A metric for determining the significance of failures and its use in anomaly detection case study: Mobile network management data from lte network

Robin Babujee Jerome*, Kimmo Hätönen

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

1 Sitaatiot (Scopus)

Abstrakti

In big data analytics and machine learning applications on telecom network measurement data, accuracy of findings during the analysis phase greatly depends on the quality of the training data set. If the training data set contains data from Network Elements (NEs) with high number of failures and high failure rates, such behavior will be assumed as normal. As a result, the analysis phase will fail to detect NEs with such behavior. High failure ratios have traditionally been considered as signs of faults in NEs. Operators use wellknown Key Performance Indicators (KPIs), such as, e. g., Drop Call Ratio and Handover failure ratio to identify misbehaving NEs. The main problem with these KPIs based on failure ratios is their unstable nature. This paper proposes a method of measuring the significance of failures and its use in training set filtering.

AlkuperäiskieliEnglanti
OtsikkoEngineering Applications of Neural Networks - 16th International Conference, EANN 2015, Proceedings
KustantajaSpringer Verlag
Sivut171-180
Sivumäärä10
Vuosikerta517
ISBN (painettu)9783319239811
DOI - pysyväislinkit
TilaJulkaistu - 2015
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Engineering Applications of Neural Networks - Rhodes, Kreikka
Kesto: 25 syyskuuta 201528 syyskuuta 2015
Konferenssinumero: 16

Julkaisusarja

NimiCommunications in Computer and Information Science
Vuosikerta517
ISSN (painettu)1865-0929

Conference

ConferenceInternational Conference on Engineering Applications of Neural Networks
LyhennettäEANN
MaaKreikka
KaupunkiRhodes
Ajanjakso25/09/201528/09/2015

Sormenjälki Sukella tutkimusaiheisiin 'A metric for determining the significance of failures and its use in anomaly detection case study: Mobile network management data from lte network'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä