méthodes orientées graphe comme paradigme fondamental de la gestion autonome future des réseaux.

From the perspective of telecommunication, next-generation networks will face several challenges of a growing number of users and services, resulting in high-traffic generation with limited network resources. Traditional predictive models, with their limited capacity to extract the intricate spatial-temporal dependencies and the multifaceted topological structures of traffic data, often cannot fully understand the dynamics of traffic flows. Recognizing the potential of Graph Neural Networks (GNNs) - which have already demonstrated efficacy in road traffic prediction - this paper delves deep into a comprehensive evaluation of sophisticated GNN-based models, namely DCRNN, ASTGCN, GWN, AGCRN, GMAN, and MTGNN. Each of these models, equipped with its unique architectural innovations, adeptly captures the underlying spatio-temporal patterns inherent to network traffic data, promising a paradigm shift in how we anticipate and manage future network traffic challenges. In particular,we focus on benchmarking these models on the network traffic prediction task using the NetMob23 Data challenge dataset.