Tesis doctoral - Ficha 

Título Methods for Self-Healing based on traces and unsupervised learning in Self-Organizing Networks
Estado Finalizado
Autor Ana Gómez Andrades  
Director/es Raquel Barco Moreno
Universidad Universidad de Málaga
Centro Escuela Técnica Superior de Ingeniería de Telecomunicación
Departamento Ingeniería de Comunicaciones
Fecha lectura 19-07-2016

Con la llegada de las redes LTE y la proliferación de una gran variedad de servicios, los

operadores de telefonía móvil son cada vez más conscientes de la necesidad de reforzar las tareas

de operación y mantenimiento con el fin de garantizar una experiencia de usuario de calidad.

Además, la coexistencia de múltiples tecnologías de acceso radio (Radio Access Technologies,

RAT), el aumento de la demanda de tráfico y la necesidad de proporcionan una gran variedad

de servicios están dirigiendo las redes móviles hacia un escenario en el que las tareas de mantenimiento

son cada vez más complejas. Debido a ello, los operadores de telefonía móvil están

concentrando sus esfuerzos para abordar la gestión de la red sin aumentar los gastos operativos

ni los gastos de capital. En este contexto, se hace necesario automatizar de manera eficiente las

tareas de gestión a través de las redes auto-organizativas (Self-Organizing Networks, SON).

En concreto, las funciones SON cubren tres áreas: auto-configuración, auto-optimización y

auto-curación. La primera de ellas, auto-configuración, automatiza el despliegue de los nuevos

elementos de red así como la configuración de sus parámetros. La segunda, auto-optimización,

está encargada de modificar la configuración de los parámetros con el fin de mejorar la experiencia

del usuario. Finalmente, el sistema de auto-curación tiene como objetivo reducir el impacto que

los fallos y la degradación de los servicios tienen en el usuario final. Para ello, un sistema de

auto-curación monitorea los elementos de la red a través de alarmas, medidas e indicadores con

el fin de detectar cortes del servicio o celdas degradadas, posteriormente, diagnosticar la causa

de dichos fallos y, finalmente, ejecutar las acciones correctoras o compensadoras.

A pesar de que las redes móviles son cada vez más proclives a los fallos, debido al enorme

incremento de su complejidad, la automatización de las tareas de resolución de problemas a través

de la funcionalidad de auto-curación no se ha realizado completamente. Tradicionalmente, tanto

la investigación como el desarrollo de las redes SON ha estado relacionada con las funcionalidades

de auto-configuración y auto-optimización. Esto se ha debido principalmente a los desafíos que

hay que afrontar cuando se quiere estudiar e implementar un sistema de auto-curación. Esto

es especialmente relevante en el caso de la diagnosis de fallos. Sin embargo, los operadores de

telefonía móviles están prestando cada vez más atención a los sistemas de auto-curación, lo que

implica proponer opciones para hacer frente a dichos desafíos que permitan el desarrollo de las

funcionalidades de auto-curación.

Por un lado, actualmente, la diagnosis sigue siendo una tarea realizada manualmente dado

que requiere una considerable experiencia, obtenida con una dura labor, con el fin de ser capaz

de identificar la causa del fallo. En concreto, los expertos en resolución de problemas analizan

exhaustivamente el rendimiento de los elementos de red degradados con el fin de identificar la

causa de las anomalías detectadas. Por lo tanto, automatizar las tareas de diagnosis implica

conocer los indicadores que tienen que ser analizados y cómo mapear los síntomas identificados

con las causas de los fallos. Este conocimiento es adquirido a lo largo del tiempo y se caracteriza

por ser específico para cada operador en base a sus estrategias y las características de la red.

Además, los expertos típicamente resuelven los problemas sin documentar el proceso ni guardar

los indicadores analizados junto con la etiqueta de la causa del fallo. Debido a que no hay

una regulación específica sobre cómo documentarlo, los pocos fallos documentados no están bien

definidos ni descritos de manera estándar, lo que da lugar a que un mismo fallo sea nombrado con

distinta etiqueta, dificultando aún más el proceso de automatizar la extracción del conocimiento

experto. Como resultado, esta falta de documentación y de un histórico de casos etiquetados

hace que la automatización del proceso de diagnosis sea aún más difícil.

Por otro lado, cuando la causa exacta no puede ser identificada remotamente por medio de

los estadísticos recogidos a nivel de celda, los drive test son planificados para obtener información

más detallada. Mediante los drive test se toman medidas radio de la red móvil a lo largo de rutas

previamente definidas. En concreto, los expertos utilizan equipos de prueba especializados para

recoger medidas manualmente. Como consecuencia, los drive test suponen un alto coste para

los operadores, dado que conllevan una inversión considerable en tiempo y recursos (tales como

personal, vehículos y equipos de prueba). En este contexto, el Third Generation Partnership

Project (3GPP) ha estandarizado la recogida automática de medidas de campo (por ejemplo,

mensajes de señalización, medidas radio e información de localización) a través de la funcionalidad

de las trazas móviles y su funcionalidad extendida Minimization of Drive Tests (MDT). En

concreto, las trazas móviles están consideraras como un factor importante para mejorar las

funcionalidades SON dado que evitan a los operadores tener que depender de los caros drive test

mientras que al mismo tiempo proporciona muchos más detalles que los tradicionales indicadores

a nivel de celda. Como resultado, mejorar las funcionalidades de auto-curación a través de las

trazas móviles aumenta el ahorro en los costes y mejora la granularidad del análisis.

Por tanto, en esta tesis, distintas soluciones son propuestas para abordar los desafíos que evitan

el desarrollo de los sistemas de auto-curación con especial énfasis en la fase de diagnosis. Para

ello, la falta de casos etiquetados ha sido abordada de dos maneras distintas. En el primero se han

utilizado técnicas no supervisadas para diseñar automáticamente sistemas de diagnosis a partir

de datos reales sin necesitar ni datos etiquetados ni documentación sobre el comportamiento

de los fallos. En el segundo se ha modelado e implementado un grupo de fallos significativos

en un simulador dinámico con el fin de generar un conjunto de datos etiquetados que es sumamente

importante para evaluar y comparar las soluciones propuestas con algoritmos disponibles

en el estado del arte. Posteriormente, la diagnosis de los fallos que no pueden ser analizados

mediantes estadísticos a nivel de celda ha sido automatizada mediante el análisis de las trazas

móviles para evitar los costosos drive test. En concreto, en esta tesis, las trazas móviles se han

utilizado para identificar automáticamente la causa de cada desconexión de usuario indeseada,

para geo-localizar problemas radio que afectan al rendimiento global de la celda y para identificar

el impacto que provoca un fallo dependiendo de si hay sistemas preexistentes (tales como

la tercera generación móvil, 3G). Finalmente, se han validado las técnicas propuestas utilizando

tanto datos reales como simulados analizando su rendimiento y comparándolo con técnicas de

referencia.


Volver

Destacados