Ученые МГУ повысили надежность 5G сетей. Прорыв в телекоммуникациях

Ученые факультета ВМК МГУ совместно с коллегами представили результаты исследования, посвященного развитию вероятностно-информированного подхода в машинном обучении для прогнозирования характеристик сетевого трафика и детектирования событий в нем. Новый метод опубликован в журнале Computer Networks. Развитие этих методов актуально для задач оптимизации производительности телекоммуникационных сетей и управления качеством обслуживания, что способствует повышению эффективности, надежности и устойчивости к внешним сбоям, а также снижению затрат на эксплуатацию и обслуживание.

Сети пятого (5G) и последующих поколений будут обслуживать большое количество пользователей, предоставляя широкий спектр приложений с высокими скоростями передачи данных и строгими требованиями к качеству обслуживания. Для удовлетворения этих требований сети должны поддерживать точную реконструкцию исторических событий, обнаружение инцидентов в реальном времени и прогнозирование будущих событий, связанных с качеством обслуживания. Это необходимо для динамического распределения сетевых ресурсов для различных приложений посредством «нарезки» сети.

«Мы разработали инновационный метод, который сочетает сильные стороны машинного обучения и статистических моделей. Это позволило значительно повысить качество обработки сетевого трафика».

— Андрей Горшенин, доцент кафедры математической статистики факультета ВМК МГУ, главный научный сотрудник и руководитель отдела ФИЦ ИУ РАН

В работе предложена регрессионная модель глубокой гауссовой смеси, в которой сначала выполняется предварительная кластеризация на основе нейронной сети и конечных нормальных смесей. Затем эта информация используется в качестве входных данных для алгоритмов машинного обучения с учителем, таких как градиентный бустинг. Такой подход позволил значительно повысить точность прогнозирования. В ходе тестирования на реальных данных мобильных операторов было продемонстрировано уменьшение ошибок в метриках RMSE и MAPE на 13% и 35,7% соответственно по сравнению с традиционными алгоритмами машинного обучения и рекуррентными нейронными сетями LSTM.

Основные результаты включают вероятностно-информированный подход к машинному обучению для телекоммуникационных сетей, регрессионную версию глубоких гауссовых смесей и ансамблевый метод детектирования аномальных наблюдений на базе вероятностной модели сетевого трафика, основанной на обобщенном гамма-распределении и элементах математической теории экстремальных значений.

«Наше исследование показывает, что вероятностно-информированные подходы оказываются точнее и вычислительно эффективнее в задачах анализа данных современных сетей связи. Их дальнейшее развитие видится в разработке более сложных глубоких архитектур и расширении областей применения».

— Андрей Горшенин

Новый метод значительно повышает точность и эффективность анализа данных в телекоммуникационных сетях, а также снижает вычислительные затраты