Сетевой помощник на основе искусственного интеллекта Российский патент 2021 года по МПК H04W24/02 H04W24/04 G06F15/173 

Описание патента на изобретение RU2753962C2

Перекрестная ссылка на родственные заявки

[0001] Настоящая заявка испрашивает приоритет согласно предварительной заявке на патент США №62/346997, поданной 7 июня 2016 г. под названием "Artificial Intelligence-Based Network Advisor", полное содержание которой включено в данный текст путем ссылки.

Обзор известных технических решений

[0002] Управление и поиск неисправностей устройств беспроводной связи и устранение проблем сети оператора связи имеет решающее значение для операторов беспроводной связи для обеспечения качественного обслуживания своих абонентов. Как правило, многие операторы беспроводной связи используют ключевые индикаторы производительности или другие данные о производительности сети для анализа производительности сети оператора и устранения выявленных проблем. Например, после получения запроса на устранение неисправности по проблемам качества вызовов (например, пропущенных вызовов, чрезмерного ограничения мощности или их комбинации), качество вызовов для одного или нескольких сотовых узлов может быть улучшено путем предоставления дополнительных ресурсов пользователю в соответствии с требованием (например, настройки размера и формы соты, уровней мощности, наклона антенны и т.д.). Однако такие подходы могут иметь значительные задержки во времени, что снижает качество обслуживания клиентов и может повлечь за собой капитальные и эксплуатационные расходы.

[0003] В некоторых случаях недостаток определенных ресурсов и надлежащих средств поиска и устранения неисправностей может привести к тому, что инженеры сети оператора беспроводной связи будут тратить слишком много времени на обработку и анализ запросов на устранение неисправностей. В связи с этим поиск и устранение неисправностей в значительной степени осуществляется в режиме реагирования, а не в упреждающем режиме, и, следовательно, вызывает задержку в решении проблем качества обслуживания, что может привести к потере дохода, клиентской базы и деловой репутации оператора беспроводной связи.

Краткое описание чертежей

[0004] Подробное описание приводится со ссылкой на прилагаемые фигуры чертежей, на которых крайняя левая цифра (цифры) ссылочной позиции обозначает фигуру, на которой ссылочная позиция появляется впервые. Использование одинаковых ссылочных позиций на разных фигурах обозначает похожие или идентичные элементы.

[0005] Фиг. 1 иллюстрирует пример архитектуры для выполнения упреждающего анализа данных устройства и сети беспроводной сети оператора, чтобы спрогнозировать основную причину и обеспечить установление приоритетов устранения неисправностей сети для решения краткосрочных и долгосрочных проблем качества обслуживания.

[0006] Фиг. 2 является блок-схемой, показывающей различные компоненты платформы адаптера данных, приложения для устранения неисправностей сети и модуль искусственного интеллекта для выполнения анализа данных устройств и сети в беспроводной сети оператора, чтобы спрогнозировать основную причину и установить приоритеты для устранения неисправностей сети с целью устранения краткосрочных и долгосрочных проблем качества обслуживания.

[0007] Фиг. 3 - логическая схема для выполнения упреждающего анализа прогноза основной причины и установления приоритетов устранения неисправностей сети, чтобы уменьшить краткосрочные и долгосрочные проблемы качества обслуживания для беспроводной сети оператора.

[0008] Фиг. 4 - блок-схема, показывающая примерную последовательность выполняемых действий приложения автоматического устранения неисправностей сети, которое обеспечивает прогнозирование основной причины и установление приоритетов устранения неисправностей сети для решения краткосрочных и долгосрочных проблем качества обслуживания для беспроводной сети оператора.

[0009] Фиг. 5 - блок-схема примерного процесса для выполнения упреждающего анализа основной причины с использованием обучаемой модели машинного обучения (Machine Learning, ML).

[0010] Фиг. 6 - блок-схема примерного процесса для установления приоритетов устранения неисправностей сети с использованием обучаемой модели машинного обучения.

Подробное описание

[0011] Данное изобретение направлено на способы использования платформы адаптера данных в сочетании с приложениями для устранения неисправностей сети, чтобы выполнять упреждающий анализ данных о производительности пользовательских устройств и данных о производительности беспроводной сети оператора, предсказывать основную причину краткосрочных и долгосрочных проблем в узлах сети и расставлять приоритеты устранения неполадок сети для их эффективного решения. Данные о производительности пользовательского устройства и данные о производительности сети могут быть получены из нескольких источников данных. Помимо прочего, несколько источников данных могут обеспечивать счетчики системы поддержки эксплуатации (Operation Support System, OSS) сети радиодоступа (Radio Access Network, RAN), учетные записи параметров вызовов (Call Detail Record, CDR), данные об аварийных сигналах, данные предупреждений, данные запросов на устранение неисправностей, содержащие данные запросов клиентов и данные сетевых запросов, данные социальных сетей, рабочие данные, данные ключевого индикатора производительности (Key Performance Indicator, KPI), данные о производительности устройства, данные планирования, а также другие данные, которые относятся к производительности беспроводной сети оператора.

[0012] Данные, собранные из вышеупомянутых источников, объединяются или консолидируются с помощью платформы адаптера данных, чтобы выполнять анализ в реальном времени или не в реальном времени для идентификации областей, содержащих данные о производительности, которые опускаются ниже заранее заданного порогового значения. Проблемы, отрицательно влияющие на производительность пользовательских устройств и сетевых компонентов, выявляются из данных о производительности и затем анализируются с использованием одной или нескольких обучаемых моделей машинного обучения для сопоставления обнаруженных симптомов с потенциальной основной причиной для каждой проблемы качества обслуживания. Выявленные проблемы могут быть дополнительно проанализированы с использованием одной или нескольких обучаемых моделей машинного обучения, чтобы установить приоритеты для устранения неисправностей сети, основываясь на нескольких факторах, таких как потенциальное негативное влияние на производительность сети, и сотах, наиболее нарушающих правила в беспроводной сети оператора.

[0013] В некоторых формах осуществления приложение поиска и устранения неисправностей сети может непрерывно отслеживать данные о производительности, относящиеся к пользовательским устройствам и сетевым компонентам в сети оператора беспроводной связи, чтобы определять, имеет ли одна или более конкретных географических областей в сети отрицательное влияние на производительность или уровень производительности, который опустился ниже заданного порога. На основе такого определения приложение поиска и устранения неисправностей сети может анализировать признаки проблем с качеством обслуживания, чтобы предсказывать потенциальную основную причину проблем с качеством обслуживания. Кроме того, приложение поиска и устранения неисправностей сети может рекомендовать один или более вариантов действий для решения проблем качества обслуживания и установления приоритетов устранения неисправностей сети для реализации решения каждой из проблем, связанных с прогнозируемой основной причиной, на основе ожидаемого воздействия, продолжительности, краткосрочного или долгосрочного эффекта, доступных ресурсов и т.п.

[0014] Приложение поиска и устранения неисправностей сети может использовать по меньшей мере одну обучаемую модель машинного обучения для анализа данных производительности пользовательского устройства и данных производительности сети, чтобы автоматически прогнозировать основные причины проблем с качеством обслуживания и устанавливать приоритеты устранения неисправностей сети. Модель машинного обучения может быть дополнена по мере необходимости путем добавления дополнительных наборов обучающих данных и/или результатов обучения из одного или нескольких алгоритмов машинного обучения, основанных на обратной связи, касающейся точности прогнозирования основных причин и оптимизации установления приоритетов устранения неисправностей сети.

[0015] Упреждающий анализ данных о производительности пользовательских устройств и данных о беспроводной сети оператора может помочь упростить процесс обслуживания сети путем прогнозирования основной причины проблем на основе симптомов, полученных из данных о производительности, и установления приоритетов устранения неисправностей сети с точки зрения прогнозирования, тем самым уменьшая трудности обработки последующих абонентских заявок и/или сетевых заявок. Кроме того, использование модели машинного обучения во время анализа может позволить автоматически прогнозировать и эффективным образом разрешать сетевые проблемы. Способы, описанные в данном документе, могут быть реализованы несколькими путями. Примеры реализации представлены ниже со ссылкой на следующие фиг. 1-6.

Пример архитектуры

[0016] Фиг. 1 иллюстрирует примерную архитектуру для выполнения упреждающего анализа данных устройства и беспроводной сети оператора для решения краткосрочных и долгосрочных проблем качества обслуживания. Архитектура 100 содержит платформу 116 адаптера данных, приложение 118 поиска и устранения неисправностей сети и модуль 122 искусственного интеллекта. Платформа 116 адаптера данных, приложение 118 поиска и устранения неисправностей сети и модуль 122 искусственного интеллекта могут выполняться на одном или нескольких вычислительных узлах 126. Вычислительные узлы 126 могут быть распределенными обрабатывающими узлами, которые масштабируются в соответствии с требованием рабочей нагрузки. В различных формах осуществления вычислительные узлы 126 могут включать в себя компьютеры общего назначения, такие как настольные компьютеры, планшетные компьютеры, ноутбуки, серверы и так далее. Однако в других формах осуществления вычислительные узлы 126 могут быть в форме виртуальных машин, таких как виртуальные механизмы (Virtual Engine, VE) и виртуальные выделенные серверы (Virtual Private Servers, VPS). Вычислительные узлы 126 могут хранить данные в распределенной системе хранения, в которой данные могут храниться в течение длительных периодов времени и дублироваться для обеспечения надежности. Соответственно, вычислительные узлы 126 могут обеспечивать избыточность данных и обработки, при которой обработка и хранение данных могут масштабироваться в ответ на запросы. Кроме того, при развертывании сети новые вычислительные узлы 126 могут быть добавлены "на лету", не затрагивая эксплуатационную целостность платформы 116 адаптера данных, приложения 118 поиска и устранения неисправностей сети и модуля 122 искусственного интеллекта.

