Resumen Técnico: Predicción Adaptativa de Umbrales de Alarma en Redes Móviles 4G

1. Definición del Problema

En las telecomunicaciones móviles, las alarmas actúan como señales de alerta temprana críticas para la degradación o fallo de las celdas. Actualmente, los operadores dependen de umbrales estáticos configurados manualmente para activar estas alarmas (por ejemplo, tiempo máximo inactivo, conteos de fluctuación). Estos umbrales fijos no tienen en cuenta las condiciones dinámicas de la red, como la hora del día, el día de la semana, el volumen de tráfico y los comportamientos específicos del proveedor. En consecuencia, esta rigidez conduce a dos fallos operativos:

1. Fallas no detectadas: Problemas graves durante períodos de alto tráfico pasan desapercibidos porque los umbrales estáticos son demasiado permisivos para el ruido.
2. Falsas alarmas: Fluctuaciones menores y normales durante períodos tranquilos activan llamadas innecesarias a ingenieros.

El desafío central abordado por este artículo es el problema de predicción adaptativa de umbrales de alarma: predecir la frontera de decisión óptima (umbral) dinámicamente basándose en el comportamiento en vivo de la red. Un obstáculo significativo es la ausencia de etiquetas de verdad fundamental; ningún registro de red indica explícitamente cuál debería haber sido el "umbral correcto" en un momento específico.

2. Metodología

2.1 Datos y Derivación de Etiquetas

El estudio utiliza un conjunto de datos anonimizado de una red 4G real en el sur de Asia, que comprende 10,648 celdas únicas de tres proveedores de equipos y nueve regiones geográficas durante diez días (14,054 registros de celda-día).

• Ingeniería de Características: El vector de entrada incluye 123 características, que abarcan contexto temporal (hora del día, día de la semana), tiempos inactivos horarios y conteos de fluctuación crudos, agregaciones por bloques de tiempo, estadísticas de ventana deslizante e indicadores de proveedor/región.
• Derivación de Etiquetas Guiada por Percentiles: Para resolver la falta de verdad fundamental, los autores introducen una estrategia para derivar etiquetas directamente de las estadísticas de los datos:
  • Longitud de Ventana ($t_1$): Basada en el conteo de horas que superan un umbral de inactividad de 5 minutos en las siguientes 8 horas.
  • Tiempo Inactivo ($t_2$): Derivado del percentil 75 del tiempo inactivo de la ventana, ajustado por factores de sensibilidad para picos matutinos, horas nocturnas y horas fuera de pico.
  • Umbrales de Fluctuación ($t_3, t_4$): Derivados del percentil 90 de los conteos de fluctuación con un piso de 1.
  • Validación: Una prueba de Kolmogorov-Smirnov confirmó que derivar etiquetas de un subconjunto de celdas no introdujo sesgo, validando el uso del conjunto de datos completo para el entrenamiento.

2.2 Arquitecturas de Modelos

Se evaluaron cuatro modelos para predecir cuatro objetivos simultáneamente: duración de la ventana de auditoría, límite de tiempo inactivo, conteo total de fluctuaciones y límite de fluctuación por hora.

1. XGBoost (Línea Base): Una línea base de Árbol de Impulso de Gradiente que utiliza pérdida pseudo-Huber. Sirve como referencia clásica para datos tabulares.
2. CNN-BiLSTM con Atención: Un modelo secuencial híbrido que utiliza capas convolucionales para la extracción de patrones locales, LSTM bidireccional para dependencias temporales y atención multi-cabeza para ponderar horas relevantes según el contexto.
3. iTransformer: Un modelo de última generación adaptado para esta tarea. A diferencia de los Transformadores estándar que atienden a través de pasos de tiempo, el iTransformer trata cada característica como un token y aprende la atención a través de la dimensión de la característica, lo cual es más adecuado para datos de alarmas multivariados.
4. PCTN (Propuesto): La Red de Umbral Contextual Guiada por Percentiles. Esta arquitectura novedosa desacopla la predicción de umbrales en dos etapas interpretables:
   • Etapa 1 (Aprendizaje de Distribución): Aprende la distribución estadística (media $\mu$ y varianza $\sigma$) del comportamiento de la red para un contexto dado utilizando un codificador basado en Transformadores con agrupación por atención.
   • Etapa 2 (Derivación Analítica): Deriva los umbrales analíticamente a partir de la distribución aprendida en lugar de predecirlos directamente.
     • Alpha Dinámico: Utiliza un parámetro $\alpha$ aprendido para escalar el umbral ($\theta = \mu + \alpha\sigma$), permitiendo a los operadores ajustar el conservadurismo sin reentrenar.
     • Cabezales Especializados:
       • Cabezal Categórico: Para longitudes de ventana discretas (2–8 horas).
       • Cabezal Gaussiano: Para tiempo inactivo continuo.
       • Puerta Bernoulli: Para objetivos de fluctuación, que sufren de un desequilibrio de clases extremo (94% de los valores están en el piso de 1.0). La puerta primero predice si un valor está por encima del piso y luego predice la magnitud.

