BR112021003586A2 - método realizado por um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador - Google Patents

método realizado por um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador Download PDF

Info

Publication number
BR112021003586A2
BR112021003586A2 BR112021003586-9A BR112021003586A BR112021003586A2 BR 112021003586 A2 BR112021003586 A2 BR 112021003586A2 BR 112021003586 A BR112021003586 A BR 112021003586A BR 112021003586 A2 BR112021003586 A2 BR 112021003586A2
Authority
BR
Brazil
Prior art keywords
satellite communication
communication system
cause
machine learning
resource
Prior art date
Application number
BR112021003586-9A
Other languages
English (en)
Inventor
Amit Arora
Archana GHARPURAY
John Kenyon
Original Assignee
Hughes Network Systems, Llc
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 Hughes Network Systems, Llc filed Critical Hughes Network Systems, Llc
Publication of BR112021003586A2 publication Critical patent/BR112021003586A2/pt

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • H04B7/18508—Communications with or from aircraft, i.e. aeronautical mobile service with satellite system used as relay, i.e. aeronautical mobile satellite service
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/27—Adaptation for use in or on movable bodies
    • H01Q1/28—Adaptation for use in or on aircraft, missiles, satellites, or balloons
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/27—Adaptation for use in or on movable bodies
    • H01Q1/28—Adaptation for use in or on aircraft, missiles, satellites, or balloons
    • H01Q1/288—Satellite antennas
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18515—Transmission equipment in satellites or space-based relays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18519—Operations control, administration or maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
    • H04B7/18584—Arrangements for data networking, i.e. for data packet routing, for congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
    • H04B7/18597—Arrangements for system physical machines management, i.e. for construction, operations control, administration, maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radio Relay Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

MÉTODO REALIZADO POR UM OU MAIS COMPUTADORES, SISTEMA, E UMA OU MAIS MÍDIAS DE LEITURA POR COMPUTADOR. Métodos, sistemas e aparelho, inclusive programas de computador codificados em uma mídia de armazenamento em computador, para treinamento e uso de modelos de aprendizagem de máquina para detectar problemas em um sistema de comunicação por satélite. Em algumas implementações, são obtidos um ou mais vetores de recursos que correspondem, respectivamente, a diferentes momentos. O(s) vetor(es) de recurso(s) é(são) provido(s) como entrada para um ou mais modelos de aprendizagem de máquina treinados para receber pelo menos um vetor de recurso que inclui valores de recursos representando propriedades do sistema de comunicação por satélite e produz(em) uma indicação de causas potenciais de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite. Uma causa particular indicada como sendo a causa mais provável da condição do sistema de comunicação por satélite é determinada com base em uma ou mais saídas de modelo de aprendizagem de máquina recebidas de cada um ou mais modelos de aprendizagem de máquina.