[0017] Платформа 116 адаптера данных может включать в себя облачный уровень, который управляет аппаратными ресурсами, и уровень управления данными, который управляет обработкой и хранением данных. Облачный уровень может предоставлять программные утилиты для управления вычислительными ресурсами и ресурсами хранения. В различных формах осуществления облачный уровень может предоставлять общий пользовательский интерфейс для обработки нескольких базовых сервисов хранения (например, локальных серверов, Amazon AWS™, Digital Ocean™ и т.д.), в которых хранятся данные вызовов, собранные платформой 116 адаптера данных. Облачный уровень также может предоставлять интегрированное представление нескольких серверов и кластеров от различных поставщиков, таких как Hortonworks™, Cloudera™, MapR™ и т.д.). Кроме того, облачный уровень может предоставлять утилиты мониторинга для наблюдения за использованием ресурсов и оповещения для управления хранилищем данных или производительностью обработки. Соответственно, облачный уровень может способствовать развертыванию, настройке и активации локальных и облачных серверов, а также облегчать развертывание, настройку и активацию приложений и/или услуг.

[0018] Уровень управления данными может включать в себя программные утилиты и базы данных, которые облегчают сбор, обработку, хранение, создание отчетов и анализ данных из нескольких источников данных. В различных формах осуществления уровень управления данными может предоставлять интерфейс прикладных программ (Application Program Interface, API), который отделяет внутренние элементы управления данными от элементов обработки данных, так что данные могут быть распределены и сохранены в разных хранилищах данных. Например, эти хранилища данных могут включать в себя распределенную файловую систему Hadoop™ (Hadoop Distributed File System, HDFS), Apache Spark™, Apache HBase™ и/или другие. Интерфейсы API уровня управления данными могут использоваться пользовательскими аналитическими механизмами и/или другими сторонними инструментами для доступа к данным в различных хранилищах данных. Уровень управления данными может дополнительно включать в себя несколько адаптеров данных, которые могут получать данные различных типов из нескольких источников данных. Платформа 116 адаптера данных может осуществлять доступ к нескольким источникам данных через сеть. Сеть может быть локальной сетью (Local Area Network, LAN), более крупной сетью, такой как глобальная сеть (Wide Area Network, WAN), или совокупностью сетей, такой как Интернет. Платформа 116 адаптера данных может использовать несколько соединителей в форме приложений, интерфейсов API, протоколов и служб, чтобы поддерживать связь с источниками данных и хранилищами данных. Эти соединители могут включать в себя протокол передачи файлов/простой протокол передачи файлов (File Transfer Protocol/Simple File Transfer Protocol, FTP/SFTP), протокол передачи гипертекста/протокол защищенной передачи гипертекста (HyperText Transfer Protocol/ HyperText Transfer Protocol Secure, HTTP/HTTPS), службу сообщений Java (Java Message Service™, JMS), платформы Apache Kafka™, Apache Flume™, Apache Solr™, соединение с базами данных на Java (Java Database Connectivity™, JDBC), протокол пользовательских дейтаграмм (User Datagram Protocol, UDP) и/или другие.

[0019] Соответственно, платформа 116 адаптера данных может предоставлять приложению 118 поиска и устранения неисправностей сети данные из ряда источников данных, обсуждаемых здесь, и сохранять данные в хранилище 117 данных, причем данные в хранилище 117 данных доступны для приложения 118 поиска и устранения неисправностей сети. В проиллюстрированной форме осуществления источники данных могут включать в себя источник 110 данных запросов на устранение неисправностей, источник 111 рабочих данных, источник 112 данных об аварийных сигналах, источник 113 данных из социальных сетей и другие источники 114 данных, которые предоставляют различные типы данных о производительности.

[0020] Источник 110 данных запросов на устранение неисправностей может включать в себя данные о проблемах с компонентами или операциями беспроводной сети оператора. В некоторых случаях программные агенты, которые контролируют работоспособность и производительность беспроводной сети оператора, могут автоматически формировать запросы на устранение неисправностей в сети. В других случаях клиенты и/или представители службы поддержки могут вручную вводить запросы на устранение неисправностей для описания проблем, с которыми сталкиваются клиенты. Источник 110 данных запросов на устранение неисправностей может дополнительно включать в себя данные о личности администраторов, отчеты о разрешении проблем, статистику по каждому типу или категории сообщенных проблем, статистику по скоростям разрешения проблем и/или тому подобное.

[0021] Источник 111 рабочих данных может включать в себя сбор данных, который предоставляет информацию о производительности беспроводной сети оператора и пользовательских устройств, использующих беспроводную сеть оператора. В различных формах осуществления изобретения информация о производительности может включать в себя счетчики системы поддержки эксплуатации (OSS) сети радиодоступа (RAN), учетные записи параметров вызовов (CDR), отслеживания вызовов поддержки голосовой связи в сетях LTE (Voice-over-LTE, VoLTE), данные отслеживания протокола установления сеанса связи (Session Initiation Protocol, SIP), данные отслеживания протокола (Control Protocol, RTCP) управления передачей данных в реальном времени (Real-Time Transport Protocol, RTP), журналы трафика данных пользовательских устройств, журналы системных событий пользовательских устройств, отчеты об ошибках пользовательских устройств и/или другую информацию о производительности устройств и сетевых компонентов. Сбор данных может дополнительно предоставлять данные топологии сети, данные расширения/модификации сети, данные покрытия сети и данные планового обслуживания. Данные топологии сети могут включать в себя местоположения сот сети, транзитных соединений сети, компонентов базовой сети и/или тому подобное. Данные покрытия сети могут включать в себя информацию о зоне охвата сигналами и возможностях полосы пропускания связи для сот сети, спецификации производительности и состояния работы транзитного соединения, сот сети и компонентов базовой сети и/или тому подобное. Соты сети могут включать в себя макросоты, пикосоты, фемтосоты, микросоты и/или тому подобное.

[0022] Информация о производительности у пользовательских устройств, которая предоставляется источником 111 рабочих данных, может дополнительно включать в себя информацию о пользовательском устройстве и об учетной записи. Информация об устройстве может указывать технические возможности, функции и рабочие состояния пользовательских устройств, которые используются абонентами в сети беспроводной связи. Информация об учетной записи пользователя может включать в себя данные учетной записи нескольких абонентов, такие как типы учетных записей, предпочтения выставления счетов, подписки на тарифные планы, истории платежей, статистика потребления данных и/или тому подобное.

[0023] Источник 112 данных об аварийных сигналах может включать в себя оповещения для беспроводной сети оператора, которые генерируются на основе заранее определенных правил оповещения приложением мониторинга состояния сети. Правило оповещения может указывать, что оповещение должно запускаться при возникновении одного или нескольких условий в отношении операций сети. Условиями могут быть конкретные сбои или проблемы, которые обнаруживаются с помощью компонентов сети, отклонение фактических показателей производительности от предопределенных пороговых значений производительности, количество жалоб пользователей относительно сетевого компонента, сетевого узла или сетевого сервиса, достигающего или не достигающего заданного порога, и/или тому подобное.

[0024] Источник 113 данных из социальных сетей может включать в себя сборы данных, предоставляемые порталами социальных сетей. Портал социальной сети может быть установлен беспроводной сетью оператора, которая оценивается приложением 118 поиска и устранения неисправностей сети. Другой портал социальной сети может быть порталом, который поддерживается сторонним поставщиком услуг для пользователей для обмена сообщениями в социальных сетях. Дополнительным порталом социальной сети может быть веб-портал, который создается и поддерживается конкретным пользователем исключительно для того, чтобы конкретный пользователь публиковал сообщения в социальных сетях. Порталы социальных сетей могут позволять пользователям публиковать и делиться информацией, обзорами и/или другими комментариями, касающимися поставщиков услуг, продуктов, услуг, продавцов, сетей и/или тому подобное. Например, порталы социальных сетей могут включать веб-страницы блогов, веб-страницы каналов сообщений, веб-форумы и/или электронные доски объявлений.

Пользователь может создать персонализированный портал социальной сети, чтобы другие пользователи могли подписываться на социальные публикации пользователя, оставлять комментарии для пользователя или других посетителей на персонализированном портале социальной сети и/или выполнять другие действия в социальной сети. Социальные сообщения могут выявить проблемы сети с беспроводной сетью оператора, которые испытывают разные абоненты в разных географических местоположениях.

[0025] Как только данные из сборов данных социальных сетей получены через адаптеры данных, алгоритм интеллектуального анализа данных платформы 116 адаптера данных может выбирать слова, термины, фразы, цитаты или оценки, которые имеют отношение к рабочим условиям или состоянию производительности узлов, компонентов и/или услуг беспроводной сети оператора. Алгоритм интеллектуального анализа данных может использовать как методы машинного обучения, так и не машинного обучения, такие как обучение по дереву поиска решений, обучение по ассоциативным правилам, искусственные нейронные сети, индуктивную логику, машины опорных векторов (Support Vector Machine, SVM), кластеризацию, байесовские сети, обучение с подкреплением, обучение представлениям, обучение на основе подобия и метрическое обучение, а также словарное обучение с разреженным кодированием для извлечения образцов. В одном примере платформа 116 адаптера данных может обнаруживать образец публикации в веб-блоге, который указывает, что пользователи недовольны аспектом услуги, предоставляемой беспроводной сетью оператора в конкретном географическом местоположении. В другом примере платформа 116 адаптера данных может обнаруживать образец публикаций потока сообщений от нескольких пользователей, которые указывают, что определенный тип пользовательского устройства имеет высокую частоту ошибок при использовании в связи с беспроводной сетью оператора.

[0026] Дополнительные источники 114 данных могут включать в себя другие источники данных, которые управляются беспроводной сетью оператора или сторонними организациями, такие как отчеты о данных от инструментов мониторинга сети. В различных формах осуществления инструменты мониторинга сети могут включать в себя диагностические инструменты, инструменты оптимизации, инструменты конфигурации и/или тому подобное. Отчеты о данных могут содержать ключевые индикаторы производительности (KPI). Индикаторы KPI могут быть сформированы на основе файлов конфигурации KPI, определяющих конкретные индикаторы KPI, которые должны быть сформированы. Индикаторы KPI могут измерять производительность конкретного устройства или сетевого компонента. Альтернативно, индикаторы KPI также могут предоставлять обобщенные измерения производительности высокого уровня для нескольких компонентов сети или устройств, для конкретных классов компонентов сети или устройств и/или тому подобное.

