{en_GB=Monotoring Wireless Networks Through Machine Learning Algorithms} {} EVALUATED

Detalhes: {pt=Detetar anomalias que degradem a experiência do utilizador de redes sem fios é um processo normalmente demorado e que requer infraestrutura adicional. Esta Dissertação foca-se na deteção destes problemas usando técnicas de aprendizagem automática, de modo a criar um protótipo funcional capaz de detetar estes eventos à medida que ocorram, usando apenas variáveis já habitualmente disponíveis ou facilmente extraídas na monitorização de infraestruturas. Para este fim, foram criadas anomalias de modo a gerar conjuntos de variáveis de observação correspondente a situações atípicas e potencialmente anómalas da rede. Estes dados foram mais tarde pre-processados e usados para treinar um modelo de aprendizagem automática, cujos resultados foram aferidos através de várias métricas de performance. Uma simulação de uso de rede foi realizada para obter um cenário de uma rede em estado normal como valor de referência. Várias técnicas foram usadas para reduzir a dimensionalidade dos dados, e testes exaustivos foram realizados para se atingirem os melhores resultados. Foi também tida em conta a possibilidade de mudança dos dados com o decorrer de longos períodos de tempo, e são propostas duas maneiras de lidar com a mesma., en=Detecting anomalies that degrade the user experience in wireless networks is still a process that usually can take too much time or require additional infrastructure. This Dissertation focuses on detecting these problems by using machine learning techniques to create a working prototype, capable of detecting said anomalies as they occur, using exclusively already usually available or easily extracted variables in infrastructure monitoring. For this purpose, anomalies were created, in order to create sets of observation variables corresponding to atypical and potentially anomalous conditions of the network. This data was later pre-processed and used to train a machine learning model, which had its results measured in the form of various performance metrics. A simulation of network usage was made to obtain a ground-truth scenario of the network in a normal state. Data reduction was achieved by using several techniques, and extensive testing was made to attain the best performing conditions. It was also taken into account a possible change in the data over long periods of time, and two ways to cope with it are proposed.}

Discussão: novembro 16, 2015, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Miguel Madeira Teixeira (ist168229)

ORIENTADOR

Fernando Mira da Silva

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar