Anomaly Detection in Radio Access Network Performance Data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-06-17
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
59+5
Series
Abstract
Mobile network operators deploy, configure, and maintain mobile networks, which play an important role in providing ubiquitous communication services to their customers. A key component of these networks are the base stations, whose performance is actively monitored by gathering performance data. Anomalies in this data may be indicative of malfunctions, which can originate from various reasons. Due to the immense volume of the data, automatic solutions are needed to be able to detect such anomalies. This thesis explores the design of an automatic anomaly detection method for the performance data of 4G base stations. The dataset that is used in the work includes 13 mobile network key performance indicators across 500 base stations gathered from a large Finnish network operator. The dataset is unlabeled, so a small scale test dataset is created, which includes manually selected examples of anomalies out of the whole dataset. Multiple existing anomaly detection methods are compared. The methods are evaluated based on their ability to detect relevant anomalies while minimizing the amount of false positives generated. The anomalies they find on the whole dataset are visually inspected, and the methods are analyzed against design requirements. The best performing methods are selected to be joined into one combined method, which is shown to be able to rank base stations based on how anomalous their behavior is across all the key performance indicators.Mobiiliverkko-operaattorit tarjoavat tärkeitä viestintäpalveluita asiakkailleen rakentamalla, konfiguroimalla ja ylläpitämällä mobiiliverkkoja. Näiden verkkojen keskeinen osa ovat tukiasemat, joiden suorituskykyä seurataan aktiivisesti. Poikkeavuudet tässä suorituskykydatassa saattavat viitata toimintahäiriöihin, jotka voivat johtua monista erilaisista syistä. Valtavan datavolyymin vuoksi näiden poikkeamien tunnistaminen vaatii automaattisia ratkaisuja. Tämä diplomityö tutkii menetelmiä, jotka mahdollistavat poikkeamien automaattisen tunnistamisen 4G-tukiasemien suorituskykydatasta. Työssä käytetty tietoaineisto sisältää 13 mobiiliverkon avainmittaria, jotka on kerätty erään suuren suomalaisen operaattorin 500 tukiasemasta. Tietoaineiston aikasarjat eivät sisällä merkintöjä tunnetuista poikkeamista, joten sen pohjalta muodostetaan pienimuotoinen testiaineisto, johon sisällytetään käsinpoimittuja esimerkkejä poikkeamista joita halutaan tunnistaa. Työssä vertaillaan useita olemassa olevia poikkeamatunnistusmenetelmiä. Kunkin menetelmän hyötyjä ja haittoja arvioidaan niiden kyvyn perusteella löytää relevantteja poikkeamia, välttäen samalla epärelevanttien ja väärien poikkeamien merkintää. Menetelmien tietoaineistosta löytämiä poikkeamia arvioidaan visuaalisesti, ottaen huomioon työlle asetetut suunnittelukriteerit. Parhaista menetelmistä muodostetaan yksi yhdistetty menetelmä, jonka osoitetaan pystyvän tunnistamaan poikkeamia luotettavasti, sekä asettamaan tukiasemat paremmuusjärjestykseen niiden sisältämien poikkeamien lukumäärän ja suuruuden perusteella.Description
Supervisor
Tirkkonen, OlavThesis advisor
Kalliojärvi, KariJokela, Tommi
Keywords
time series, anomaly detection, radio access network, data science, ran, mobile network