[0027] В некоторых формах осуществления приложение 118 поиска и устранения неисправностей сети содержит модуль 119 анализа основных причин, модуль 120 рекомендаций и средство 121 отслеживания действий. Приложение 118 поиска и устранения неисправностей сети может анализировать производительность беспроводной сети оператора из нескольких источников данных, полученных платформой 116 адаптера данных, для предоставления одной или нескольких прогнозируемых основных причин 122 с помощью модуля 119 анализа основных причин и установления 124 приоритетов устранения неисправностей сети с помощью модуля 120 рекомендаций для каждой выявленной потенциальной и/или фактической проблемы качества обслуживания в сети. Кроме того, приложение 118 поиска и устранения неисправностей сети может проверять улучшение производительности сети с помощью средства 121 отслеживания действий после того, как устранения неисправности сети было выполнено.

[0028] Более конкретно, модуль 119 анализа основных причин может предоставлять прогнозируемую основную причину 122 для проблемы, которая связана с одним или несколькими симптомами, полученными из данных о производительности, чтобы помочь в решении проблем качества обслуживания для беспроводной сети оператора, и обеспечивать предупреждения 123 о прогнозируемой основной причине (например, сетевому инженеру, администратору и/или административному объекту). В некоторых формах осуществления модуль 119 анализа основных причин выполнен с возможностью определять общие точки отказа и места возникновения проблем на основе показателей KPI. После этого модуль 119 прогнозирования основных причин может сопоставлять характеристику производительности с ранее сохраненной характеристикой или симптомом производительности, который соответствует конкретному типу проблемы передачи данных и/или основной причине.

[0029] Например, модуль 119 анализа основных причин может определять, что нарушение пороговых значений является наиболее вероятной прогнозируемой основной причиной, на основании данных о производительности, указывающих на симптомы, которые ранее указывали на сходные или идентичные симптомы, связанные с проблемой охвата. В другом примере модуль 119 анализа основных причин может определить, что дисбаланс уровней является наиболее вероятной прогнозируемой основной причиной, на основании данных о производительности, указывающих на симптомы, которые ранее указывали на сходные или идентичные симптомы, связанные с проблемой перегрузки.

[0030] Кроме того, модуль 120 рекомендаций может определять потенциальное влияние (например, на основе количества затронутых абонентов, размера затронутой геолокации, количества затронутых пользовательских устройств и сетевых компонентов и т.д.), краткосрочные и/или долгосрочные эффекты, частоту повторения и/или продолжительность по времени каждой из проблем, связанных с прогнозируемой основной причиной, обеспечивать установление приоритетов устранения неисправностей сети, чтобы наиболее эффективно решать каждую из проблем и/или основных причин. В некоторых формах осуществления изобретения дополнительные факторы, такие как ресурсы и трудозатраты, необходимые для устранения неисправностей сети, могут дополнительно рассматриваться для определения приоритета устранения неисправности сети. В одном примере модуль 120 рекомендации может ранжировать устранение неисправности сети на основе объединения одного или нескольких из вышеупомянутых факторов в порядке убывания приоритета. В другом примере модуль 120 рекомендаций может формировать список ранжирования, в котором главные нарушители правил идентифицируются и ранжируются в верхней части списка. Таким образом, в первую очередь решаются вопросы, связанные с главными нарушителями правил или вызванные ими.

[0031] В некоторых формах осуществления изобретения модуль 120 рекомендаций может дополнительно предоставлять предложения или варианты действий для устранения неисправностей сети, связанных с прогнозируемой основной причиной, и решения проблемы качества обслуживания. Например, модуль 120 рекомендаций конфигурируется соотносить предложения или конкретные действия с прогнозируемой основной причиной. В связи с этим модуль 120 рекомендаций может связываться с базой данных решений для выработки из них решений или действий. Кроме того, модуль 120 рекомендаций может быть сконфигурирован для предоставления одного или нескольких предложений или вариантов действий в порядке предпочтения на основе нескольких факторов, таких как доступные ресурсы, ограничения, обратная связь с пользователем, геолокация и/или тому подобное. Приложение 118 поиска и устранения неисправностей сети может формировать, записывать и управлять запросами узла, сформированными для идентификации каждой проблемы, прогнозируемой основной причины, установления приоритетов устранения неисправностей сети, устранения неисправности узла и заявок узла, которые хранятся в журнале 125 обслуживания узла.

[0032] В некоторых формах осуществления изобретения приложение 118 поиска и устранения неисправностей сети может использовать одну или более обучаемых моделей машинного обучения с помощью модуля 122 искусственного интеллекта для анализа данных о производительности пользовательского устройства и данных о производительности сети внутри сети, чтобы определять вероятные основные причины проблем качества обслуживания абонентов и определять наиболее оптимальный порядок устранения неисправностей сети для устранения основных причин. При этом установление приоритетов устранения неисправностей сети является оптимальным, если оно позволяет выполнить заранее определенное количество устранений неисправностей сети в течение заранее заданного периода времени. С другой стороны, установление приоритетов устранения неисправностей сети является оптимальным, если порядок, в котором устранения неисправностей сети выполняются в соответствии с их приоритетом, может позволить улучшить качество обслуживания для заранее заданного числа абонентов в течение заранее заданного периода времени. В другом примере установление приоритетов устранений неисправностей сети является оптимальным, если порядок, в котором производятся устранения неисправностей сети в соответствии с их приоритетами, может повысить уровень производительности сети в течение заранее заданного периода времени.

[0033] Кроме того, одну или более моделей машинного обучения можно использовать для предоставления предложений или действий по устранению неисправностей сети для решения проблем качества обслуживания. Таким образом, приложение 118 поиска и устранения неисправностей сети может решать потенциальные проблемы сети до получения жалоб клиентов или запросов на устранение неисправностей, таким образом, упреждающим образом управляя производительностью сети и сокращая время и усилия по последующему устранению неисправностей. Обучаемая модель машинного обучения может быть создана с использованием технических средств, которые устанавливают свойства и взаимосвязи обучающего корпуса для различения классов данных. Кроме того, модель машинного обучения может включать в себя комбинацию нескольких алгоритмов машинного обучения, таких как байесовский алгоритм, алгоритм дерева решений, алгоритм SVM, чтобы повысить точность прогнозирования основных причин и установления приоритетов проблем, формируемых модулем 122.

Пример компонентов вычислительного устройства

[0034] Фиг. 2 - это блок-схема, показывающая различные компоненты платформы адаптера данных, приложение для устранения неисправностей сети и модуль искусственного интеллекта, который выполняет упреждающий анализ данных устройств и сети беспроводной сети оператора для решения краткосрочных и долгосрочных проблем качества обслуживания. Платформа 116 адаптера данных, приложение 118 поиска и устранения неисправностей сети и модуль 122 искусственного интеллекта могут быть реализованы одним или несколькими вычислительными узлами 126 вычислительной инфраструктуры распределенной обработки. Количество вычислительных узлов 126 может быть увеличено и уменьшено с помощью алгоритма управления распределенной обработкой на основе требований к обработке данных платформы 116 адаптера данных, приложения 118 поиска и устранения неисправностей сети и/или модуля 122 искусственного интеллекта. Например, во время обработки данных с пиковой производительностью, количество вычислительных узлов 126, которые выполняют функции обработки данных о производительности приложения 118 поиска и устранения неисправностей сети, может быть оперативно увеличено на основе требований к обработке. Однако, как только потребность в обработке падает, количество вычислительных узлов 126, которые выполняют функциональные возможности обработки данных производительности, может быть оперативно уменьшено. Такое увеличение и уменьшение количества вычислительных узлов 126 может повторяться снова и снова на основе требований к обработке.

[0035] Вычислительные узлы 126 могут содержать интерфейс 201 связи, один или более процессоров 202 и память 204. Интерфейс 201 связи может содержать компоненты беспроводной и/или проводной связи, которые позволяют одному или нескольким вычислительным узлам 126 передавать данные другим сетевым устройствам и принимать данные от них. К вычислительным узлам 126 можно получать доступ через аппаратные средства 203. Аппаратные средства 203 могут содержать дополнительный пользовательский интерфейс, аппаратные средства передачи данных или хранения данных. Например, пользовательские интерфейсы могут включать в себя устройство вывода данных (например, визуальный дисплей, громкоговорители) и одно или более устройств ввода данных. Устройства ввода данных могут включать в себя, помимо прочего, комбинации одной или нескольких малых клавиатур, клавиатур, устройств типа мышь, сенсорных экранов, которые воспринимают жесты, микрофоны, устройства распознавания голоса или речи, а также другие подходящие устройства.

[0036] Память 204 может быть реализована с использованием машиночитаемых носителей, таких как машиночитаемые носители данных. Машиночитаемые носители включают в себя по меньшей мере два типа машиночитаемых носителей, а именно компьютерные носители данных и средства связи. Компьютерные носители данных включают в себя энергозависимые и энергонезависимые, съемные и несъемные носители, реализованные любым способом или технологией для хранения информации, такой как машиночитаемые команды, структуры данных, программные модули или другие данные. Компьютерные носители данных включают, но не ограничиваются ими, оперативное запоминающее устройство (Random Access Memory, RAM), постоянное запоминающее устройство (Read-Only Memory, ROM), электрически-стираемое программируемое постоянное запоминающее устройство (Electrically Erasable Programmable Read-Only Memory, EEPROM), флэш-память или другие технологии памяти, запоминающее устройство на компакт диске (Compact Disk-Read Only Memory, CD-ROM), цифровые универсальные диски (Digital Versatile Disk, DVD), диски мультимедиа высокой четкости / хранения данных или другие оптические запоминающие устройства, магнитные кассеты, магнитную ленту, накопитель на магнитных дисках или другие магнитные накопители, или любой другой носитель, который может использоваться для хранения информации для доступа с помощью вычислительного устройства. Напротив, средства коммуникации могут воплощать машиночитаемые команды, структуры данных, программные модули или другие данные в модулированном сигнале данных, таком как несущее колебание или другой механизм передачи.

