Amélioration de la qualité de service dans les réseaux mobile par le transfert d'apprentissage et analyse prédictive

Abstract

Avec l'avancement de l'automatisation et des outils d'intelligence artificielle, notre dépendance aux machines a considérablement augmenté. Aujourd'hui, de nombreuses fonctions humaines fonctionnent indépendamment sans interférence humaine. Ce projet met l'accent sur l'amélioration des services de réseau téléphonique par la conception de systèmes experts et l'application d'algorithmes d'apprentissage automatique (ML) pour le fonctionnement automatisé. Toutefois, un défi majeur persiste : la résolution des problèmes de réseau repose encore en grande partie sur des experts humains. Pour y remédier, nous nous sommes concentrés sur l'utilisation d'outils d'analyse de données pour automatiser la détection et la résolution de problèmes, en vue de les élever à un niveau plus profond. L'objectif principal est d'identifier automatiquement les problèmes du réseau sans compter sur des connaissances spécialisées. Pour ce faire, nous avons développé l'algorithme LTE_TL_NET, qui détecte les anomalies dans un système de surveillance réseau cellulaire en analysant le trafic généré par le système de contrôle lui-même. Notre algorithme proposé utilise l'apprentissage de transfert pour résoudre ce problème en adaptant un réseau pré-entraîné à notre système. Un test expérimental sur la base de données LTE réelle a donné un taux de reconnaissance de 99,68%, démontrant des résultats