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 |
| _version_ | 1866887402987978752 |
|---|---|
| author | Pereira, Márcio Filipe Godinho |
| author_facet | Pereira, Márcio Filipe Godinho |
| author_role | author |
| contributor_name_str_mv | Vieira, Pedro Manuel A. C. Duarte, David E. C. RCIPL |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Pereira, Márcio Filipe Godinho\"}] |
| datacite.contributors.contributor.contributorName.fl_str_mv | Vieira, Pedro Manuel A. C. Duarte, David E. C. RCIPL |
| datacite.creators.creator.creatorName.fl_str_mv | Pereira, Márcio Filipe Godinho |
| datacite.date.Accepted.fl_str_mv | 2022-02-01T00:00:00Z |
| datacite.date.available.fl_str_mv | 2022-04-06T07:34:49Z |
| datacite.date.embargoed.fl_str_mv | 2022-04-06T07:34:49Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| datacite.titles.title.fl_str_mv | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| dc.contributor.none.fl_str_mv | Vieira, Pedro Manuel A. C. Duarte, David E. C. RCIPL |
| dc.creator.none.fl_str_mv | Pereira, Márcio Filipe Godinho |
| dc.date.Accepted.fl_str_mv | 2022-02-01T00:00:00Z |
| dc.date.available.fl_str_mv | 2022-04-06T07:34:49Z |
| dc.date.embargoed.fl_str_mv | 2022-04-06T07:34:49Z |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | http://hdl.handle.net/10400.21/14550 |
| dc.language.none.fl_str_mv | por |
| dc.publisher.none.fl_str_mv | Instituto Superior de Engenharia de Lisboa |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| dc.title.fl_str_mv | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | 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. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| fulltext.url.fl_str_mv | https://repositorio.ipl.pt/bitstreams/709d7fd5-e078-49ad-ad0f-3b037b24f170/download |
| id | ripl_c19f6d2e79bcaa9d0f76cf4444e9a1f7 |
| identifier.url.fl_str_mv | http://hdl.handle.net/10400.21/14550 |
| instacron_str | ipl |
| institution | Instituto Politécnico de Lisboa |
| instname_str | Instituto Politécnico de Lisboa |
| language | por |
| network_acronym_str | ripl |
| network_name_str | Repositório Científico do Instituto Politécnico de Lisboa |
| oai_identifier_str | oai:repositorio.ipl.pt:10400.21/14550 |
| organization_str_mv | urn:organizationAcronym:ipl |
| person_str_mv | Pereira, Márcio Filipe Godinho |
| publishDate | 2022 |
| publisher.none.fl_str_mv | Instituto Superior de Engenharia de Lisboa |
| reponame_str | Repositório Científico do Instituto Politécnico de Lisboa |
| repository_id_str | urn:repositoryAcronym:ripl |
| service_str_mv | urn:repositoryAcronym:ripl |
| spelling | porInstituto Superior de Engenharia de Lisboapt_PTA 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.application/pdfpt_PTManutenção preventiva na gestão de falhas em redes móveis usando machine learningPereira, Márcio Filipe GodinhoVieira, Pedro Manuel A. C.Duarte, David E. C.HostingInstitutionOrganizationalRCIPLe-mailmailto:rcaap@sp.ipl.ptrcaap@sp.ipl.ptURNurn:tid:2029840012022-04-06T07:34:49Z2022-022022-02-01T00:00:00ZHandlehttp://hdl.handle.net/10400.21/14550http://purl.org/coar/access_right/c_abf2open accessGestão de falhasMachine learningManutenção preventivaReconhecimento de padrões sequenciaisFault managementPreventive maintenanceSequential pattern mining2911277 bytesliteraturehttp://purl.org/coar/resource_type/c_bdccmaster thesishttp://purl.org/coar/access_right/c_abf2application/pdffulltexthttps://repositorio.ipl.pt/bitstreams/709d7fd5-e078-49ad-ad0f-3b037b24f170/download1103 |
| spellingShingle | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning Pereira, Márcio Filipe Godinho Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| status | SINGLETON |
| subject.fl_str_mv | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| title | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| title_full | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| title_fullStr | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| title_full_unstemmed | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| title_short | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| title_sort | Manutenção preventiva na gestão de falhas em redes móveis usando machine learning |
| topic | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| topic_facet | Gestão de falhas Machine learning Manutenção preventiva Reconhecimento de padrões sequenciais Fault management Preventive maintenance Sequential pattern mining |
| url | http://hdl.handle.net/10400.21/14550 |
| visible | 1 |