[0037] Платформа 116 адаптера данных может содержать модуль 205 сбора данных, модуль 207 хранения данных и модуль 208 доступа к данным. Модули могут включать в себя программы, команды программ, объекты и/или структуры данных, которые выполняют конкретные задачи или реализуют определенные абстрактные типы данных. Модуль 205 сбора данных может использовать адаптеры данных для извлечения данных из структурированных или неструктурированных баз данных источников 110-114 данных. Поскольку структурированные базы данных предоставляют данные, которые доступны через простые алгоритмы выборки данных, модуль 205 сбора данных может использовать независимые от данных адаптеры данных для доступа к источникам данных без учета основного контента данных. Кроме того, изменения в контенте данных в каждом источнике данных не влияют на функциональность соответствующих независимых от данных адаптеров данных. С другой стороны, модуль 205 сбора данных может использовать специфичные для базы данных адаптеры данных для доступа к структурированным базам данных.

[0038] Модуль 205 сбора данных может содержать планировщик рабочего процесса, который периодически проверяет и выбирает вновь доступные данные из нескольких источников данных. Планировщик рабочего процесса может манипулировать выборкой и обработкой данных на основе конфигурируемых политик. Например, конфигурируемая политика может указывать исходное местоположение данных, частоту выборки данных, процедуры обработки данных с поздним прибытием, период хранения данных и удаление данных после истечения периода их хранения. Процедуры обработки для данных с поздним прибытием могут указывать заранее определенный период отсечения, в течение которого любые данные, поступающие с опозданием, могут быть включены в данные, которые вовремя выбираются для обработки. Соответственно, модуль 205 сбора данных может выбирать данные с разными задержками генерации (например, одна минута, пятнадцать минут, один час, одни сутки и т.п.), а также данные с различным пространственным обобщением (например, данные соты сети, данные узла сети, данные контроллера радиосети и т.д.), так что может быть выполнен анализ данных в реальном времени или не в реальном времени.

[0039] В различных формах осуществления модуль 206 обработки данных может реализовывать специфическую для адаптера логику для декодирования формата данных производительности из источников 110-114 данных. Соответственно, данные о производительности могут быть поданы в другие модули для анализа и хранения. В некоторых формах осуществления модуль 206 обработки данных может объединять данные из нескольких источников данных за конкретный период времени в объединенный файл наборов данных в соответствии с одним или несколькими параметрами группирования. Параметры группирования могут включать в себя определенные периоды времени (например, ежечасно, ежедневно и т.п.), сетевые компоненты, поставщика пользовательских устройств, модели пользовательских устройств и/или тому подобное. В других формах осуществления изобретения параметры группирования могут использоваться для объединения данных в несколько наборов данных, которые соответствуют различным уровням сетевой иерархии. Например, данные могут объединяться в наборы данных, которые соответствуют уровню абонента, уровню устройства, уровню зоны обслуживания и уровню географического рынка. Уровень географического рынка может дополнительно включать подуровень почтового индекса, подуровень муниципалитета или другой подуровень на основе местоположения, который может соответствовать наборам данных для объединения. Тем не менее, объединенные данные из нескольких источников данных могут храниться в наборах данных в соответствии с их собственными схемами хранения. В других формах осуществления изобретения модуль 206 обработки данных может объединять данные из нескольких источников данных за конкретный период времени в конвергированный файл наборов данных, в котором данные хранятся в наборах данных в соответствии с единой схемой хранения.

[0040] Модуль 207 хранения данных может хранить данные в нескольких виртуальных кластерах хранения данных с избыточностью, так что данные могут быть оптимизированы для быстрого доступа. Сохраненные данные могут включать в себя данные производительности из источников 110-114 данных, файлы объединенных и защищенных данных, данные, которые генерируются приложением 118 поиска и устранения неисправностей сети и/или тому подобное. Модуль 208 доступа к данным может предоставлять интерфейс API доступа к данным для доступа к данным, хранящимся в нескольких кластерах виртуальной памяти. Соответственно, интерфейс API может использоваться приложением 118 поиска и устранения неисправностей сети, а также другим сторонним приложением для доступа к данным, которые были приняты и сохранены платформой 116 адаптера данных.

[0041] Приложение 118 поиска и устранения неисправностей сети сконфигурировано для предложения прогнозируемой основной причины и установления приоритетов устранения неисправностей сети. Приложение 118 поиска и устранения неисправностей сети может обрабатывать данные в реальном времени или не в реальном времени из различных географических местоположений, в которых данные из нескольких источников данных могут быть объединены, конвергированы или иным образом обобщены. Приложение 118 поиска и устранения неисправностей сети может идентифицировать основную причину проблемы, затрагивающей одного или нескольких абонентов беспроводной сети оператора, на основе набора данных о производительности в реальном времени и с использованием по меньшей мере одной модели машинного обучения. Приложение 118 поиска и устранения неисправностей сети может дополнительно формировать решение для основной причины, используя модель машинного обучения и/или базу данных решений.

[0042] В различных формах осуществления изобретения актуальные данные о производительности могут быть данными в реальном времени или не в реальном времени, относящимися к одному или нескольким сетевым компонентам беспроводной сети оператора и/или одному или нескольким компонентам пользовательских устройств, которые используют беспроводную сеть оператора. Актуальные данные о производительности могут включать в себя объединенные, конвергентные или консолидированные наборы данных, которые получены из источников 110-114 данных. Актуальные данные о производительности в реальном времени могут быть проанализированы для определения прогнозируемой основной причины и установления приоритетов устранения неисправностей сети, которые формируются с использованием модели машинного обучения и представляются с помощью пользовательского интерфейса приложения поиска и устранения неисправностей сети.

[0043] Приложение 118 поиска и устранения неисправностей сети может содержать модуль 119 анализа основных причин, модуль 120 рекомендаций и средство 121 отслеживания действий. Модуль 119 анализа основных причин содержит средство 209 отслеживания показателя KPI и модуль 210 исследования проблем. Средство 209 отслеживания показателя KPI может измерять производительность сетевых компонентов беспроводной сети оператора и/или производительность компонентов пользовательских устройств, которые используют беспроводную сеть оператора. В различных формах осуществления индикаторы KPI могут быть индикаторами KPI высокого уровня, которые фиксируют эффективность обслуживания, такую как задержки установления вызова, средние экспертные оценки (Mean Opinion Scores, MOS) качества звука во время вызова, проблемы одностороннего звука и проблемы передачи обслуживания (хэндовера) соты сети, трудности с переходами между голосовой телефонией поверх WiFi (Voice-over-WiFi, VoWiFi) и голосовой связи в сетях долгосрочного развития (Long Term Evolution, LTE) (VoLTE) и/или тому подобное. В некоторых формах осуществления изобретения средство 209 отслеживания индекса KPI с помощью пользовательского интерфейса приложения сконфигурировано для визуального представления производительности сетевых компонентов сети оператора и/или производительности пользовательских устройств в сети.

[0044] Модуль 210 исследования проблем анализирует индикаторы KPI, а также различные источники 110-114 данных, полученные платформой 116 адаптера данных, идентифицирует проблемы качества обслуживания в сети, причем проблемы качества обслуживания негативно влияют на производительность пользовательских устройств и/или сетевых компонентов, так что уровень производительности падает ниже предопределенного порога, и/или пользовательские устройства и/или сетевые компоненты выявляют частоту ошибок, превышающую максимальный порог ошибок. После определения того, что существует по меньшей мере одна проблема качества обслуживания, модуль 210 исследования проблем определяет по меньшей мере одну прогнозируемую основную причину, связанную с одним или несколькими признаками, которые относятся к проблемам качества обслуживания, вытекающим из полученных данных.

[0045] Модуль 120 рекомендаций содержит модуль 211 установления приоритетов и модуль 212 исследования воздействия. Модуль 212 исследования воздействия анализирует различные источники данных, полученных платформой 116 адаптера данных, для определения потенциального краткосрочного и/или долгосрочного воздействия, связанного с различными вопросами качества обслуживания в сети. Кроме того, модуль 212 исследования воздействия анализирует данные, чтобы определить другие факторы, такие как продолжительность, краткосрочные и/или долгосрочные последствия, а также тип проблем с качеством обслуживания, и оценить общие потенциальные краткосрочные и/или долгосрочные последствия, связанные с качеством проблем обслуживания. В некоторых формах осуществления модуль 212 исследования воздействия рассматривает дополнительные данные или факторы, такие как ресурсы и ограничения, для определения общего потенциального краткосрочного и/или долгосрочного воздействия.

[0046] Модуль 211 установления приоритетов анализирует потенциальное краткосрочное и/или долгосрочное влияние различных проблем сети и устанавливает приоритеты устранения неисправностей сети для реализации решения проблем сети в определенном порядке, который является наиболее оптимальным и эффективным. Предпочтительно устранение неисправности сети реализуется в порядке убывания приоритета или важности. Модуль 214 автоматического исправления сконфигурирован для формирования решения или последовательности действий для решения проблем производительности сети.

[0047] Приложение 118 поиска и устранения неисправностей сети дополнительно включает в себя средство 121 отслеживания действий, которое содержит модуль 215 обслуживания узла для поддержки запросов 216 узла, модуль 217 проверки и модуль 218 обратной связи. Модуль 217 проверки проверяет работу сетевых компонентов беспроводной сети оператора и/или производительность компонентов пользовательских устройств, которые используют беспроводную сеть оператора, как только решение или последовательность действий были реализованы, например, с помощью модуля 120 рекомендаций. Модуль 218 обратной связи осуществляет связь с модулем 122 искусственного интеллекта, чтобы обеспечивать обратную связь относительно того, является ли прогнозируемая основная причина правильной или являются ли приоритеты устранения неисправностей сети оптимальными. Кроме того, модуль 218 обратной связи определяет, достигнуто ли ожидаемое улучшение производительности, на основе характеристик сетевых компонентов и пользовательских устройств после того, как было реализовано решение или последовательность действий.

[0048] В некоторых формах осуществления изобретения приложение 118 поиска и устранения неисправностей сети дополнительно содержит пользовательский интерфейс для взаимодействия или связи с одним или несколькими компонентами сети. Например, пользовательский интерфейс конфигурируется для приема пользовательских запросов и входных данных, а также для обеспечения прогнозируемой основной причины, установления приоритетов устранения неисправностей сети и выходных данных (например, состояния сети, отчетов о данных и т.д.). В этом отношении приложение поиска и устранения неисправностей сети может предоставлять основную причину и/или установление приоритетов устранения неисправностей сети, а также решения и способы действий для решения проблем качества обслуживания для отображения при помощи пользовательского интерфейса приложения.

