Technische Samenvatting: Adaptieve Voorspelling van Alarmdrempels in 4G Mobiele Netwerken

1. Probleemdefinitie

In mobiele telecommunicatie fungeren alarmen als kritieke vroege waarschuwingssignalen voor degradatie of uitval van cellen. Op dit moment vertrouwen operators op statische, handmatig geconfigureerde drempels om deze alarmen te activeren (bijvoorbeeld maximale inactiviteitstijd, fluctuatieaantallen). Deze vaste drempels houden geen rekening met dynamische netwerkomstandigheden, zoals tijdstip van de dag, dag van de week, verkeersvolume en vendor-specifieke gedragingen. Bijgevolg leidt deze rigiditeit tot twee operationele falen:

1. Gemiste Storingen: Ernstige problemen tijdens periodes met hoog verkeer blijven onopgemerkt omdat statische drempels te soepel zijn voor de ruis.
2. Valse Alarmen: Minor, normale fluctuaties tijdens rustige periodes veroorzaken onnodige oproepen aan engineers.

De kernuitdaging die in dit artikel wordt aangepakt, is het probleem van adaptieve voorspelling van alarmdrempels: het dynamisch voorspellen van de optimale beslissingsgrens (drempel) op basis van live netwerkgedrag. Een aanzienlijke hindernis is de afwezigheid van ground truth-labels; geen enkel netwerklogboek geeft expliciet aan wat de "correcte" drempel op een specifiek moment had moeten zijn.

2. Methodologie

2.1 Data en Afleiding van Labels

De studie maakt gebruik van een geanonimiseerde dataset van een echt 4G-netwerk in Zuid-Azië, bestaande uit 10.648 unieke cellen verdeeld over drie apparatuurproviders en negen geografische regio's over een periode van tien dagen (14.054 cel-dagrecords).

• Feature Engineering: Het invoervector omvat 123 kenmerken, waaronder temporale context (tijdstip van de dag, dag van de week), ruwe uurlijkse inactiviteitstijden en fluctuatieaantallen, aggregaties per tijdsblok, rollende statistieken, en indicatoren voor vendor/regio.
• Percentiel-geleide Afleiding van Labels: Om het gebrek aan ground truth op te lossen, introduceren de auteurs een strategie om labels direct af te leiden uit datastatistieken:
  • Vensterlengte ($t_1$): Gebaseerd op het aantal uren dat een 5-minuten inactiviteitsdrempel overschrijdt in de komende 8 uur.
  • Inactiviteitstijd ($t_2$): Afgeleid van het 75e percentiel van de venster-inactiviteitstijd, aangepast met gevoeligheidsfactoren voor ochtendpieken, avonduren en daluren.
  • Fluctuatie-drempels ($t_3, t_4$): Afgeleid van het 90e percentiel van fluctuatieaantallen met een ondergrens van 1.
  • Validatie: Een Kolmogorov-Smirnov-test bevestigde dat het afleiden van labels uit een subset van cellen geen bias introduceerde, waardoor het gebruik van de volledige dataset voor training gevalideerd werd.

2.2 Modelarchitecturen

Vier modellen werden geëvalueerd om vier doelen simultaan te voorspellen: auditvensterduur, limiet voor inactiviteitstijd, totaal fluctuatieaantal en uurlijkse fluctuatielimiet.

1. XGBoost (Basislijn): Een Gradient Boosted Tree-basislijn met pseudo-Huber-verlies. Het dient als klassieke benchmark voor tabulaire data.
2. CNN-BiLSTM met Attention: Een hybride sequentieel model dat convolutielagen gebruikt voor lokale patroonextractie, Bidirectionele LSTM voor temporele afhankelijkheden, en multi-head attention om relevante uren te wegen op basis van context.
3. iTransformer: Een state-of-the-art model dat is aangepast voor deze taak. In tegenstelling tot standaard Transformers die over tijdstappen attenderen, behandelt iTransformer elke feature als een token en leert het attention over de feature-dimensie, wat beter geschikt is voor multivariate alarmdata.
4. PCTN (Voorgesteld): Het Percentiel Geleide Contextuele Drempelnetwerk. Deze nieuwe architectuur ontkoppelt drempelvoorspelling in twee interpreteerbare stadia:
   • Stadium 1 (Distributieleer): Leert de statistische verdeling (gemiddelde $\mu$ en variantie $\sigma$) van netwerkgedrag voor een gegeven context met behulp van een Transformer-gebaseerde encoder met attention pooling.
   • Stadium 2 (Analytische Afleiding): Leidt drempels analytisch af uit de geleerde distributie in plaats van ze direct te voorspellen.
     • Dynamische Alpha: Gebruikt een geleerde $\alpha$-parameter om de drempel te schalen ($\theta = \mu + \alpha\sigma$), waardoor operators de conservatisme kunnen aanpassen zonder hertraining.
     • Gespecialiseerde Koppen:
       • Categorische Kop: Voor discrete vensterlengtes (2–8 uur).
       • Gaussische Kop: Voor continue inactiviteitstijd.
       • Bernoulli-poort: Voor fluctuatiedoelen, die lijden onder extreme class-imbalance (94% van de waarden ligt op de ondergrens van 1,0). De poort voorspelt eerst of een waarde boven de ondergrens ligt, en voorspelt vervolgens de grootte.

