[go: up one dir, main page]

HK1207765B - Network node failure predictive system - Google Patents

Network node failure predictive system Download PDF

Info

Publication number
HK1207765B
HK1207765B HK15108375.1A HK15108375A HK1207765B HK 1207765 B HK1207765 B HK 1207765B HK 15108375 A HK15108375 A HK 15108375A HK 1207765 B HK1207765 B HK 1207765B
Authority
HK
Hong Kong
Prior art keywords
network
network nodes
fail condition
performance metrics
model
Prior art date
Application number
HK15108375.1A
Other languages
German (de)
English (en)
Chinese (zh)
Other versions
HK1207765A1 (en
Inventor
Anuj Bhalla
Madan Kumar Singh
Christopher Scott Lucas
Ravi Teja
Sachin Sehgal
Mayank Kant
Sonal Bhutani
Original Assignee
Accenture Global Services Limited
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Accenture Global Services Limited filed Critical Accenture Global Services Limited
Publication of HK1207765A1 publication Critical patent/HK1207765A1/en
Publication of HK1207765B publication Critical patent/HK1207765B/en

Links

Claims (12)

  1. Un système pour prédire une défaillance de noeud de réseau, le système comprenant :
    une infrastructure de réseau (100) comprenant un ensemble de noeuds de réseau (108) qui fournissent des services vocaux et de transmission de données via un réseau à des locaux d'abonné ;
    un serveur d'analyse prédictive (110) comprenant un dispositif de commande (202) et des instructions lisibles par machine dans un référentiel de données (213) adapté pour mettre en oeuvre
    un extracteur de performance (212) pour agréger des métriques de performance (102, 104) pour les noeuds de réseau (108) dans l'infrastructure de réseau (100), sachant que les métriques de performance (102, 104) sont agrégées à partir d'une pluralité de sources de données (220a - f) ;
    un constructeur de modèle (214) pour
    identifier des variables d'entrée relatives à une condition de défaillance pour les noeuds de réseau (108),
    entraîner une pluralité de modèles pour prédire la condition de défaillance pour les noeuds de réseau (108) en utilisant un ensemble d'entraînement provenant des métriques de performance extraites, sachant que chacun de la pluralité de modèles est équipé avec au moins une des variables d'entrée identifiées, et
    valider chacun de la pluralité de modèles entraînés en utilisant un ensemble de validation provenant des métriques de performance extraites ; et
    un moteur de prévision (216) pour
    définir la condition de défaillance pour les noeuds de réseau (108), coter ou encore noter (rate) chacun des modèles validés selon des critères prédéfinis y compris une précision prédictive de chacun des modèles validés, et
    mettre en oeuvre un modèle le mieux coté parmi les modèles validés pour prédire la condition de défaillance pour les noeuds de réseau (108) ; et caractérisé en ce qu'il est en outre adapté pour mettre en oeuvre
    un serveur d'approvisionnement (115) pour configurer des paramètres pour les noeuds de réseau (108) dans l'infrastructure de réseau (100) selon la prévision de la condition de défaillance afin de déployer des services pour entretenir les noeuds de réseau (108) ;
    sachant que le moteur de prévision (216) vise à prioriser un programme d'entretien pour les noeuds de réseau (108) dans la infrastructure de réseau (100) en se basant sur une probabilité prévue de la condition de défaillance pour chacun des noeud de réseau (108), les prédictions étant entrées par le modèle le mieux coté au moins 48 heures avant la condition de défaillance pour un noeud de réseau (108) sélectionné.
  2. Le système d'après la revendication 1, sachant que l'extracteur de performance (212) vise à agréger des métriques de performance d'une tranche de temps prédéterminée au moins 48 heures avant la condition de défaillance pour un noeud de réseau (108) sélectionné.
  3. Le système d'après une quelconque des revendications précédentes, sachant qu'afin d'agréger les métriques de performance pour les noeuds de réseau (108), l'extracteur de performance (212) vise à agréger des métriques de performance incluant au moins un parmi des données télémétriques, des données clients, des données d'interaction d'appel et des données de technicien de service.
  4. Le système d'après une quelconque des revendications précédentes, sachant que l'extracteur de performance (212) vise à :
    détecter l'occurrence de la condition de défaillance pour les noeuds de réseau (108) ;
    marquer (flag) chaque jour pendant lequel la condition de défaillance est détectée pour au moins un des noeuds de réseau (108) ; et
    supprimer un drapeau ou encore un marqueur pour chaque jour marqué consécutif au premier jour marqué.
  5. Le système d'après une quelconque des revendications précédentes, sachant qu'afin d'identifier des variables d'entrée liées à la condition de défaillance, le constructeur de modèle (214) vise à :
    dériver des variables à partir des métriques de performance extraites ; et
    mettre en oeuvre un algorithme de groupement afin de sélectionner un nombre de variables cotées,
    sachant que l'algorithme de groupement cote les variables selon des critères prédéfinis.