[0049] Модуль 122 искусственного интеллекта содержит по меньшей мере один обучающий модуль 219 машинного обучения для установления приоритетов и прогнозирования основной причины, по меньшей мере одну логику 221 машинного обучения и одну или более обучаемых моделей 220А, 220N машинного обучения. Обучающий модуль 219 модели может обучать модели 220А, 220N машинного обучения анализировать данные о производительности из источников 110-114 данных, чтобы определять основные причины проблем качества обслуживания для абонентов и устанавливать приоритеты устранения неисправностей сети для каждой проблемы, связанной с основными причинами. В различных формах осуществления обучающий модуль 219 модели может использовать конвейер машинного обучения для создания модели машинного обучения.

[0050] На начальном этапе ввода обучающих данных конвейера машинного обучения предполагается, что обучающий модуль 219 машинного обучения может принимать обучающий корпус, состоящий из одного или нескольких наборов входных данных, от платформы 116 адаптера данных. Обучающий корпус может содержать обучающие данные, которые эмулируют данные, собранные из нескольких источников 110-114 данных, и, опционально, набор желаемых выходных данных для обучающих данных. Например, данные, которые принимаются на этапе ввода обучающих данных, могут включать в себя счетчики системы поддержки эксплуатации (OSS), индикаторы KPI, подробности покрытия сети, данные об аварийных сигналах устройства, данные об аварийных сигналах сети, данные предупреждений устройства, данные предупреждений сети, записи CDR и/или тому подобное. В некоторых формах осуществления изобретения обучающий модуль дополнительно сконфигурирован для выполнения анализа обеспечения качества данных, чтобы идентифицировать данные выбросов, избыточные данные, неподходящие данные и/или тому подобное.

[0051] Для создания моделей обучения обучающий модуль 119 сконфигурирован для выбора начального типа алгоритма машинного обучения для обучения модели машинного обучения с использованием обучающего корпуса. В частности, различные типы алгоритмов машинного обучения могут включать в себя байесовский алгоритм, алгоритм дерева решений, алгоритм SVM, алгоритм ансамбля деревьев (например, случайных лесов и деревьев с градиентным усилением), алгоритм изотонной регрессии и/или тому подобное. Как только алгоритм применяется, обучающий модуль 119 определяет, превышает ли измерение ошибки обучения модели машинного обучения заранее определенный порог. Измерение ошибки обучения может указывать на точность модели машинного обучения при формировании решения по сравнению с ожидаемой базовой точностью.

[0052] Если измерение ошибки обучения превышает предварительно определенный порог, выбирается другой алгоритм машинного обучения, например, с помощью машины обработки правил (например, правил выбора алгоритма) на основе измеренной величины ошибки обучения. Более конкретно, правила выбора алгоритма могут использоваться машиной обработки правил обучающего модуля модели для согласования определенных диапазонов значения измерения ошибки обучения с конкретным типом алгоритма машинного обучения. После применения второго алгоритма машинного обучения ошибка обучения измеряется снова, и этот процесс повторяется до тех пор, пока ошибка обучения не окажется ниже заданного порога.

[0053] Предполагается, что дополнительные наборы обучающих данных и/или результаты обучения из одного или нескольких алгоритмов машинного обучения могут применяться для дополнения модели машинного обучения. Впоследствии процесс может вернуться к началу цикла для измерения другой ошибки обучения модели машинного обучения. Если обучающий модуль модели определяет, что результаты измерения ошибки обучения находятся на пороге ошибки обучения или ниже, создание обучаемой модели машинного обучения считается завершенной.

[0054] Фиг. 3 - логическая схема 300 для упреждающего выполнения анализа основных причин и установления приоритетов проблем, чтобы улучшить краткосрочное и долгосрочное качество проблем обслуживания для беспроводной сети оператора. Как указано в блоке 301, информация о производительности беспроводной сети оператора и пользовательских устройств, которые используют ее, собирается и подготавливается для анализа при помощи платформы 116 адаптера данных. Как указано в блоке 302, средство 209 отслеживания индикатора KPI модуля 119 анализа основных причин измеряет производительность сетевых компонентов беспроводной сети оператора и/или производительность компонентов устройства для выявления неэффективных географических областей. Представление данных, относящихся к идентификации неэффективных географических областей, может позволить приложению поиска и устранения неисправностей сети инициировать меры установления приоритетов устранения неисправностей сети и спрогнозировать основную причину для решения проблемы с одним или несколькими сетевыми компонентами.

[0055] Приложение поиска и устранения неисправностей сети может анализировать данные производительности, используя обучаемую модель машинного обучения, чтобы определить основную причину проблемы, затрагивающей одно или более пользовательских устройств. В различных формах осуществления изобретения данные производительности, которые анализируются, могут быть данными в реальном времени или не в реальном времени для конкретного интервала времени. Кроме того, данные о производительности могут включать в себя объединенные, конвергированные или иным образом обобщенные данные. Обучаемая модель машинного обучения может использовать несколько алгоритмов машинного обучения для анализа данных о производительности. Например, в некоторых случаях приложение поиска и устранения неисправностей сети может отслеживать геолокации абонента, когда абонент перемещается между геолокациями в течение определенного интервала времени. Впоследствии приложение поиска и устранения неисправностей сети может анализировать данные о производительности, которые связаны с этими геолокациями, с использованием обучаемой модели машинного обучения для установления основной причины.

[0056] В различных формах осуществления приложение для устранения неисправностей сети может предоставлять данные об одном или более компонентах через интерфейс пользовательского приложения. Как указано в блоке 304, модуль 210 исследования проблем модуля 119 анализа основной причины идентифицирует вероятную основную причину 304. В некоторых формах осуществления изобретения приложение 118 поиска и устранения неисправностей сети может формировать одну или более прогнозируемых основных причин, используя одну или более обучаемых моделей машинного обучения. Прогнозируемая основная причина может быть сформирована на основе данных о производительности из одного или нескольких источников 110-114 данных, предоставляемых платформой 116 адаптера данных. Например, обучаемые модели машинного обучения могут использоваться для автоматического анализа параметров CDR с целью выявления основных причин проблем качества обслуживания беспроводной сети оператора.

[0057] В других примерах обучаемые модели машинного обучения могут использоваться для улучшения качества обслуживания сети, повышения эффективности сети, анализа данных соты для выявления нарушения, анализа особенностей для прогнозирования абонента, анализа характера использования оборудования абонента для определения географической области для внедрения новых сетевых услуг. Например, приложение поиска и устранения неисправностей сети может использовать обучаемую модель машинного обучения, чтобы идентифицировать основную причину проблемы, которая является предметом запроса на устранение неисправности или обнаружена приложением устранения неисправностей сети. Например, анализ данных о производительности может указывать на то, что существует потенциальная проблема для определенного типа пользовательских устройств, из-за сходства аппаратных или программных компонентов конкретного типа пользовательских устройств, в которых обнаружена конкретная проблема. В другом примере анализ данных о производительности может указывать на то, что общая проблема (например, уязвимость в программном обеспечении), с которой сталкивается определенная группа пользовательских устройств, может привести к другой проблеме (например, не отвечающему пользовательскому устройству), если общая проблема не устранена своевременно.

[0058] Как указано в блоке 303, модуль 212 исследования воздействия анализирует данные о производительности из одного или нескольких источников 110-114 данных, чтобы количественно оценить степень снижения производительности на основе нескольких факторов. После этого модуль 211 установления приоритетов ранжирует проблемы 305 качества обслуживания в порядке убывания приоритета для установления приоритетов устранения неисправностей сети. В связи с этим, обучаемые модели машинного обучения могут использоваться для автоматического определения порядка, в котором должны быть реализованы устранения неисправностей сети. Как указано в блоке 306, модуль 214 автоматического исправления предлагает порядок действий для решения ранжированных проблем. Модуль 214 автоматического исправления может оперативно подключаться к базе данных решений для выборки из нее решения и может предоставлять предложение для решения каждой проблемы качества обслуживания с использованием модели машинного обучения. В различных формах осуществления изобретения база данных решений может находиться в вычислительных узлах 126.

[0059] Любые изменения, реализованные в соответствии с порядком действий, анализируются с помощью модуля 217 проверки средства 121 отслеживания действий, как указано в блоке 307. Модуль 218 обратной связи может анализировать данные о производительности сети после любых изменений и сравнивать их с ожидаемой производительностью сети. Таким образом, модуль 218 обратной связи может определять, разрешили ли реализованные изменения проблему качества обслуживания и достигнуто ли 308 ожидаемое улучшение производительности.

[0060] В некоторых формах осуществления изобретения приложение для поиска и устранения неисправностей сети может предоставлять пользовательский интерфейс приложения, который позволяет пользователю обеспечивать обратную связь о том, была ли обучаемая модель машинного обучения эффективна в прогнозировании основной причины и обеспечении приоритетов устранения неисправностей сети. В таких формах осуществления изобретения сетевой инженер, администратор или административный объект могут использовать пользовательский интерфейс приложения, предоставленный приложением поиска и устранения неисправностей сети, чтобы указать, точно ли прогнозируемая основная причина идентифицировала проблему, связанную с симптомами. Кроме того, администратор или административный объект могут использовать пользовательский интерфейс приложения, чтобы указывать, обеспечивает ли установление приоритетов устранения неисправностей сети оптимальный порядок решения проблем качества обслуживания, связанных с одной или несколькими прогнозируемыми основными причинами.