Description

MÉTODO REALIZADO POR UM OU MAIS COMPUTADORES, SISTEMA, E UMA OU MAIS MÍDIAS DE LEITURA POR COMPUTADOR ANTECEDENTES DA TÉCNICA
[001] Sistemas de comunicação por satélite são sistemas complexos que incluem múltiplos subsistemas que, por sua vez, são feitos de múltiplos componentes de software e hardware. Os subsistemas e componentes também podem ter diversos casos de processos de software que implementam os subsistemas ou componentes. Por exemplo, pode haver diversos exemplos de subsistemas de tratamento de tráfego de Protocolo de Internet (IP) para tratar o tráfego de rede para um único canal de comunicação por satélite. Cada exemplo de subsistema, componente e software pode ter muitas peças de informações de status e estatísticas que ajudam a definir o estado do exemplo de subsistema, componente, software.
SUMÁRIO DA INVENÇÃO
[002] Em algumas implementações, um sistema de comunicação, por exemplo, um sistema de comunicação por satélite, pode treinar e usar modelos de aprendizagem de máquina para prever as causas de uma condição do sistema de comunicação por satélite. Por exemplo, um sistema de computador pode treinar modelos de aprendizagem de máquina usando dados que especificam propriedades de um sistema de comunicação por satélite em um ou mais pontos no tempo e, para cada ponto no tempo, um rótulo indica uma causa (por exemplo, uma causa primária ou uma causa inicial ou desencadeadora) de uma condição (por exemplo, um problema, degradação ou problema potencial) do sistema de comunicação por satélite naquele momento. As propriedades podem incluir o status, estatísticas, métrica e/ou outros dados apropriados para cada um dos múltiplos subsistemas e componentes do sistema de comunicação por satélite. Os modelos de aprendizagem de máquina treinados podem produzir saídas de aprendizagem de máquina que indicam uma ou mais causas potenciais da condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite.
[003] As saídas de aprendizagem de máquina também podem indicar, para cada causa potencial, uma probabilidade de que a causa potencial é a causa real da condição do sistema de comunicação por satélite. O Sistema de computador pode usar as probabilidades produzidas pelos múltiplos modelos de aprendizagem de máquina para um determinado ponto no tempo ou ao longo de um determinado período de tempo para determinar uma causa mais provável (por exemplo, uma causa primária) da condição do sistema de comunicação por satélite. Por exemplo, o sistema pode identificar, como a causa mais provável, uma causa com a probabilidade mais elevada entre as probabilidades produzidas pelos modelos de aprendizagem de máquina. Em outro exemplo, o sistema pode identificar, como a causa mais provável, uma causa com a probabilidade que aumentou ao longo do tempo e que excede uma probabilidade limite. Ainda em outro exemplo, o sistema pode identificar, como a causa mais provável, uma causa com uma probabilidade que aumentou para exceder as probabilidades de outras causas potenciais.
[004] O sistema de computador também pode selecionar uma ação que altera o funcionamento do sistema de comunicação por satélite com base na causa mais provável identificada e/ou as propriedades do sistema de comunicação por satélite que foram providas como entrada para os modelos de aprendizagem de máquina. Por exemplo, se um dispositivo armazenamento lento está retardando outros componentes, evitando que os demais componentes funcionem e/ou degradando o desempenho do sistema de comunicação por satélite, o sistema de computador pode determinar que o dispositivo de armazenamento lento é a causa mais provável do desempenho degradado (por exemplo, em vez de os componentes afetados pelo dispositivo de armazenamento lento). O sistema de computador pode selecionar trocar para um dispositivo de armazenamento diferente como uma ação para tomar em resposta às condições detectadas do sistema. O sistema de computador pode então prover, a um dispositivo, uma indicação da causa mais provável da condição do sistema de comunicação por satélite e/ou da ação selecionada. O dispositivo pode apresentar (por exemplo, usando monitor ou uma interface de linguagem falada) a causa mais provável e/ou a ação selecionada para um operador. O operador pode então fazer com que um sistema de gerenciamento de rede (ou o componente ou subsistema real) realize a ação selecionada. Em algumas implementações, o sistema de computador fazer com que a ação selecionada seja realizada automaticamente, por exemplo, sem entrada do operador.
[005] Como os sistemas de comunicação por satélite são complexos e incluem muitos subsistemas e componentes, a determinação de uma causa de uma condição do sistema por satélite pode ser difícil e demorada. Por exemplo, determinar uma causa primária de um problema atual pode envolver triagem das operações em diversos níveis. Para problemas que não se resolveram usando um procedimento bem conhecido de avaliação de determinados dados e reiniciando determinados subsistemas, a triagem aumenta para níveis mais altos da hierarquia de suporte e quando alguém consegue mergulhar profundamente no problema, uma quantidade significativa de tempo pode transcorrer e o problema pode piorar e causar mais degradação ao desempenho do sistema de comunicação por satélite.
