Resumo Técnico: Previsão Adaptativa de Limiares de Alarme em Redes Móveis 4G

1. Definição do Problema

Na telecomunicação móvel, os alarmes servem como sinais de alerta precoce críticos para degradação ou falha de células. Atualmente, os operadores dependem de limiares estáticos, configurados manualmente para acionar esses alarmes (por exemplo, tempo máximo inativo, contagens de flutuação). Esses limiares fixos não levam em conta condições dinâmicas da rede, como hora do dia, dia da semana, volume de tráfego e comportamentos específicos do fornecedor. Consequentemente, essa rigidez leva a duas falhas operacionais:

1. Falhas Não Detectadas: Problemas graves durante períodos de alto tráfego passam despercebidos porque os limiares estáticos são muito permissivos para o ruído.
2. Falsos Alarmes: Flutuações menores e normais durante períodos tranquilos acionam chamadas desnecessárias de engenheiros.

O desafio central abordado por este artigo é o problema de previsão adaptativa de limiares de alarme: prever a fronteira de decisão ótima (limiar) dinamicamente com base no comportamento da rede em tempo real. Um obstáculo significativo é a ausência de rótulos de verdade fundamental; nenhum registro de rede declara explicitamente qual deveria ter sido o "limiar correto" em um momento específico.

2. Metodologia

2.1 Dados e Derivação de Rótulos

O estudo utiliza um conjunto de dados anonimizado de uma rede 4G real no Sul da Ásia, compreendendo 10.648 células únicas de três fornecedores de equipamentos e nove regiões geográficas ao longo de dez dias (14.054 registros célula-dia).

• Engenharia de Características: O vetor de entrada inclui 123 características, cobrindo contexto temporal (hora do dia, dia da semana), tempos inativos brutos horários e contagens de flutuação, agregações em blocos de tempo, estatísticas rolantes e indicadores de fornecedor/região.
• Derivação de Rótulos Guiada por Percentil: Para resolver a falta de verdade fundamental, os autores introduzem uma estratégia para derivar rótulos diretamente das estatísticas dos dados:
  • Comprimento da Janela ($t_1$): Baseado na contagem de horas que excedem um limiar de inatividade de 5 minutos nas próximas 8 horas.
  • Tempo Inativo ($t_2$): Derivado do percentil 75 do tempo inativo da janela, ajustado por fatores de sensibilidade para picos matinais, horas noturnas e períodos fora de pico.
  • Limiares de Flutuação ($t_3, t_4$): Derivados do percentil 90 das contagens de flutuação com um piso de 1.
  • Validação: Um teste de Kolmogorov-Smirnov confirmou que derivar rótulos de um subconjunto de células não introduziu viés, validando o uso do conjunto de dados completo para treinamento.

2.2 Arquiteturas de Modelo

Quatro modelos foram avaliados para prever quatro alvos simultaneamente: duração da janela de auditoria, limite de tempo inativo, contagem total de flutuação e limite de flutuação por hora.

1. XGBoost (Linha de Base): Uma linha de base de Árvore de Gradiente Reforçada usando perda pseudo-Huber. Serve como um benchmark clássico para dados tabulares.
2. CNN-BiLSTM com Atenção: Um modelo sequencial híbrido usando camadas convolucionais para extração de padrões locais, LSTM Bidirecional para dependências temporais e atenção multi-cabeça para ponderar horas relevantes com base no contexto.
3. iTransformer: Um modelo de última geração adaptado para esta tarefa. Diferentemente dos Transformers padrão que atendem através de passos de tempo, o iTransformer trata cada característica como um token e aprende atenção através da dimensão da característica, mais adequado para dados de alarme multivariados.
4. PCTN (Proposto): A Rede de Limiar Contextual Guiada por Percentil. Esta arquitetura inovadora desacopla a previsão de limiar em duas etapas interpretáveis:
   • Etapa 1 (Aprendizado de Distribuição): Aprende a distribuição estatística (média $\mu$ e variância $\sigma$) do comportamento da rede para um determinado contexto usando um codificador baseado em Transformer com agrupamento por atenção.
   • Etapa 2 (Derivação Analítica): Deriva limiares analiticamente a partir da distribuição aprendida, em vez de prevê-los diretamente.
     • Alpha Dinâmico: Usa um parâmetro $\alpha$ aprendido para escalar o limiar ($\theta = \mu + \alpha\sigma$), permitindo que os operadores ajustem o conservadorismo sem retreinamento.
     • Cabeças Especializadas:
       • Cabeça Categórica: Para comprimentos de janela discretos (2–8 horas).
       • Cabeça Gaussiana: Para tempo inativo contínuo.
       • Portão Bernoulli: Para alvos de flutuação, que sofrem de desequilíbrio de classe extremo (94% dos valores estão no piso de 1,0). O portão primeiro prevê se um valor está acima do piso, depois prevê a magnitude.