Примеры процессов

[0061] Фиг. 4-6 представляют иллюстративные процессы для выполнения упреждающего анализа данных устройства и беспроводной сети оператора, чтобы спрогнозировать основную причину, связанную с проблемами качества обслуживания, и установить приоритеты устранения неисправностей сети. Каждый из процессов иллюстрируется как набор блоков в логической блок-схеме, представляющей собой последовательность операций, которые могут быть реализованы в аппаратном обеспечении, программном обеспечении или их комбинации. В контексте программного обеспечения блоки представляют собой исполняемые компьютером команды, которые при исполнении одним или несколькими процессорами выполняют перечисленные операции. Обычно исполняемые компьютером команды могут включать в себя подпрограммы, программы, объекты, компоненты, структуры данных и т.п., которые выполняют конкретные функции или реализуют конкретные абстрактные типы данных. Порядок, в котором описаны операции, не должен рассматриваться как ограничение, и любое количество описанных блоков может быть объединено в любом порядке и/или по зеркальному принципу для реализации процесса. В целях обсуждения процессы в данном документе описаны со ссылкой на архитектуру 100 фиг. 1.

[0062] Фиг. 4 - это последовательность выполняемых действий примерного процесса 400 приложения автоматического поиска и устранения неисправностей сети для выявления прогнозируемой основной причины и автоматического установления приоритетов проблем обслуживания. Реализация приложения 400 поиска и устранения неисправностей сети может первоначально включать получение данных о производительности, относящихся к операциям беспроводной сети оператора и ее компонентов, включая пользовательские устройства, из нескольких источников 110-114 данных с использованием платформы 401 адаптера данных. Более конкретно, данные о производительности могут включать в себя рабочие данные, полученные из данных запроса на устранение неисправности из источника 110 данных запросов на устранение неисправности, источника 111 рабочих данных, данных об аварийных сигналах из источника 112 данных об аварийных сигналах, релевантные данные социальных сетей из источника 113 данных из социальных сетей, и дополнительные данные из других источников 114 данных, а также любые связанные данные.

[0063] Например, связанные данные могут включать в себя пользовательские индикаторы KPI, сетевые индикаторы KPI, предупреждения, индикаторы состояния сетевого компонента и/или тому подобное. Данные о производительности могут относиться к одному или нескольким сетевым компонентам беспроводной сети оператора или к одному или нескольким компонентам пользовательских устройств, которые используют беспроводную сеть оператора. Компоненты пользовательского устройства могут включать в себя приложения устройства (например, приложение телефонии), аппаратные средства устройства (например, радиопередатчик) и/или тому подобное.

Компоненты беспроводной сети оператора могут включать в себя соты сети, элементы сети RAN, транзитные соединения, элементы базовой сети (например, серверы шлюза, функции правил политик обслуживания абонентов и тарификации (Policy and Charging Rule Functions, PCRF), ядро подсистемы передачи мультимедийного содержимого на основе Интернет-протокола (Internet Protocol, IP) (IP Multimedia Subsystem, IMS) и т.д.) и серверы Интернета (например, серверы приложений, мультимедийные серверы и т.д.). Данные могут подготавливаться для анализа посредством объединения, конвергенции и/или других форм обработки данных. В некоторых формах осуществления приложение поиска и устранения неисправностей сети может также постоянно обновлять ввод данных на основе данных из различных источников.

[0064] В блоке 402 приложение для устранения неисправностей сети анализирует полученные данные, чтобы обнаружить проблемы с сетевым обслуживанием. Проблемы могут потенциально влиять на качество услуг, которые получают абоненты одного или нескольких пользовательских устройств, когда абоненты выполняют голосовые вызовы, мультимедийные вызовы, загружают данные и/или загружают данные с использованием беспроводной сети оператора. Приложение поиска и устранения неисправностей сети может анализировать тенденции и проводить кластерный анализ и/или индивидуальный анализ. Например, приложение поиска и устранения неисправностей сети может объединять в группы источники данных для разных регионов или анализировать каждую проблему в отдельности. В некоторых формах осуществления приложение поиска и устранения неисправностей сети может делать такое определение на основе запроса, вводимого в пользовательский интерфейс приложения, который предоставляется приложением.

[0065] Фиг. 5 представляет подробный рабочий процесс для выполнения анализа прогнозируемой основной причины с использованием обучаемой модели машинного обучения. На этапе 501 модуль 210 исследования проблем проводит исследование проблем, чтобы идентифицировать симптомы, касающиеся качества обслуживания в областях с плохой производительностью. Области с плохой производительностью - это геолокации, где метрика производительности сетевого компонента ниже заранее заданного порога производительности. В качестве альтернативы, области с плохой производительностью представляют собой геолокации, где находится узкое место, ответственное за потенциальную задержку во время случая использования, или где компоненты сети имеют уровень ошибок, превышающий максимально допустимый порог ошибок. На этапе 502 модуль 210 исследования проблем связывает один или более сложных симптомов с проблемой качества обслуживания путем сопоставления симптомов с ранее сохраненным образцом производительности или симптомами, которые соответствуют конкретному типу проблемы качества обслуживания и/или основной причине. Соответственно, на этапе 503 модуль 210 исследования проблем идентифицирует конкретные долгосрочные и/или краткосрочные проблемы в областях с плохими показателями. На этапе 504 модуль анализа основной причины прогнозирует основную причину для идентифицированных проблем беспроводной сети оператора на основе набора актуальных входных данных с использованием модели машинного обучения.

[0066] На этапе 505 модуль искусственного интеллекта анализирует прогнозируемую основную причину, чтобы определить, является ли прогнозируемая основная причина на самом деле правильной основной причиной для проблем качества обслуживания. На этапе 506 принятия решения модуль искусственного интеллекта определяет, является ли прогнозируемая основная причина правильной. Если прогнозируемая основная причина верна, данные обратной связи подаются в модуль 509 искусственного интеллекта. Если прогнозируемая основная причина не верна, данные ошибки подаются в модуль искусственного интеллекта с целью уточнения модели машинного обучения для прогнозирования основной причины качества обслуживания для проблемы или проблем в блоке 507. Кроме того, приложение поиска и устранения неисправностей сети может предоставлять индикацию, например, через пользовательский интерфейс, модулю искусственного интеллекта, что прогнозируемая основная причина была некорректной или правильной. В свою очередь, обучающий модуль модели в модуле искусственного интеллекта может переобучить модель машинного обучения. Во время переобучения обучающий модуль модели может получать информацию от сетевого инженера, указывающую правильную основную причину. Соответственно, входные данные от сетевого инженера могут быть добавлены в качестве элемента данных в обучающий корпус для переобучения алгоритмов машинного обучения модели машинного обучения. В некоторых случаях техническое обслуживание может также обеспечить дополнительный ввод в обучающий модуль модели, указывающий конкретные аномальные данные (например, наблюдения или утверждения), которые должны быть удалены из обучающего корпуса. Удаление определенных аномальных данных из обучающего корпуса может помешать модели машинного обучения формировать неэффективные решения для ввода данных о производительности.

[0067] Альтернативно или одновременно, обучающий модуль модели может конфигурировать механизм обработки правил, чтобы модифицировать правила выбора алгоритма во время переобучения. Модификации правил выбора алгоритма могут изменять диапазон значений измерения ошибок обучения, которые соответствуют типу алгоритма машинного обучения, заставлять конкретные диапазоны значений измерений ошибок обучения соответствовать различным типам алгоритмов машинного обучения и/или тому подобное. Таким образом, обучающий модуль модели может формировать модифицированную обучаемую модель машинного обучения на основе обратной связи. После этого модуль искусственного интеллекта выбирает дополнительную основную причину на основе ошибки в соответствии с переобученной моделью 508 машинного обучения.

[0068] Возвращаясь к блоку 404 на фиг. 4, модуль анализа основных причин может уведомлять пользователя о прогнозируемой основной причине, связанной с одной или несколькими проблемами или неполадками, обнаруженными при помощи пользовательского интерфейса. В некоторых формах осуществления приложение для поиска и устранения неисправностей сети может выполнять уведомление путем отображения предупреждения на пользовательском интерфейсе приложения для пользователя, являющегося сетевым инженером, так что обслуживание сети может уведомлять абонентов. В других формах осуществления приложение поиска и устранения неисправностей сети может автоматически отправлять предупреждающие сообщения непосредственно абонентам, используя контактную информацию абонентов. Предупреждающее сообщение может содержать информацию, относящуюся к прогнозируемой основной причине, и это позволяет абонентам предпринимать превентивные меры для предотвращения возникновения потенциальной проблемы. В блоке 405 приложение поиска и устранения неисправностей сети предоставляет список установления приоритетов для устранения неисправностей сети, основанный на возможном воздействии с использованием обучаемой модели машинного обучения. Приложение для устранения неисправностей сети может сделать такое определение на основе запроса данных о производительности, который вводится в пользовательский интерфейс приложения.

[0069] Фиг. 6 предоставляет подробный рабочий процесс для установления приоритетов 403 устранения неисправностей сети с использованием обучаемой модели машинного обучения. На этапе 601 модуль 212 исследования воздействия выполняет анализ данных в реальном времени или не в реальном времени, чтобы количественно оценить степень снижения производительности для каждого узла с плохой производительностью, как указано в блоке 601. На этапе 602 модуль 212 исследования воздействия определяет продолжительность и потенциальное влияние снижения производительности, связанное с каждым узлом с плохой производительностью. Например, модуль исследования воздействия может идентифицировать количество абонентов, использование данных которых отрицательно повлияло на производительность перегруженной соты сети при геолокации. На этапе 603 модуль 212 исследования воздействия классифицирует по меньшей мере одну проблему как связанную с краткосрочной и/или долгосрочной проблемой качества обслуживания. На этапе 604 модуль 212 исследования воздействия идентифицирует главных нарушителей. В таких случаях модуль исследования воздействия может анализировать производительность различных сот сети, чтобы сформировать список из одной или нескольких сот, наиболее нарушающих правила, которые влияют на качество обслуживания.

