ملخص تقني: التنبؤ التكيفي لعتبات الإنذار في شبكات الجيل الرابع (4G) المتنقلة

1. تعريف المشكلة

في مجال الاتصالات المتنقلة، تعمل الإنذارات كإشارات تحذير مبكرة بالغة الأهمية لتدهور الخلايا أو فشلها. حالياً، يعتمد المشغلون على عتبات ثابتة ومعدة يدوياً لإطلاق هذه الإنذارات (مثل الحد الأقصى لوقت الخمول، أو عدد التقلبات). تفشل هذه العتبات الثابتة في مراعاة ظروف الشبكة الديناميكية، مثل الوقت من اليوم، أو يوم الأسبوع، أو حجم حركة المرور، أو سلوكيات الموردين (Vendors) المحددة. ونتيجة لذلك، يؤدي هذا الجمود إلى فشلين تشغيليين:

1. الأعطال المفقودة: تظل المشكلات الخطيرة خلال فترات حركة المرور العالية دون اكتشاف لأن العتبات الثابتة متساهلة للغاية بالنسبة للضجيج.
2. الإنذارات الكاذبة: تؤدي التقلبات الطفيفة والطبيعية خلال فترات الهدوء إلى استدعاء المهندسين دون داعٍ.

يكمن التحدي الجوهري الذي تعالجه هذه الورقة في مشكلة التنبؤ بعتبة الإنذار التكيفية: التنبؤ بحد القرار الأمثل (العتبة) ديناميكياً بناءً على سلوك الشبكة الحي. وتتمثل إحدى العقبات الكبيرة في غياب تسميات "الحقيقة الأرضية" (Ground Truth)؛ حيث لا يوجد سجل شبكة يذكر صراحةً ما هي العتبة "الصحيحة" التي كان ينبغي استخدامها في لحظة معينة.

2. المنهجية

2.1 اشتقاق البيانات والتسميات

تستخدم الدراسة مجموعة بيانات مجهولة المصدر من شبكة 4G حقيقية في جنوب آسيا، تضم 10,648 خلية فريدة عبر ثلاثة موردين للمعدات وتسعة مناطق جغرافية على مدى عشرة أيام (14,054 سجل خلية-يوم).

• هندسة الميزات: يتضمن متجه المدخلات 123 ميزة، تغطي السياق الزمني (الوقت من اليوم، يوم الأسبوع)، وأوقات الخمول الخام وعدد التقلبات، وتجميعات الفترات الزمنية، والإحصائيات المتحركة، بالإضافة إلى مؤشرات المورد والمنطقة.
• اشتقاق التسميات الموجه بالنسب المئوية: لحل مشكلة غياب الحقيقة الأرضية، قدم المؤلفون استراتيجية لاشتقاق التسميات مباشرة من إحصائيات البيانات:
  • طول النافذة ($t_1$): بناءً على عدد الساعات التي تتجاوز مدة خمول قدرها 5 دقائق في الساعات الثماني التالية.
  • وقت الخمول ($t_2$): مشتق من المئوية 75 لوقت الخمول في النافذة، مع تعديله بعوامل حساسية لذروات الصباح، وساعات المساء، وأوقات خارج الذروة.
  • عتبات التقلب ($t_3, t_4$): مشتقة من المئوية 90 لعدد التقلبات، مع حد أدنى قدره 1.
  • التحقق: أكد اختبار "كولموغروف-سميرنوف" أن اشتقاق التسميات من مجموعة فرعية من الخلايا لم يؤدِ إلى إدخال انحياز، مما أثبت صحة استخدام مجموعة البيانات كاملة للتدريب.

2.2 بنيات النماذج

تم تقييم أربعة نماذج للتنبؤ بأربعة أهداف في آن واحد: مدة نافذة التدقيق، حد وقت الخمول، إجمالي عدد التقلبات، وحد التقلب لكل ساعة.

1. XGBoost (النموذج المرجعي): نموذج تعزيز متدرج (Gradient Boosted Tree) يستخدم دالة فقد "pseudo-Huber". وهو يعمل كمعيار للبيانات الجدولية الكلاسيكية.
2. CNN-BiLSTM مع آلية الانتباه (Attention): نموذج تسلسلي هجين يستخدم طبقات تلافيفية (Convolutional layers) لاستخراج الأنماط المحلية، وLSTM ثنائي الاتجاه (Bidirectional LSTM) للاعتماديات الزمنية، وآلية الانتباه متعدد الرؤوس لوزن الساعات ذات الصلة بناءً على السياق.
3. iTransformer: نموذج متطور تم تكييفه لهذه المهمة. على عكس نماذج "Transformer" القياسية التي تركز الانتباه عبر الخطوات الزمنية، يعامل iTransformer كل ميزة كرمز (Token) ويتعلم الانتباه عبر بُعد الميزات، وهو ما يناسب بيانات الإنذار متعددة المتغيرات بشكل أفضل.
4. PCTN (المقترح): شبكة عتبة السياق الموجهة بالنسب المئوية (Percentile Guided Contextual Threshold Network). هذه البنية المبتكرة تفصل التنبؤ بالعتبة إلى مرحلتين قابلتين للتفسير:
   • المرحلة 1 (تعلم التوزيع): تتعلم التوزيع الإحصائي (المتوسط $\mu$ والتباين $\sigma$) لسلوك الشبكة لسياق معين باستخدام مشفر يعتمد على "Transformer" مع تجميع الانتباه (Attention Pooling).
   • المرحلة 2 (الاشتقاق التحليلي): تشتق العتبات تحليلياً من التوزيع المتعلم بدلاً من التنبؤ بها مباشرة.
     • $\alpha$ الديناميكي: يستخدم معامل $\alpha$ متعلم لضبط مقياس العتبة ($\theta = \mu + \alpha\sigma$)، مما يسمح للمشغلين بتعديل درجة "التحفظ" دون إعادة التدريب.
     • الرؤوس المتخصصة:
       • الرأس الفئوي (Categorical Head): لأطوال النوافذ المنفصلة (2-8 ساعات).
       • الرأس الغاوسي (Gaussian Head): لوقت الخمول المستمر.
       • بوابة بيرنولي (Bernoulli Gate): لأهداف التقلب، التي تعاني من عدم توازن شديد في الفئات (94% من القيم هي الحد الأدنى 1.0). تقوم البوابة أولاً بالتنبؤ ما إذا كانت القيمة أعلى من الحد الأدنى، ثم تتنبأ بالمقدار.

