Gsm şebekelerinde istatistiksel öğrenme yöntemleri ile aksaklık yönetimi

Abstract

Bu çalışmada, GSM şebekeleri aksaklık yönetimi sistemlerine gelen alarmlar için istatistiksel öğrenme yöntemleri ile otomatik filtre kuralları üretimi için algoritmalar geliştirilip, Türkiye'nin en büyük GSM şebeke işletmeci firmasının alarm veri tabanı üzerinde deneysel testleri yapılmıştır. Çalışma iki farklı ihtiyaca odaklanmıştır: Geçici alarmların filtrelenmesi ve ilintili alarmların filtrelenmesi.Geçici alarm filtrelerinin üretiminde dağılımdan bağımsız olasılık kestirimi yöntemlerinden Histogram Analizi ve Parzen Penceresi Analizi yöntemlerinden faydalanılmıştır. Alarm tarihçesi incelenerek her bir alarm tipi için birikimli alarm yaşam süresi histogramları ve yoğunluk fonksiyonları üretilmiştir. Histogramlar ve yoğunluk fonksiyonları incelenerek geçici alarm tipleri ve bu alarm tipleri için uygun alarm bekletme filtreleri tahmin edilmeye çalışılmıştır. Literatürde bu konuda daha önceden gerçekleştirilmiş bir çalışma olmadığı için geçici alarm filtrelerinin üretimi için önerilen iki yöntem türünün ilk örnekleri durumundadır. Histogram Analizi ve Parzen Penceresi Analizi yöntemlerinin geçici alarm filtreleri üretimi konusundaki başarı performansları karşılaştırmalı olarak incelenmiştir. Parzen Penceresi Analizi içindeki çekirdek fonksiyonun yumuşatma etkisi sayesinde incelenen alarm örnek sayısının düşük durumlarda daha başarılı iken, alarm örnek sayısının yüksek olduğu durumlarda Histogram Analizi daha başarılı sonuçlar sergilemiştir.İlintili alarmları filtrelemek amacıyla kullanılan filtreleri üretebilmek için alarm tipleri arasındaki ihtimalsel ilişkilerden faydalanılmıştır. Alarm tarihçesindeki alarmlar kayan zaman penceresi yöntemi ile incelenerek eş kaynaktan yakın zamanlarda gelen alarm tipi gruplarının beraber gözlemlenme frekansları hesaplanmıştır. Hesaplanan gözlemlenme frekansları kullanılarak Pazar Sepet Analizi tekniklerinde kullanılan en yaygın altı benzerlik ölçütü hesaplanmış ve hesaplanan benzerlik ölçütleri ile alarm filtrelerinde kullanılacak ilintili alarm tiplerinin öğrenilmesi konusunda deneysel çalışmalar yapılmıştır. Kullanılan benzerlik ölçütleri Etki, Maksimum Güven, Minimum Güven, Tutarlılık, Cosine ve Kulczynski benzerlikleridir. İlintili alarm filtreleri üretilmesi konusunda önerilen altı benzerlik ölçütünün de başarılı sonuçlar verdiği gözlemlenmiştir. Benzerlik ölçütlerini beraber kullanarak daha başarılı sonuçlar elde etmek için S Biçimli Sınıflandırma yöntemi kullanılmış ve benzerlik ölçütlerinin tek başlarına sağlayabilecekleri sonuçlardan daha başarılı sonuçlar elde edilmiştir. Bu çalışmanın sonunda alarm ilintilendirme kurallarının öğrenilmesi amacıyla farklı benzerlik ölçümlerinin gücünü birleştirdiği ve benzerlik eşiklerinin de öğrenilmesini sağladığı için S Biçimli Sınıflandırma en başarılı yöntem olarak tavsiye edilmiştir.

In this study, new algorithms are presented to generate automatic alarm filters by using statistical learning methods. Suggested algorithms are tested on Turkey?s biggest GSM Company?s alarm history. In this study, two main areas are focused: Filtering of transient alarms and filtering of correlated alarms.To produce transient alarm filters, two non-parametric density estimation approaches are used: Histogram Analysis and Parzen Window Analysis. By investigating alarm history, cumulative alarm lifetime histograms and density functions are produced for each alarm type. By analyzing calculated cumulative alarm lifetime histograms and density functions, transient alarm types and suitable transient alarm filter parameters are estimated. In the literature, there is no similar work, so suggested both approaches are firsts of its kinds. Learning performance of Histogram Analysis and Parzen Window Analysis are tested with comparision. Results show that Histogram Analysis and Parzen Window Analysis methods are successful to detect transient alarm types and estimate suitable transient alarm filter parameters. On the other hand, Parzen Window Analysis shows better results with inefficient number of alarm sample because of Kernel function?s smoothing effect, and Histogram Analysis has better results with efficient number of alarm sample. In addition, Histogram Analysis is faster than Parzen Window Analysis.To produce alarm filters which can filter correlated alarms, we used probabilistic relationships between different alarm types. Historical alarms are investigated by using sliding time window method to calculate alarm types co-occurrences counts. To be able to detect correlated alarm types, six most common similarity measurement types of Market Basket Analysis are used. These similarity measurements are Lift similarity, Maximum Confidence similarity, Minimum Confidence similarity, Coherence similarity, Cosine similarity, and Kulczynski similarity. Experimental results show that six similarity measurements of Market Basket Analysis are successful to detect correlated alarm types. To combine six different similarity measurements, and to be able to produce more successful experimental results, Logistic Regression is used to determine correlated alarm types, and results are better than each similarity type. In this study, to determine correlated alarm types, Logistic Regression is suggested because this method can combine power of each similarity measurement and similarity thresholds can be learned by experiences.