[0070] На этапе 605 модуль 211 установления приоритетов ранжирует устранение неисправностей сети для каждого плохо работающего узла в порядке убывания приоритета с использованием обучаемой модели 605 машинного обучения. В некоторых формах осуществления изобретения модуль 211 установления приоритетов может использовать предварительно определенные аналитические правила, а также параметры для анализа приоритетности различных типов собранных данных. На этапе 606 модуль 122 искусственного интеллекта анализирует, было ли оптимальным установление приоритетов устранения неисправностей сети. На этапе 607 принятия решения модуль 122 искусственного интеллекта определяет, является ли установление приоритетов оптимальным. Если установление приоритетов устранения неисправностей сети является оптимальным, данные обратной связи подаются в модуль 610 искусственного интеллекта. Если установление приоритетов не является оптимальным, данные ошибки подаются в модуль искусственного интеллекта для уточнения модели машинного обучения для установления приоритетов 608 устранения неисправностей сети. Кроме того, приложение поиска и устранения неисправностей сети может указывать модулю искусственного интеллекта, что приоритеты устранения неисправностей сети не были оптимальными и требуют корректировки. В свою очередь, обучающий модуль модели в модуле искусственного интеллекта может переобучить модель машинного обучения, как описано выше, на основе обратной связи относительно точности установления приоритетов устранения неисправностей сети. Кроме того, обучающий модуль модели может конфигурировать механизм выполнения правил для изменения выбора алгоритма машинного обучения во время переобучения, как описано выше. После этого, модуль 211 определения приоритетов повторно назначает приоритеты устранения неисправностей сети на основе ошибки в соответствии с переобученной моделью машинного обучения, как указано в блоке 609.

[0071] Возвращаясь теперь к блоку 406 на фиг. 4, модуль 214 автоматического исправления может рекомендовать последовательность действий для решения каждой проблемы или проблем, связанных с прогнозируемой основной причиной. В некоторых формах осуществления изобретения модуль 214 автоматического исправления может использовать логику машинного обучения для определения решения по основным причинам и повышения качества обслуживания, предоставляемого абонентам. Модуль 214 автоматического исправления может выбирать решение из базы данных решений.

[0072] Например, последовательности действий могут включать в себя перемещение малой соты сети в другое место, переориентацию антенны малой соты сети в другом направлении, чтобы изменить форму зоны покрытия соты, изменение пропускной способности передачи данных связи между малой сотой сети и макросотой, обновление программного обеспечения устройства малой соты сети и/или тому подобное. Последовательности действий могут визуализироваться приложением 118 поиска и устранения неисправностей сети пользователю при помощи пользовательского интерфейса приложения. Информация об основной причине и/или решении для основной причины может быть визуализирована со ссылкой на конкретных абонентов, конкретные пользовательские устройства, конкретные геолокации, конкретные географические области, конкретные соты сети и/или тому подобное. Как указано в блоке 407, порядок действий или устранение неисправности сети для каждого узла, связанного с проблемой, реализуется в порядке приоритета на основе установления приоритетов устранения неисправностей сети. Действие исправления может также включать отправку другого предупреждающего сообщения сетевому инженеру. В некоторых формах осуществления пользователь может реконфигурировать установление приоритетов устранения неисправностей сети или разрешение для реализации на основе представленной информации.

[0073] Как указано в блоке 408, модуль 217 проверки средства 121 отслеживания действий отслеживает или просматривает характеристики каждого изменения, выполненного в узлах. В связи с этим пользовательский интерфейс приложения поиска и устранения неисправностей сети может предоставлять унифицированное представление о всеобъемлющем взгляде на производительность беспроводной сети оператора в географической области, так что пользователь может исследовать интеграцию сетевых компонентов в этой области. В различных формах осуществления изобретения данные о производительности могут быть визуализированы в соответствии с конкретными абонентами, конкретными географическими местоположениями, конкретными географическими областями, конкретными сотами сети и/или тому подобное. В некоторых случаях средство 121 отслеживания действий может дополнительно формировать рабочий журнал, который документирует основные причины, установление приоритетов устранения неисправностей сети и решения проблем сети.

[0074] Для отслеживания производительности сетевых устройств в отношении малых сот сети, макросот и транзитных соединений беспроводной сети оператора приложение для поиска и устранения неисправностей сети может дополнительно выбирать метрики качества обслуживания для пользовательских устройств абонентов, когда пользовательские устройства получают доступ к беспроводной сети оператора через одну или более малых сот сети в географической области. В различных формах осуществления метрики качества обслуживания могут включать в себя задержки установления вызова, среднюю экспертную оценку (Mean Opinion Score, MOS) качества звука вызова, записи проблем одностороннего звука, записи сбрасывания вызовов и/или тому подобное.

[0075] В некоторых формах осуществления изобретения приложение 118 поиска и устранения неисправностей сети может сравнивать производительность одной или нескольких малых сот сети в географической области по отношению к метрикам качества обслуживания для пользовательских устройств. В различных формах осуществления малая сота сети может быть микросотой, фемтосотой или пикосотой. Производительность малой соты сети может включать в себя доступную полосу пропускания соты сети, зону покрытия сигнала соты, пропускную способность данных соты сети, среднее время наработки соты сети и/или тому подобное в течение интервала времени.

[0076] В блоке 409 принятия решения модуль 218 обратной связи средства 121 отслеживания действий анализирует, было ли достигнуто ожидаемое улучшение производительности, при этом ожидаемое улучшение производительности достигается, когда уровень производительности сети равен или превышает заранее заданный порог. Если ожидаемое улучшение производительности не достигается или уровень производительности сети не превышает заранее заданного порога, то модуль 214 автоматического исправления в модуле 120 рекомендации реализует другое устранение неисправности сети, связанное с проблемой качества обслуживания. Этот процесс повторяется до тех пор, пока не будет достигнуто ожидаемое улучшение производительности.

[0077] Упреждающий анализ данных о производительности пользовательских устройств и данных о беспроводной сети оператора для автоматического прогнозирования основной причины и установления приоритетов устранения неисправностей сети для проблем качества обслуживания, соответствующих основной причине, может помочь последующему устранению неисправностей и улучшить общее качество оказание услуг. Кроме того, использование модели машинного обучения во время анализа может минимизировать потенциальные проблемы, связанные с прогнозируемыми основными причинами, до того, как проблемы коснутся абонентов, и устранить основные причины наиболее оптимальным образом.

Заключение

[0078] Хотя предмет изобретения был описан на языке, специфичном для структурных признаков и/или действий способов, следует понимать, что предмет, определенный в прилагаемой формуле изобретения, не обязательно ограничен описанными конкретными признаками или действиями. Напротив, конкретные признаки и действия раскрыты как примеры реализации формулы изобретения.

Похожие патенты RU2753962C2

название год авторы номер документа
Способ поиска пользователей, соответствующих требованиям 2019
  • Ефремов Андрей Анатольевич
RU2739873C2
КОНТРОЛЬ СОБЫТИЯ В ПРЕОБРАЗОВАТЕЛЕ МОЩНОСТИ 2021
  • Хехт, Фабиан
  • Роска, Корнел-Марьян
RU2817709C1
ОСНОВАННОЕ НА МОДЕЛИ УПРАВЛЕНИЕ КОМПЬЮТЕРНЫМИ СИСТЕМАМИ И РАСПРЕДЕЛЕННЫМИ ПРИЛОЖЕНИЯМИ 2004
  • Макколлум Реймонд В.
  • Паланка Раду Р.
  • Пфеннинг Йорг Т.
  • Саттон Александр М.
  • Браун Марк Р.
RU2375744C2
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения 2021
  • Симон Игорь Владимирович
  • Корябкин Виталий Викторович
  • Макаров Виктор Александрович
  • Осмоналиева Оксана Таалаевна
  • Байболов Тимур Серикбаевич
  • Семенихин Артем Сергеевич
  • Чебуняев Игорь Александрович
  • Васильев Василий Олегович
  • Голицына Мария Вадимовна
  • Стивен Лорд
RU2772851C1
ПОРТАТИВНЫЙ ИНСТРУМЕНТ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ В ПОЛЕВЫХ УСЛОВИЯХ С ИМИТАЦИЕЙ ПОЛЕВОГО УСТРОЙСТВА ДЛЯ ОБУЧЕНИЯ ИЛИ ТИПОВЫХ ИСПЫТАНИЙ 2011
  • Матиовец Брэд Н.
  • Канцес Кристофер П.
  • Тепке Тодд М.
  • Янг Кун
  • Ланд Адам Е.
RU2563775C2
Рекомендательная система подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных и способ подбора персонала с использованием машинного обучения и с понижением размерности многомерных данных 2019
  • Даньщин Георгий Андреевич
  • Реушкин Виктор Викторович
  • Сидоров Александр Алексеевич
RU2711717C1
РАСПРЕДЕЛЁННОЕ ОБУЧЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПЕРСОНАЛИЗАЦИИ 2018
  • Кудинов Михаил Сергеевич
  • Пионтковская Ирина Игоревна
  • Невидомский Алексей Юрьевич
  • Попов Вадим Сергеевич
  • Вытовтов Петр Константинович
  • Полуботко Дмитрий Валерьевич
  • Малюгина Ольга Валерьевна
RU2702980C1
КОМПЬЮТЕРНЫЕ СИСТЕМЫ, ВЫЧИСЛИТЕЛЬНЫЕ КОМПОНЕНТЫ И ВЫЧИСЛИТЕЛЬНЫЕ ОБЪЕКТЫ, ВЫПОЛНЕННЫЕ С ВОЗМОЖНОСТЬЮ РЕАЛИЗАЦИИ УМЕНЬШЕНИЯ ОБУСЛОВЛЕННОГО ВЫБРОСОВЫМИ ЗНАЧЕНИЯМИ ДИНАМИЧЕСКОГО ОТКЛОНЕНИЯ В МОДЕЛЯХ МАШИННОГО ОБУЧЕНИЯ 2020
  • Джоунс, Ричард Б.
RU2813245C1
МНОГОЭТАПНОЕ ОБУЧЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАНЖИРОВАНИЯ РЕЗУЛЬТАТОВ ПОИСКА 2021
  • Боймель Александр Алексеевич
  • Соболева Дарья Михайловна
RU2824338C2
СЕГМЕНТАЦИЯ И ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ ПАТТЕРНОВ ШЛЕЙФОВ НИЗКОГО УРОВНЯ 2020
  • Уайтинг, Озге Кэн
  • Амбати, Раджив Бхатт
  • Узунбас, Мустафа Гёкхан
  • Хоанг, Тхай
RU2783420C1

