Publicação
Manutenção preventiva na gestão de falhas em redes móveis usando machine learning
| Resumo: | A gestão de falhas numa rede móvel pode tirar partido de algoritmos de Machine Learning (ML), tornando a sua manutenção mais proativa e preventiva. Atualmente, os centros de operações (NOCs) em redes móveis ainda funcionam em modo reativo, onde o diagnóstico e resolução de problemas apenas é feito após a ocorrência dos mesmos. A evolução para uma manutenção preventiva da rede possibilita a prevenção ou a rápida resolução do problema, levando a uma maior disponibilidade da rede e dos serviços, mais eficiência e uma maior satisfação do cliente. O principal objetivo deste trabalho passa por criar uma solução para a manutenção preventiva de alarmes capaz de: detetar grupos de alarmes e as relações entre eles, formando regras de associação; aprender continuamente a partir de novos dados e torne-se cada vez mais eficaz com a experiência que desenvolve no domínio da manutenção; definir os alarmes antecedente e consequente num padrão sequencial, em que são ordenados cronologicamente; reconhecer os padrões mais frequentes de modo a realçar quais são as falhas mais preocupantes e quais os ganhos que advêm da sua prevenção. Para isso, são explorados diferentes algoritmos de reconhecimento de padrões de alarmes e definição de regras de associação entre os mesmos, com recurso a dados reais de Fault Management (FM) de uma rede Long Term Evolution (LTE). Foi elaborada uma análise comparativa do desempenho dos algoritmos, tendo-se verificado uma diminuição de 3.31% no número total de alarmes e 70.45% no que toca ao número de alarmes do mesmo tipo. Observaram-se ainda reduções no número de alarmes por nó da rede, identificando-se 39 nós que deixaram de ter qualquer alarme por resolver. Estes resultados demonstram que o reconhecimento de padrões sequenciais permite uma manutenção preventiva da rede do operador de redes móveis. |
|---|---|
| Autores principais: | Pereira, Márcio Filipe Godinho |
| Assunto: | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Lisboa |
| Idioma: | português |
| Origem: | Repositório Científico do Instituto Politécnico de Lisboa |
| Resumo: | A gestão de falhas numa rede móvel pode tirar partido de algoritmos de Machine Learning (ML), tornando a sua manutenção mais proativa e preventiva. Atualmente, os centros de operações (NOCs) em redes móveis ainda funcionam em modo reativo, onde o diagnóstico e resolução de problemas apenas é feito após a ocorrência dos mesmos. A evolução para uma manutenção preventiva da rede possibilita a prevenção ou a rápida resolução do problema, levando a uma maior disponibilidade da rede e dos serviços, mais eficiência e uma maior satisfação do cliente. O principal objetivo deste trabalho passa por criar uma solução para a manutenção preventiva de alarmes capaz de: detetar grupos de alarmes e as relações entre eles, formando regras de associação; aprender continuamente a partir de novos dados e torne-se cada vez mais eficaz com a experiência que desenvolve no domínio da manutenção; definir os alarmes antecedente e consequente num padrão sequencial, em que são ordenados cronologicamente; reconhecer os padrões mais frequentes de modo a realçar quais são as falhas mais preocupantes e quais os ganhos que advêm da sua prevenção. Para isso, são explorados diferentes algoritmos de reconhecimento de padrões de alarmes e definição de regras de associação entre os mesmos, com recurso a dados reais de Fault Management (FM) de uma rede Long Term Evolution (LTE). Foi elaborada uma análise comparativa do desempenho dos algoritmos, tendo-se verificado uma diminuição de 3.31% no número total de alarmes e 70.45% no que toca ao número de alarmes do mesmo tipo. Observaram-se ainda reduções no número de alarmes por nó da rede, identificando-se 39 nós que deixaram de ter qualquer alarme por resolver. Estes resultados demonstram que o reconhecimento de padrões sequenciais permite uma manutenção preventiva da rede do operador de redes móveis. |
|---|