2.3 Trainingsstrategie

Het framework ondersteunt dagelijkse incrementele hertraining. Waar XGBoost volledig wordt hertraint, maken de neurale modellen (PCTN, iTransformer, CNN-BiLSTM) gebruik van fine-tuning (5–10 epochs) op nieuwe dagelijkse data, waarbij gewichten van eerdere dagen worden benut om evoluerende trends efficiënt te vangen.

3. Belangrijkste Resultaten

De modellen werden geëvalueerd op een vastgehouden testset (3 dagen) met behulp van Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) en $R^2$.

• Algemene Prestatie: PCTN behaalde de beste algehele gemiddelde $R^2$ van 0,733 en de laagste gemiddelde MAE van 0,290. Het presteerde beter dan de iTransformer ($R^2$ = 0,436), CNN-BiLSTM ($R^2$ = 0,324) en XGBoost ($R^2$ = -31,03).
• Efficiëntie: PCTN gebruikt 142.261 parameters, wat 83% minder is dan de iTransformer (818.508 parameters), maar het presteert beter op drie van de vier doelen.
• Statistische Significantie: Paarsgewijze vergelijkingen tussen PCTN en alle basislijnen waren statistisch significant ($p < 0,001$) via de Wilcoxon signed-rank test.
• Doel-specifieke Inzichten:
  • Fluctuatiedoelen: PCTN behaalde $R^2 \approx 0,57$ op fluctuatiedoelen, terwijl andere neurale modellen faalden ($R^2 \approx 0$ of negatief). Dit succes wordt volledig toegeschreven aan de Bernoulli-poort, die expliciet de binaire aard van het probleem met concentratie bij de ondergrens modelleert.
  • XGBoost Falen: XGBoost faalde op continue doelen ($R^2 < -100$) door feature-extrapolatiefalen. Wanneer testdata (een dag met hoge stress) het trainingsbereik overschreed, konden boom-gebaseerde modellen niet generaliseren, terwijl neurale modellen succesvol interpoleerden.
  • Interpreteerbaarheid: De dynamische $\alpha$-waarden van PCTN varieerden betekenisvol tussen samples (bijvoorbeeld $\alpha$ voor inactiviteitstijd varieerde van 8,8 tot 22,2), waardoor operators de redenering van het model konden inspecteren en de "conservatisme" van het beleid voor specifieke cellen handmatig konden aanpassen zonder hertraining.

4. Betekenis en Claims

Het artikel claimt de volgende bijdragen en betekenis:

1. Eerste Formalisering: Het is het eerste werk dat adaptieve voorspelling van alarmdrempels formaliseert als een supervised machine learning-probleem, verder gaand dan storingsdetectie naar het voorspellen van de beslissingsgrens zelf.
2. Strategie voor Afleiding van Labels: Het introduceert een percentiel-geleide methode om trainings-supervisie te creëren uit ongelabelde operationele data, gevalideerd als vrij van circulaire bias.
3. PCTN Architectuur: Het voorgestelde PCTN demonstreert dat structurele uitlijning met data-eigenschappen (met behulp van categorische, Gaussische en Bernoulli-koppen) effectiever is dan het simpelweg vergroten van de modelgrootte. Het bereikt state-of-the-art nauwkeurigheid met aanzienlijk lagere rekentarieven.
4. Operationele Nut: Het framework maakt dagelijkse hertraining mogelijk, waardoor drempels kunnen worden aangepast aan veranderend netwerkgedrag. Cruciaal zijn de interpreteerbare outputs (gemiddelde, variantie, dynamische alpha) die netwerkoperators in staat stellen de redenering van het model te inspecteren en drempels handmatig aan te passen voor specifieke contexten, waardoor de kloof tussen black-box AI en operationele controle wordt overbrugd.
5. Robuustheid: De studie benadrukt dat neurale modellen robuuster zijn tegen nieuwe stress-evenementen (extrapolatie) in vergelijking met boom-gebaseerde modellen, waardoor ze veiliger zijn voor productie-implementatie in dynamische omgevingen.

De auteurs concluderen dat, hoewel de huidige studie een proof-of-concept is beperkt tot 4G-data en een venster van 10 dagen, het framework een schaalbaar pad biedt naar het handhaven van Quality of Service (QoS) zonder proportionele toename van de engineeringinspanning naarmate netwerken evolueren naar 5G.