Иллюстрации к изобретению RU 2 753 962 C2

Реферат патента 2021 года Сетевой помощник на основе искусственного интеллекта

Изобретение относится к машиночитаемому носителю и способу анализа данных для устранения неисправностей сети. Технический результат заключается в повышении точности прогнозирования неисправности сети. Способ включает прием, на платформе адаптера данных, выполняющейся на одном или более вычислительных узлах, данных о производительности, относящихся к пользовательским устройствам и сетевым компонентам беспроводной сети оператора, из нескольких источников данных, причем данные о производительности включают одно или более из следующего: данные о производительности сетевого компонента, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности; идентификацию, в приложении поиска и устранения неисправностей сети, выполняющемся на одном или более вычислительных узлах, по меньшей мере одной проблемы качества обслуживания (QoS) сети, влияющей на производительность сети в одной или более географических областях с низкой производительностью, причем эта проблема QoS сети отрицательно влияет на производительность пользовательских устройств или сетевых компонентов так, что уровень производительности падает ниже заранее заданного порога; анализ, с помощью приложения для поиска и устранения неисправностей сети, выполняемого на одном или более вычислительных узлах, данных о производительности с использованием обучаемой модели машинного обучения для определения прогнозируемой основной причины проблемы QoS сети, влияющей на производительность сети, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности; предоставление, через приложение поиска и устранения неисправностей сети, выполняемое на одном или более вычислительных узлах, прогнозируемых основных причин для представления через пользовательский интерфейс; уточнение модели машинного обучения на основе обратной связи от пользователя, касающейся точности прогнозируемой основной причины, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: обучающего корпуса, который модифицируют на основе упомянутой обратной связи, или одного или более правил выбора модифицированного алгоритма; предоставление приоритетов устранения неисправностей сети для каждой из проблем QoS сети, чтобы реализовать решение, которое устраняет прогнозируемую основную причину проблемы QoS сети; и уточнение модели машинного обучения на основе обратной связи от пользователя относительно точности приоритетов устранения неисправностей сети, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: упомянутого обучающего корпуса, который модифицируют на основе упомянутой обратной связи, или одного или более правил выбора модифицированного алгоритма. 2 н. и 8 з.п. ф-лы, 6 ил.

Формула изобретения RU 2 753 962 C2

1. Машиночитаемый носитель, хранящий исполняемые компьютером команды, которые при исполнении посредством одного или более процессоров заставляют эти один или более процессоров (202) выполнять этапы способа, включающие:

прием (401) данных о производительности в отношении пользовательских устройств и сетевых компонентов беспроводной сети из нескольких источников данных, причем данные о производительности включают в себя одно или более из следующего: данные о производительности сетевого компонента, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности;

идентификацию (402) по меньшей мере одной проблемы качества обслуживания (QoS) сети, влияющей на производительность сети в одной или более географических областях с низкой производительностью, причем эта проблема QoS сети отрицательно влияет на производительность пользовательских устройств или сетевых компонентов так, что уровень производительности падает ниже заранее заданного порога;

анализ (403) данных о производительности с использованием обучаемой модели машинного обучения для выявления прогнозируемой основной причины проблемы QoS сети, влияющей на производительность сети, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности;

предоставление (404) прогнозируемой основной причины для представления через пользовательский интерфейс;

уточнение (509) модели машинного обучения на основе обратной связи от пользователя относительно точности прогнозируемой основной причины, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: обучающего корпуса, который модифицируют на основе упомянутой обратной связи, или одного или более правил выбора модифицированного алгоритма;

предоставление (605) приоритетов устранения неисправностей сети для каждой из проблем QoS сети, чтобы реализовать решение, которое устраняет прогнозируемую основную причину проблемы QoS сети; и

уточнение (610) модели машинного обучения на основе обратной связи от пользователя относительно точности приоритетов устранения неисправностей сети, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: упомянутого обучающего корпуса, который модифицируют на основе обратной связи, или одного или более правил выбора модифицированного алгоритма.

2. Машиночитаемый носитель по п.1, в котором этапы дополнительно включают:

выдачу рекомендации использовать обучаемую модель машинного обучения и

рекомендации по меньшей мере одной последовательности действий на основе прогнозируемой основной причины для решения по меньшей мере одной проблемы QoS сети; и

установление приоритетов устранения неисправностей сети для по меньшей мере одной проблемы QoS сети, чтобы реализовать последовательность действий для решения проблемы QoS сети в определенном порядке.

3. Машиночитаемый носитель по п.1, в котором этапы дополнительно содержат:

выдачу рекомендации использовать обучаемую модель машинного обучения и

рекомендации по меньшей мере одной последовательности действий на основе прогнозируемой основной причины для решения по меньшей мере одной проблемы QoS сети;

просмотр изменений, внесенных в один или более узлов в одной или более географических областях с плохой производительностью, на основе последовательности действий; и

отслеживание производительности сети, чтобы определить, достигнуто ли ожидаемое улучшение производительности.

4. Машиночитаемый носитель по п.1, в котором прогнозируемая основная причина является первой прогнозируемой основной причиной, причем этапы дополнительно включают:

определение того, что точность первой прогнозируемой основной причины находится ниже заданного порога, на основании, по меньшей мере частично, измерения ошибки обучения;

переобучение обучаемой модели машинного обучения с использованием дополнительного типа алгоритма машинного обучения, основанное на измерении ошибки обучения, связанной с первой прогнозируемой основной причиной; и

предоставление второй прогнозируемой основной причины для представления через пользовательский интерфейс.

5. Машиночитаемый носитель по п.1, в котором анализ данных о

производительности включает в себя отслеживание геолокации пользовательского устройства в течение интервала времени и дополнительный анализ данных о производительности, которые связаны с геолокациями, для определения прогнозируемой основной причины.

6. Машиночитаемый носитель по п.1, в котором анализ данных о

производительности включает в себя анализ производительности различных сот сети, чтобы сформировать список из одной или более сот с наибольшим уровнем нарушений, которые вносят свой вклад в проблему QoS сети.

7. Машиночитаемый носитель по п.1, в котором анализ данных о

производительности включает в себя анализ данных о производительности с использованием обучаемой модели машинного обучения для определения потенциального воздействия, влияющего на беспроводную сеть оператора.

8. Машиночитаемый носитель по п.1, в котором установление приоритетов устранения неисправностей сети является первым установлением приоритетов устранения неисправностей сети, и при этом этапы дополнительно содержат:

определение того, что первое установление приоритетов устранения неисправностей сети не является оптимальным;

переобучение обучаемой модели машинного обучения с использованием дополнительного типа алгоритма машинного обучения, основанное на измерении ошибки обучения, связанной с установлением приоритетов устранения неисправностей сети; и

второе установление приоритетов устранения неисправностей сети для представления через пользовательский интерфейс.

9. Реализуемый компьютером способ анализа данных для устранения неисправностей сети, включающий:

прием (401), на платформе адаптера данных, выполняющейся на одном или более вычислительных узлах, данных о производительности, относящихся к пользовательским устройствам и сетевым компонентам беспроводной сети оператора, из нескольких источников данных, причем данные о производительности включают одно или более из следующего: данные о производительности сетевого компонента, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности;

идентификацию (402), в приложении поиска и устранения неисправностей сети, выполняющемся на одном или более вычислительных узлах, по меньшей мере одной проблемы качества обслуживания (QoS) сети, влияющей на производительность сети в одной или более географических областях с низкой производительностью, причем эта проблема QoS сети отрицательно влияет на производительность пользовательских устройств или сетевых компонентов так, что уровень производительности падает ниже заранее заданного порога;

анализ (403), с помощью приложения для поиска и устранения неисправностей сети, выполняемого на одном или более вычислительных узлах, данных о производительности с использованием обучаемой модели машинного обучения для определения прогнозируемой основной причины проблемы QoS сети, влияющей на производительность сети, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности;

предоставление (404), через приложение поиска и устранения неисправностей сети, выполняемое на одном или более вычислительных узлах, прогнозируемых основных причин для представления через пользовательский интерфейс;

уточнение (509) модели машинного обучения на основе обратной связи от пользователя, касающейся точности прогнозируемой основной причины, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: обучающего корпуса, который модифицируют на основе упомянутой обратной связи, или одного или более правил выбора модифицированного алгоритма;

предоставление (605) приоритетов устранения неисправностей сети для каждой из проблем QoS сети, чтобы реализовать решение, которое устраняет прогнозируемую основную причину проблемы QoS сети; и

уточнение (610) модели машинного обучения на основе обратной связи от пользователя относительно точности приоритетов устранения неисправностей сети, причем уточнение включает в себя переобучение модели машинного обучения на основе по меньшей мере одного из следующего: упомянутого обучающего корпуса, который модифицируют на основе упомянутой обратной связи, или одного или более правил выбора модифицированного алгоритма.

10. Реализуемый компьютером способ по п.9, в котором предоставление приоритетов устранения неисправностей сети для каждой из проблем QoS сети включает: анализ производительности различных сот сети, чтобы сформировать список из одной или более сот, являющихся главными нарушителями правил, которые способствуют возникновению проблемы QoS сети; и

ранжирование одной или более сот, являющихся главными нарушителями правил, в порядке приоритета для установления приоритетов устранения неисправностей сети для проблемы QoS сети для реализации решения, которое устраняет предполагаемую основную причину проблемы QoS сети.

Документы, цитированные в отчете о поиске Патент 2021 года RU2753962C2

Многоступенчатая активно-реактивная турбина 1924
  • Ф. Лезель
SU2013A1
Многоступенчатая активно-реактивная турбина 1924
  • Ф. Лезель
SU2013A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
Приспособление для суммирования отрезков прямых линий 1923
  • Иванцов Г.П.
SU2010A1
Способ защиты переносных электрических установок от опасностей, связанных с заземлением одной из фаз 1924
  • Подольский Л.П.
SU2014A1
Станок для изготовления деревянных ниточных катушек из цилиндрических, снабженных осевым отверстием, заготовок 1923
  • Григорьев П.Н.
SU2008A1
Способ и приспособление для нагревания хлебопекарных камер 1923
  • Иссерлис И.Л.
SU2003A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
Устройство для закрепления лыж на раме мотоциклов и велосипедов взамен переднего колеса 1924
  • Шапошников Н.П.
SU2015A1

RU 2 753 962 C2

Авторы

Тапия Пабло

Даты

2021-08-24Публикация

2017-06-07Подача