  6. Le système d'après une quelconque des revendications précédentes, sachant que le constructeur de modèle (214) vise à partitionner les métriques de performance extraites en un ensemble d'entraînement, pour entraîner la pluralité de modèles, et en un ensemble de validation qui n'est pas utilisé pour entraîner la pluralité de modèles, sachant que les métriques de performance extraites sont partitionnées en utilisant un algorithme d'échantillonnage aléatoire ; sachant que la pluralité de modèles peut inclure un ou plusieurs des suivants : un modèle d'arbre décisionnel, un modèle de réseau neuronal, un modèle de régression logistique.
  7. Un procédé mis en oeuvre par ordinateur pour prédire une défaillance de noeuds de réseau (108) dans une infrastructure de réseau (100), le procédé comprenant le fait de :
    extraire, par un dispositif de commande (202) d'un serveur d'analyse prédictive (110) des métriques de performance pour les noeuds de réseau (108) à partir d'une pluralité de sources de données (220a - f) ;
    définir une condition de défaillance pour les noeuds de réseau (108) ;
    identifier des variables d'entrée relatives à une condition de défaillance pour les noeuds de réseau (108), les variables d'entrée étant dérivées à partir des métriques de performance extraites ;
    entraîner une pluralité de modèles pour prédire la condition de défaillance pour les noeuds de réseau en utilisant un ensemble d'entraînement provenant des métriques de performance extraites, sachant que chacun de la pluralité de modèles est équipé avec au moins une des variables d'entrée identifiées ;
    valider chacun de la pluralité de modèles entraînés en utilisant un ensemble de validation provenant des métriques de performance extraites, sachant que le fait de valider inclut le fait de coter ou encore noter (rate) chacun des modèles validés selon des critères prédéfinis ; sachant que les critères prédéfinis peuvent inclure une précision prédictive de chacun des modèles validés ; et
    sélectionner un modèle le mieux coté parmi les modèles validés pour prédire la condition de défaillance pour les noeuds de réseau (108) ;
    caractérisé en ce qu'il comprend en outre le fait de :
    configurer des paramètres pour les noeuds de réseau (108) dans la infrastructure de réseau (100) selon la prévision de la condition de défaillance afin de déployer des services pour entretenir les noeuds de réseau (108) ;
    prioriser un programme d'entretien pour les noeuds de réseau (108) dans la infrastructure de réseau (100) en se basant sur une probabilité prévue de la condition de défaillance pour chacun des noeuds de réseau (108),
    sachant que la probabilité prévue de la condition de défaillance peut être entrée par le modèle le mieux coté au moins 48 heures avant la condition de défaillance pour un noeud de réseau (108) sélectionné.
  8. Le procédé d'après la revendication 7, sachant que le fait d'extraire les métriques de performance comprend le fait d'extraire des métriques de performance d'une tranche de temps prédéterminée au moins 48 heures avant la condition de défaillance pour un noeud de réseau (108) sélectionné ; sachant que les métriques de performance peuvent inclure au moins un parmi des données télémétriques, des données clients, des données d'interaction d'appel, des données de technicien de service.
  9. Le procédé d'après une quelconque des revendications 7 ou 8, sachant que le fait de définir la condition de défaillance comprend le fait de :
    détecter l'occurrence de la condition de défaillance pour les noeuds de réseau (108) ;
    marquer (flag) chaque jour pendant lequel la condition de défaillance est détectée pour au moins un des noeuds de réseau (108) ; et
    supprimer un drapeau ou encore un marqueur pour chaque jour marqué consécutif au premier jour marqué.
  10. Le procédé d'après une quelconque des revendications de 7 à 9, sachant que le fait d'identifier des variables d'entrée relatives à la condition de défaillance comprend le fait de :
    dériver des variables à partir des métriques de performance extraites ; et
    mettre en oeuvre un algorithme de groupement afin de sélectionner un nombre de variables cotées, sachant que l'algorithme de groupement cote les variables selon des critères prédéfinis.
  11. Le procédé d'après une quelconque des revendications de 7 à 10, sachant que le fait d'entraîner la pluralité de modèles pour prédire la condition de défaillance comprend le fait d'entraîner un modèle d'arbre décisionnel, un modèle de réseau neuronal, et un modèle de régression logistique.
  12. Un support non transitoire lisible par ordinateur sur lequel sont stockées des instructions lisibles par machine pour prédire une défaillance dans des noeuds de réseau (108) d'une infrastructure de réseau (100), les instructions lisibles par machine pouvant être exécutées par un dispositif de commande (202) pour amener le dispositif de commande (202) à effectuer des opérations conformément au procédé d'après une quelconque des revendications de 7 à 11.
HK15108375.1A 2013-11-08 2015-08-28 Network node failure predictive system HK1207765B (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361902078P 2013-11-08 2013-11-08
US61/902,078 2013-11-08