2.3 Estratégia de Treinamento

O framework suporta retreinamento incremental diário. Enquanto o XGBoost é totalmente retreinado, os modelos neurais (PCTN, iTransformer, CNN-BiLSTM) utilizam ajuste fino (5–10 épocas) em novos dados diários, aproveitando pesos de dias anteriores para capturar tendências em evolução de forma eficiente.

3. Resultados Chave

Os modelos foram avaliados em um conjunto de teste retido (3 dias) usando Erro Absoluto Médio (MAE), Raiz do Erro Quadrático Médio (RMSE) e $R^2$.

• Desempenho Geral: O PCTN alcançou a melhor média geral de $R^2$ de 0,733 e o menor MAE médio de 0,290. Superou o iTransformer ($R^2$ = 0,436), CNN-BiLSTM ($R^2$ = 0,324) e XGBoost ($R^2$ = -31,03).
• Eficiência: O PCTN usa 142.261 parâmetros, que é 83% menos que o iTransformer (818.508 parâmetros), ainda assim superando-o em três dos quatro alvos.
• Significância Estatística: Comparações pareadas entre PCTN e todas as linhas de base foram estatisticamente significativas ($p < 0,001$) através do teste de postos sinalizados de Wilcoxon.
• Insights Específicos por Alvo:
  • Alvos de Flutuação: O PCTN alcançou $R^2 \approx 0,57$ em alvos de flutuação, enquanto outros modelos neurais falharam ($R^2 \approx 0$ ou negativo). Este sucesso é atribuído inteiramente ao portão Bernoulli, que modela explicitamente a natureza binária do problema de concentração no piso.
  • Falha do XGBoost: O XGBoost falhou em alvos contínuos ($R^2 < -100$) devido à falha de extrapolação de características. Quando os dados de teste (um dia de alto estresse) excederam a faixa de treinamento, modelos baseados em árvores não conseguiram generalizar, enquanto modelos neurais interpolaram com sucesso.
  • Interpretabilidade: Os valores dinâmicos de $\alpha$ do PCTN variaram significativamente entre as amostras (por exemplo, $\alpha$ para tempo inativo variou de 8,8 a 22,2), permitindo que os operadores inspecionassem e ajustassem manualmente o "conservadorismo" da política para células específicas sem retreinamento.

4. Significância e Alegações

O artigo alega as seguintes contribuições e significância:

1. Primeira Formalização: É o primeiro trabalho a enquadrar a previsão adaptativa de limiares de alarme como um problema de aprendizado de máquina supervisionado, indo além da detecção de falhas para prever a própria fronteira de decisão.
2. Estratégia de Derivação de Rótulos: Introduz um método guiado por percentil para criar supervisão de treinamento a partir de dados operacionais não rotulados, validado como livre de viés circular.
3. Arquitetura PCTN: O PCTN proposto demonstra que o alinhamento estrutural com as características dos dados (usando cabeças categóricas, gaussianas e Bernoulli) é mais eficaz do que simplesmente aumentar o tamanho do modelo. Alcança precisão de última geração com custo computacional significativamente menor.
4. Utilidade Operacional: O framework permite retreinamento diário, permitindo que os limiares se adaptem a comportamentos de rede em mudança. Crucialmente, as saídas interpretáveis (média, variância, alfa dinâmico) permitem que os operadores de rede inspecionem o raciocínio do modelo e ajustem manualmente os limiares para contextos específicos, fechando a lacuna entre IA de caixa-preta e controle operacional.
5. Robustez: O estudo destaca que os modelos neurais são mais robustos a eventos de estresse novos (extrapolação) em comparação com modelos baseados em árvores, tornando-os mais seguros para implantação em produção em ambientes dinâmicos.

Os autores concluem que, embora o estudo atual seja uma prova de conceito limitada a dados 4G e uma janela de 10 dias, o framework fornece um caminho escalável para manter a Qualidade de Serviço (QoS) sem aumentos proporcionais no esforço de engenharia à medida que as redes evoluem para 5G.