Key points are not available for this paper at this time.
Com o aumento da demanda de capacidade nas redes móveis, a infraestrutura também está se tornando cada vez mais densa e complexa. Isso resulta na coleta de uma quantidade maior de dados brutos (big data) gerados em diferentes níveis da arquitetura da rede e que geralmente são subutilizados. Para liberar seu valor total, algoritmos inovadores de aprendizado de máquina precisam ser utilizados para extrair insights valiosos que podem ser usados para melhorar o desempenho geral da rede. Além disso, um grande desafio para os operadores de rede é lidar com o aumento do número de quedas completas (ou parciais) de células e, simultaneamente, reduzir as despesas operacionais. Este artigo contribui para os problemas mencionados, aproveitando o big data gerado pela rede central do 4G LTE-A para detectar o comportamento anômalo da rede. Apresentamos uma técnica de detecção de anomalias baseada em estatísticas semi-supervisionadas para identificar em tempo: primeiro, regiões de atividade do usuário incomumente baixa que representam células em espera, que é um caso especial de queda de célula; e segundo, áreas de tráfego do usuário incomumente alto correspondendo a uma situação onde uma ação especial, como alocação adicional de recursos ou solução de evitação de falhas, pode ser necessária. Os resultados alcançados demonstram que o método proposto pode ser usado para detecção de anomalias de forma oportuna e confiável em redes celulares atuais e futuras.
Hussain et al. (Sun,) estudaram essa questão.