Publications (2)

Publication Number Publication Date
HK1207765A1 HK1207765A1 (en) 2016-02-05
HK1207765B true HK1207765B (en) 2018-09-21

Family

ID=

Similar Documents

Publication Publication Date Title
EP2871803B1 (fr) Système de prévision de défaillance de noeud de réseau
US9628340B2 (en) Proactive operations, administration, and maintenance systems and methods in networks using data analytics
US11477072B2 (en) System and method for prescriptive diagnostics and optimization of client networks
US10491501B2 (en) Traffic-adaptive network control systems and methods
AU2019201687B2 (en) Network device vulnerability prediction
US10243807B2 (en) Operational lifetime of communication network nodes
US12238539B2 (en) Intelligent monitoring systems and methods for wi-fi metric-based resolutions for cloud-based wi-fi networks
US10834620B2 (en) Quantum intraday alerting based on radio access network outlier analysis
US12526200B2 (en) Intelligent monitoring systems and methods for Wi-Fi metric-based ISP outage detection for cloud based Wi-Fi networks
US12231924B2 (en) Intelligent monitoring systems and methods for wi-fi metric-based predictions for cloud based wi-fi networks
EP3367311B1 (fr) Apprentissage machine pour l'assurance préventive et l'optimisation des actions de récupération
US12483907B2 (en) Predicting the likelihood of subscriber churn
US11388109B2 (en) Hierarchical capacity management in a virtualization environment
US11860744B2 (en) Communication network data fault detection and mitigation
US10754718B2 (en) Guidance system for enterprise infrastructure change
KR102341418B1 (ko) 네트워크품질 데이터 기반 실시간 고장원인분석 시스템 및 방법
CN119299347A (zh) 一种全网网元单板性能分析的方法、系统、设备及介质
HK1207765B (en) Network node failure predictive system
US20260032038A1 (en) Network service assurance predictive analysis system and method
US20250330239A1 (en) Evaluating fiber connection reliability using multi-modal data and/or multi-modal data sources
WO2025017598A1 (fr) Système et procédé de prédiction de taux de prise avec réponse
WO2024030814A1 (fr) Prédiction de la plausibilité d'un renouvellement d'un abonné