اولویتبندی پیشبینانه ریسک پروژههای سایتهای مخابراتی با استفاده از شاخصهای سلامت شبکه و دادههای عملیاتی
کلمات کلیدی:
پروژههای سایت مخابراتی, اولویتبندی پیشبینانه ریسک, شاخصهای سلامت شبکه, تشخیص ناهنجاری, یادگیری ماشینچکیده
پروژههای سایت مخابراتی در محیطهای فنی پیچیدهای اجرا میشوند که در آنها عملکرد شبکه، قابلیت اطمینان تجهیزات و شرایط عملیاتی میتوانند بر کیفیت نصب، یکپارچهسازی و راهاندازی تأثیر بگذارند. روشهای متداول پایش معمولاً بر آستانههای از پیش تعیینشده یا شاخصهای منفرد تکیه دارند و ممکن است نتوانند تعامل میان اندازهگیریهای شبکه را بهدرستی نمایش دهند یا شرایط غیرعادی را بر اساس اهمیت عملیاتی آنها از یکدیگر متمایز کنند. این پژوهش چارچوبی روششناختی برای اولویتبندی پیشبینانه ریسک با استفاده از شاخصهای سلامت شبکه و دادههای عملیاتی ارائه میکند و بر تمایز میان پیشبینی ناهنجاری شبکه و ارزیابی ریسک در سطح پروژه تمرکز دارد. چارچوب پیشنهادی از پنج مرحله تشکیل شده است: بررسی اعتبار و ساختار دادهها، استخراج ویژگیهای زمانی، توسعه مدلهای پیشبینی، ارزیابی عملکرد و اولویتبندی ریسک. دادههای عمومی پایش شبکههای مخابراتی، بهویژه مجموعهداده TelecomTS، بهعنوان منابع بالقوه برای بررسی رفتار چندمتغیره شبکه و الگوهای ناهنجاری معرفی میشوند. رگرسیون لجستیک، جنگل تصادفی و گرادیان تقویتی بهعنوان الگوریتمهای پیشنهادی برای ارزیابی در نظر گرفته شدهاند. پروتکل ارزیابی شامل صحت پیشبینی مثبت، بازخوانی، امتیاز اف۱، سطح زیر منحنی مشخصه عملکرد، تحلیل صحت و بازخوانی و معیارهای رتبهبندی است. همچنین، تفکیک زمانی یا گروهبندیشده دادهها برای کاهش نشت اطلاعات و ارزیابی معتبرتر قابلیت تعمیم به مشاهدات جدید پیشنهاد میشود. یکی از دستاوردهای روششناختی این پژوهش، تفکیک احتمال پیشبینیشده ناهنجاری از شدت پیامدهای عملیاتی است. امتیاز پیشنهادی اولویتبندی، این دو مؤلفه را برای رتبهبندی نسبی رخدادهای نیازمند بررسی ترکیب میکند. بااینحال، این امتیاز یک ابزار پیشنهادی برای پشتیبانی از تصمیمگیری است و نباید بهعنوان برآورد اعتبارسنجیشده احتمال شکست پروژه، زیان مالی یا تأخیر زمانی تفسیر شود. پیشینه علمی بررسیشده، امکان استفاده از یادگیری ماشین برای تشخیص ناهنجاری در شبکههای مخابراتی را تأیید میکند و همزمان بر اهمیت کیفیت داده، طراحی اعتبارسنجی و شرایط بهرهبرداری تأکید دارد. این پژوهش ساختاری تحلیلی و بازتولیدپذیر برای پیوند دادن پایش شبکه با پشتیبانی از تصمیمگیری مبتنی بر ریسک ارائه میدهد. بااینحال، مدلهای پیشنهادی هنوز بهطور مستقل روی مجموعهداده انتخابشده اجرا نشدهاند و هیچ نتیجه مقایسهای جدیدی درباره عملکرد آنها ادعا نمیشود. همچنین، دادههای عمومی شبکه ارتباط مستقیمی میان ناهنجاریها و پیامدهای پروژه را اثبات نمیکنند. ازاینرو، اعتبارسنجی تجربی آینده با استفاده از دادههای مرتبط شبکه، سوابق تعمیر و نگهداری، نتایج راهاندازی و برنامههای زمانی پروژه ضروری است تا مشخص شود آیا این چارچوب میتواند اولویتبندی عملیاتی را در پروژههای واقعی سایت مخابراتی بهبود دهد یا خیر.
مراجع
Ramírez JM, Díez F, Rojo P, Mancuso V, Fernández-Anta A. Explainable machine learning for performance anomaly detection and classification in mobile networks. Computer Communications. 2023;200:113–131.
Oğuz HT, Kalaycıoğlu A. Anomaly detection in multi-tiered cellular networks using LSTM and 1D CNN. EURASIP Journal on Wireless Communications and Networking. 2022;2022:101.
Frey M, Evans T, Folz A, Gregg M, Quimby J, Rezac JD. Anomalous state detection in radio access networks: A proof-of-concept. Journal of Network and Computer Applications. 2024;231:103979.
Gorshenin A, Kozlovskaya A, Gorbunov S, Kochetkova I. Mobile network traffic analysis based on probability-informed machine learning approach. Computer Networks. 2024;247:110433.
Feng A, Varvarigos A, Panitsas I, Fernandez D, Wei J, Guo Y, Chen J, Maatouk A, Tassiulas L, Ying Z. TelecomTS: A multi-modal observability dataset for time series and language analysis. In: Proceedings of the 43rd International Conference on Machine Learning. Proceedings of Machine Learning Research. 2026;306:30439–30469.
Franco-Valiente JM, Calle-Cancho J, Cortés-Polo D, et al. An efficiency-driven anomaly detection pipeline for mobile networks. The Journal of Supercomputing. 2026;82:361.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2024 مجله علمی مطالعات پژوهشی در مهندسی برق آینده

این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.


