ترجمه کامپیوتر و هوش مصنوعی - 33 صفحه
Data mining for fuzzy diagnosis systems in LTE networks
سال 2015
داده کاوی فازی برای سیستم های تشخیص فازی در شبکه های LTE
Emil J. Khatiba,Raquel Barcoa, Ana Gómez-Andradesa,Pablo Muñoza, Inmaculada Serrano
http://www.sciencedirect.com/science/article/pii/S0957417415003590
دانلود رایگان مقاله انگلیسی - داده کاوی فازی
چکیده
پیشرفت های اخیر در شبکه های سلولی ، همراه با افزایش در خدمات ، مصرف کنند گان و تقاضای کیفیت بالا مخارج و هزینه های عملی را افزایش داده است. شبکه های خود- سازمانی راه حلی برای کاهش این هزینه ها می باشند. در son ، خود درمانی عملکرد است که هدف آن حل خودکار مشکلات در شبکه دسترسی رادیو و در زمان مشابه کاهش زمان و تاثیر در تجربه ی مصرف کننده است. خود درمانی در بر دارنده ی چهار عملکرد است: تشخیص نادرست، تحلیل علت ریشه ، غرامت و جریمه ی نادرست و بازیابی. برای اجرای تحلیل علت ریشه ،سیستم های مبنی بر دانش به صورت رایج مورد استفاده قرار گرفته اند مانند منطق فازی. در این مقاله یک روش نوین برای استخراج دانش بنیان (بنیان دانش یا دانش بنیادین) برای یک kbs از نمونه های معیوب حل شده پیشنهاد شده است. این روش مبنی بر روش های داده کاوی مختلف با روش دستی است که به صورت رای مورد استفاده قرار می گیرد. مشکل داده کاوی استخراج دانش خارج از اطلاعات معیوب و نادرست می تواند یک مشکل داده بزرگ یا big data ( بزرگ داده) در نظر گرفته شود. بنابراین، روش پیشنهادی طراحی شده است بنابراین می تواند به سهولت برای پردازش حجم بزرگی از داده ها با منابع نسبتا کوچک مقیاس بندی شود زیرا با دیگر الگوریتم های موجود مخالف است. آزمایشات نشان دهنده ی نتایج مطلوب و عملی بدست آمده توسط سیستم تشخیص ایجاد شده از طریق روش شناسی یا متدلوژی پیشنهاد شده در شبکه های lte است.
Highlights
A Knowledge Acquisition learning algorithm is proposed for troubleshooting in LTE.
A sensitivity analysis is performed on the proposed algorithm.
The algorithm is tested with a live network scenario.
The performance has been compared with a Bayesian Network based algorithm.
Abstract
The recent developments in cellular networks, along with the increase in services, users and the demand of high quality have raised the Operational Expenditure (OPEX). Self-Organizing Networks (SON) are the solution to reduce these costs. Within SON, self-healing is the functionality that aims to automatically solve problems in the radio access network, at the same time reducing the downtime and the impact on the user experience. Self-healing comprises four main functions: fault detection, root cause analysis, fault compensation and recovery. To perform the root cause analysis (also known as diagnosis), Knowledge-Based Systems (KBS) are commonly used, such as fuzzy logic. In this paper, a novel method for extracting the Knowledge Base for a KBS from solved troubleshooting cases is proposed. This method is based on data mining techniques as opposed to the manual techniques currently used. The data mining problem of extracting knowledge out of LTE troubleshooting information can be considered a Big Data problem. Therefore, the proposed method has been designed so it can be easily scaled up to process a large volume of data with relatively low resources, as opposed to other existing algorithms. Tests show the feasibility and good results obtained by the diagnosis system created by the proposed methodology in LTE networks.
Keywords
Self-healing; Self-Organizing Networks; LTE; Data mining; Data driven learning; Supervised learning; Fault management; Fuzzy systems; Big Data
