عنوان پایاننامه
شناسایی و تشخیص خودکار خطا در شبکه های سلولی با بهره گیری از شاخصهای کلیدی عملکرد
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2492;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64133
- تاریخ دفاع
- ۰۴ تیر ۱۳۹۳
- دانشجو
- سمیرا رضایی بادافشانی
- چکیده
- هم‌زمان با افزایش پیچیدگی شبکههای سلولی، نیاز به روشهای خودکار در عیب‌یابی این شبکه‌ها، بیشتر احساس میشود. دادههای تولید شده در این سیستمها حجم بسیار بالایی دارند. از اینرو نیروی انسانی توانایی پردازش سریع و ارائه راهحل به موقع برای رفع خطای رخ داده در شبکه را ندارند. طولانی شدن فرآیند حل مشکل نارضایتی مشتریان را به همراه دارد و این مسئله منجر به تضعیف موقعیت سرویسدهنده در دنیای رقابتی میشود. مسیر پژوهش و توسعه فناوری در شبکههای سلولی به سمت راهاندازی سیستم‌های خود-شفادهنده است. این سیستمها شامل سه مرحلهی تشخیص خطا با شناسایی سلول‌هایی با عملکرد پایین، شناسایی علت بروز خطا و انجام راهحل اصلاحی می‌باشد. این پایاننامه به بررسی دو مرحله اول این سیستمها به عنوان اجزای یک سیستم پشتیبان عملکرد پرداخته است. هدف اصلی از نگارش این پایاننامه، ارائه چارچوبی است که با در نظر گرفتن منابع مختلف دادهای و نیز استفاده از تکنیکهای شناسایی معنا در حجم بزرگ داده و کشف ارتباط میان شاخصهای مختلف اطلاعاتی، فرآیند تشخیص و کشف علت خطا را تسریع کند. بدین منظور، با مطالعه منابع داده مختلف در ارزیابی کیفیت شبکههای سلولی و بررسی جداگانه دو منبع اصلی سیستم پشتیبانی عملکرد و ارزیابی میدانی، به شناسایی رخداد خطا و کشف علت آن با بهرهگیری ازمدلسازی رفتار شبکه و تکنیکهای دادهکاوی پرداخته شده است. کلیه مدلسازیها با استفاده از دادههای واقعی انجام گرفته و لازم به ذکر می‌باشد که وابستگی مدل پیشنهادی به نیروی انسانی نسبت به کارهای مشابه، کاهش یافته است. علاوه بر این، مجموعه دادههای شکایات مشترکین به منظور بهبود دقت خبره در تشخیص خطا مطالعه و بررسی شده است. این پایاننامه بدلیل نگاه جامع به شاخصهای کیفی شبکه، محدوده وسیعتری از خطاهای شبکه را شناسایی میکند. نتایج بدست آمده، قدرت مدل ارائه شده را در شناسایی خطا و علت آن در سلولهای معیوب نشان میدهد. واژه‌های کلیدی: مدیریت شبکههای سلولی، بهینه‌سازی شبکه، عیب‌یابی شبکه سلولی، دادهکاوی، یادگیری بدون سرپرست، یادگیری با سرپرست، شبکههای خود-شفادهنده.
- Abstract
- Automatic troubleshooting of large scale cellular networks is vital to guarantee efficient utilization of network infrastructure and provisioning of users quality of experience. The complexity of managing these networks and big amount of produced data, force operators to benefit self-healing systems. A self-healing system has three main components: fault detection, root cause diagnosis and proposing corrective actions. Automatic root cause analysis is challenging and yet less explored in literature. Currently, root cause diagnosis is carried out mainly manually by experts. This thesis focuses on the two first stages of self-healing systems in cellular networks. A framework considering three types of data is presented to accelerate and improve the efficiency of root cause analysis process in cellular networks. These data are from operational support system, drive tests and customer complaints. We next focus on the first two data sets in this thesis, and divide the performance indicators to those related to traffic and signaling issues. Subsequently, network faults are categorized in clusters using real GSM network performance measurements and data mining techniques. Next, taking the experts' knowledge into account, each cluster is associated with a root cause for the fault and points towards actions for resolving them. The results show that the proposed schemes can make good use of unsupervised learning methods for diagnosing of root cause of faults and supporting the decisions of experts towards resolving them. The proposed approach may be also tailored in next generation wireless networks.
