Detecção de Falhas na Rede Core em Dados de Telefonia Móvel Celular usando Machine Learning

Sobre o Projecto

A crescente complexidade das redes móveis e o elevado volume de dados de tráfego gerados por múltiplos elementos da rede dificultam a identificação precisa de irregularidades operacionais por parte dos operadores de Redes Móveis (ORM), bem como a distinção fiável entre falhas reais da rede e o tráfego normal da rede. Este estudo analisa o volume de tráfego de uma rede móvel em quatro importantes regiões geográficas da África do Sul: Joanesburgo, Cidade do Cabo, Pretória e Durban, utilizando dados de séries temporais multivariadas obtidos a partir da rede core de um ORM. A investigação propõe uma metodologia sistemática de filtragem dos dados, incluindo a identificação e remoção de intervalos temporais caracterizados por volumes de tráfego anormalmente baixos, bem como a aplicação de técnicas estatísticas de detecção de anomalias para remover flutuações anormais do tráfego.

São investigadas abordagens de aprendizagem offline e online para a previsão do volume de tráfego da rede e para a classificação de falhas da rede. Estes modelos preditivos são utilizados para reconstruir os padrões normais de funcionamento do tráfego. Para a previsão offline do volume de tráfego, são avaliados três modelos: Regressão Linear, Random Forest Regressor e Redes Neuronais Feed-forward. A previsão online é realizada utilizando um modelo de Regressão Linear. Os resultados experimentais da abordagem offline indicam que o Random Forest Regressor apresenta consistentemente um desempenho superior ao dos restantes modelos nos conjuntos de dados correspondentes às quatro regiões geográficas.

Além disso, são aplicados modelos de classificação offline e online para distinguir entre falhas da rede e condições normais de tráfego. Os resultados demonstram que o modelo de classificação offline apresenta um desempenho substancialmente superior ao do seu equivalente online.