2.3 استراتيجية التدريب

يدعم الإطار إعادة التدريب التدريجي اليومي. بينما يتم إعادة تدريب XGBoost بالكامل، تستخدم النماذج العصبية (PCTN، iTransformer، CNN-BiLSTM) عملية الضبط الدقيق (Fine-tuning) لمدة (5-10 حقبات) على البيانات الجديدة يومياً، مستفيدة من الأوزان من الأيام السابقة لالتقاط الاتجاهات المتطورة بكفاءة.

3. النتائج الرئيسية

تم تقييم النماذج على مجموعة اختبار محجوزة (3 أيام) باستخدام متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد ($R^2$).

• الأداء العام: حقق نموذج PCTN أفضل متوسط $R^2$ عام قدره 0.733 وأقل متوسط MAE قدره 0.290. وقد تفوق على iTransformer ($R^2$ = 0.436)، وCNN-BiLSTM ($R^2$ = 0.324)، وXGBoost ($R^2$ = -31.03).
• الكفاءة: يستخدم PCTN عدد 142,261 معلمة، وهو ما يقل بنسبة 83% عن عدد معلمات iTransformer (818,508 معلمة)، ومع ذلك فهو يتفوق عليه في ثلاثة من أصل أربعة أهداف.
• الدلالة الإحصائية: كانت المقارنات الزوجية بين PCTN وجميع النماذج المرجعية ذات دلالة إحصائية ($p < 0.001$) عبر اختبار "ويلكوكسون" للرتب الموقعة.
• رؤى خاصة بالأهداف:
  • أهداف التقلب: حقق PCTN قيمة $R^2 \approx 0.57$ في أهداف التقلب، بينما فشلت النماذج العصبية الأخرى ($R^2 \approx 0$ أو سالبة). ويُعزى هذا النجاح بالكامل إلى بوابة بيرنولي، التي تدرس صراحة الطبيعة الثنائية لمشكلة تركيز القيم عند الحد الأدنى.
  • فشل XGBoost: فشل XGBoost في الأهداف المستمرة ($R^2 < -100$) بسبب فشل الاستقراء الميزاتي (Feature Extrapolation Failure). فعندما تجاوزت بيانات الاختبار (يوم عالي الإجهاد) نطاق التدريب، لم تتمكن النماذج الشجرية من التعميم، بينما نجحت النماذج العصبية في الاستكمال (Interpolation).
  • القابلية للتفسير: تباينت قيم $\alpha$ الديناميكية في PCTN بشكل معنوي عبر العينات (على سبيل المثال، تراوح $\alpha$ لوقت الخمول من 8.8 إلى 22.2)، مما سمح للمشغلين بفحص وتعديل "التحفظ" في السياسة لخلية معينة يدوياً دون الحاجة لإعادة التدريب.

4. الأهمية والادعاءات

تدعي الورقة المساهمات والأهمية التالية:

1. الصياغة الرسمية الأولى: يعد هذا أول عمل يصيغ التنبؤ بالعتبة التكيفية للإنذار كمسألة تعلم آلي تحت الإشراف، منتقلاً من مجرد اكتشاف الأعطال إلى التنبؤ بحد القرار نفسه.
2. استراتيجية اشتقاق التسميات: تقدم طريقة موجهة بالنسب المئوية لإنشاء إشراف تدريبي من بيانات تشغيلية غير موسومة، والتي تم التحقق من خلوها من الانحياز الدائري.
3. بنية PCTN: تثبت بنية PCTN المقترحة أن المحاذاة الهيكلية مع خصائص البيانات (باستخدام رؤوس فئوية، وغاوسية، وبيرنولي) أكثر فعالية من مجرد زيادة حجم النموذج. فقد حققت دقة تضاهى أحدث المعايير بتكلفة حوسبية أقل بكثير.
4. الفائدة التشغيلية: يتيح إطار العمل إعادة التدريب اليومي، مما يسمح للعتبات بالتكيف مع سلوكيات الشبكة المتغيرة. والأهم من ذلك، أن المخرجات القابلة للتفسير (المتوسط، التباين، $\alpha$ الدينماكي) تسمح لمشغلي الشبكة بفحص منطق النموذج وتعديل العتبات يدوياً لسياقات محددة، مما يسد الفجوة بين الذكاء الاصطناعي "الصندوق الأسود" والتحكم التشغيلي.
5. المتانة: تسلط الدراسة الضوء على أن النماذج العصبية أكثر متانة تجاه أحداث الإجهاد الجديدة (الاستقراء) مقارنة بالنماذج الشجرية، مما يجعلها أكثر أماناً للنشر في بيئات الإنتاج الديناميكية.

يخلص المؤلفون إلى أنه على الرغم من أن الدراسة الحالية هي إثبات مفهوم محدود ببيانات 4G ونافذة زمنية مدتها 10 أيام، إلا أن إطار العمل يوفر مساراً قابلاً للتوسع نحو الحفاظ على جودة الخدمة (QoS) دون زيادة تناسبية في الجهد الهندسي مع تطور الشبكات نحو 5G.