FenixEdu™

Dissertação

Machine Learning-Based Anomaly Detection and Root Cause Analysis in Mobile Networks EVALUATED

Detalhes: A evolução das redes móveis e a chegada da tecnologia 5G contribuíram significativamente para o aumento do tamanho e complexidade da rede, trazendo novos desafios na gestão da rede. Esta tese aborda a deteção de anomalias e análise das suas causas em redes móveis, com base em téc-nicas de aprendizagem automática. A tese aborda diversos temas relacio-nados, tais como redes 4G e 5G, qualidade de experiência, métodos de aprendizagem automática, e redes auto-organizadas. O trabalho concentra-se nas limitações inerentes aos conjuntos de dados disponíveis, principalmente a falta de informação de classificação das anomalias, assim como a necessidade de conhecimento especializado. A tese desenvolve um modelo de aprendizagem automática que pode detetar automaticamente anomalias na rede, assim como realizar a análise das causas com base em dados não rotulados fornecidos por operadores de redes móveis. O modelo proposto combina DBSCAN e LSTM AE, e é treinado e testado utilizando dados reais de uma rede 4G fornecidos por um opera-dor de telecomunicações português, a NOS. O estudo obteve resultados promissores quanto à capacidade de separar padrões de tráfego anormais com base no DBSCAN, assim como no que toca à capacidade do LSTM AE para aprender o comportamento diário esperado dos KPIs, e assim detetar anomalias com base nos erros de reconstrução. Os erros de reconstrução também fornecem informações sobre os KPIs individuais que contribuem de forma mais significativa para as anomalias detetadas. Os resultados da tese destacam a importância de self-healing em redes auto-organizadas, e a forma como diferentes modelos de aprendizagem
Keywords: Mobile network, Anomaly detection, Root cause analysis, Machine learning, DBSCAN, LSTM AE

Discussão: janeiro 10, 2024, 12:30