2.3 Estrategia de Entrenamiento

El marco soporta reentrenamiento incremental diario. Mientras que XGBoost se reentrena completamente, los modelos neuronales (PCTN, iTransformer, CNN-BiLSTM) utilizan ajuste fino (5–10 épocas) en nuevos datos diarios, aprovechando los pesos de días anteriores para capturar tendencias evolutivas de manera eficiente.

3. Resultados Clave

Los modelos se evaluaron en un conjunto de prueba retenido (3 días) utilizando Error Absoluto Medio (MAE), Raíz del Error Cuadrático Medio (RMSE) y $R^2$.

• Rendimiento General: PCTN logró el mejor promedio general de $R^2$ de 0.733 y el MAE promedio más bajo de 0.290. Superó a iTransformer ($R^2$ = 0.436), CNN-BiLSTM ($R^2$ = 0.324) y XGBoost ($R^2$ = -31.03).
• Eficiencia: PCTN utiliza 142,261 parámetros, lo que es 83% menos que iTransformer (818,508 parámetros), sin embargo, lo supera en tres de los cuatro objetivos.
• Significación Estadística: Las comparaciones pareadas entre PCTN y todas las líneas base fueron estadísticamente significativas ($p < 0.001$) mediante la prueba de rangos con signo de Wilcoxon.
• Insights Específicos por Objetivo:
  • Objetivos de Fluctuación: PCTN logró $R^2 \approx 0.57$ en objetivos de fluctuación, mientras que otros modelos neuronales fallaron ($R^2 \approx 0$ o negativos). Este éxito se atribuye enteramente a la puerta Bernoulli, que modela explícitamente la naturaleza binaria del problema de concentración en el piso.
  • Fallo de XGBoost: XGBoost falló en objetivos continuos ($R^2 < -100$) debido al fallo de extrapolación de características. Cuando los datos de prueba (un día de alto estrés) superaron el rango de entrenamiento, los modelos basados en árboles no pudieron generalizar, mientras que los modelos neuronales interpolaron con éxito.
  • Interpretabilidad: Los valores dinámicos de $\alpha$ de PCTN variaron significativamente entre muestras (por ejemplo, $\alpha$ para tiempo inactivo osciló entre 8.8 y 22.2), permitiendo a los operadores inspeccionar y ajustar manualmente el "conservadurismo" de la política para celdas específicas sin reentrenar.

4. Significancia y Afirmaciones

El artículo afirma las siguientes contribuciones y significancia:

1. Primera Formalización: Es el primer trabajo que enmarca la predicción adaptativa de umbrales de alarma como un problema de aprendizaje automático supervisado, avanzando más allá de la detección de fallas hacia la predicción de la propia frontera de decisión.
2. Estrategia de Derivación de Etiquetas: Introduce un método guiado por percentiles para crear supervisión de entrenamiento a partir de datos operativos no etiquetados, validado como libre de sesgo circular.
3. Arquitectura PCTN: El PCTN propuesto demuestra que la alineación estructural con las características de los datos (utilizando cabezales categóricos, gaussianos y Bernoulli) es más efectiva que simplemente aumentar el tamaño del modelo. Logra una precisión de última generación con un costo computacional significativamente menor.
4. Utilidad Operativa: El marco permite el reentrenamiento diario, permitiendo que los umbrales se adapten a comportamientos de red cambiantes. Crucialmente, los resultados interpretables (media, varianza, alfa dinámica) permiten a los operadores de red inspeccionar el razonamiento del modelo y ajustar manualmente los umbrales para contextos específicos, cerrando la brecha entre la IA de caja negra y el control operativo.
5. Robustez: El estudio destaca que los modelos neuronales son más robustos ante eventos de estrés novedosos (extrapolación) en comparación con los modelos basados en árboles, lo que los hace más seguros para la implementación en producción en entornos dinámicos.

Los autores concluyen que, si bien el estudio actual es una prueba de concepto limitada a datos 4G y una ventana de 10 días, el marco proporciona un camino escalable para mantener la Calidad de Servicio (QoS) sin aumentos proporcionales en el esfuerzo de ingeniería a medida que las redes evolucionan hacia 5G.