[006] Usando técnicas de aprendizagem de máquina descritas aqui, um sistema de computador pode determinar a causa mais provável de uma condição de um sistema de comunicação por satélite que, de outro modo, não seria detectada. Os modelos de aprendizagem de máquina podem detectar e prover informações que indicam as causas que são baseadas em informações (por exemplo, informações de status e estatísticas) para múltiplos subsistemas ou combinações de componentes que não seriam avaliados por um operador humano ou perito.
[007] O sistema de computador também pode adaptar os modelos de aprendizagem de máquina a alterações no sistema de comunicação por satélite, por exemplo, ao retreinar os modelos usando causas recém detectadas e suas propriedades associadas do sistema de comunicação por satélite. Isso é vantajoso em relação a um sistema baseado em regras que um operador humano ou perito teria que ajustar ao longo do tempo baseado em alterações ao sistema de comunicação por satélite ou alterações no desempenho do sistema de comunicação por satélite. Por exemplo, um limiar baseado em velocidade para determinar que um componente está mais lento que o normal pode ter que ser ajustado toda vez que o sistema de comunicação por satélite for alterado, de modo que o componente opere em velocidade mais elevada. Os modelos de aprendizagem de máquina podem ser atualizados (por exemplo, retreinados) contabilizar essas alterações ao longo do tempo. Por exemplo, os modelos de aprendizagem de máquina podem ser retreinados usando dados atualizados sobre as propriedades do sistema de comunicação por satélite e a causa da condição do sistema de comunicação por satélite correspondente àquelas propriedades.
[008] Os modelos de aprendizagem de máquina também podem ser usados para determinar as causas de condições de outras redes de comunicação por satélite, por exemplo, sistemas de comunicação por satélite que são semelhantes ao sistema de comunicação por satélite par ao qual os modelos de aprendizagem de máquina são treinados. Isso permite a detecção de causas de condições de sistemas de comunicação por satélite para os quais uma quantidade suficiente de dados não está disponível, como sistemas de comunicação por satélite recém implantados.
[009] Em um aspecto geral, as técnicas aqui reveladas descrevem métodos de treinamento e uso de modelos de aprendizagem de máquina para determinar uma causa de uma condição de um sistema de comunicação por satélite. Por exemplo, um método realizado por um ou mais computadores pode incluir: obtenção, por meio do um ou mais computadores, de um ou mais vetores de recursos que correspondem, respectivamente, a diferente momentos, cada vetor de recurso incluir valores de recursos que representam propriedades de um sistema de comunicação por satélite no momento correspondente ao vetor de recurso; provisão, por meio do um ou mais computadores, de um ou mais vetores de recursos como entrada a um ou mais modelos de aprendizagem de máquina, cada um ou mais modelos de aprendizagem de máquina sendo treinados para receber pelo menos um vetor de recurso que inclui valores de recursos representando propriedades do sistema de comunicação por satélite e produz uma indicação de causas potenciais de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite; recebimento, por meio do um ou mais computadores e de cada um dentre um ou mais modelos de aprendizagem de máquina, uma ou mais saídas de modelo de aprendizagem de máquina que indicam uma ou mais causas potenciais de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite representado pelo um ou mais vetores de recursos; determinação, por meio do um ou mais computadores e com base na uma ou mais saídas de modelo de aprendizagem de máquina recebidas de cada um ou mais modelos de aprendizagem de máquina, de uma causa particular indicada como a causa mais provável da condição do sistema de comunicação por satélite; e provisão, a um dispositivo, de uma indicação da causa particular da condição do sistema de comunicação por satélite.
[010] As implementações podem incluir um ou mais dos recursos a seguir. Por exemplo, algumas implementações incluem seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular e fazendo com que a ação selecionada seja realizada.
[011] Algumas implementações incluem treinamento do um ou mais modelos de aprendizagem de máquina usando dados de treinamento rotulados para um sistema de comunicação por satélite particular. Os dados de treinamento rotulados podem incluir, para cada um dos múltiplos momentos, propriedades do sistema de comunicação por satélite particular no momento e rótulos que indicam uma ou mais causas de uma condição do sistema de comunicação por satélite particular no momento. O um ou mais rótulos podem ser designados às propriedades do sistema de comunicação por satélite particular por um operador de rede.
[012] Em algumas implementações, o um ou mais modelos de aprendizagem de máquina incluem múltiplos modelos de aprendizagem de máquina. Cada modelo de aprendizagem de máquina pode ser treinado usando parâmetros de treinamento diferentes de cada outro modelo de aprendizagem de máquina. Os diferentes parâmetros de treinamento pode incluir pelo menos um dentre (i) diferentes tipos de modelos de aprendizagem de máquina, (ii) diferentes subconjuntos dos dados de treinamento rotulados, ou (iii) diferentes configurações de um mesmo tipo de modelo de aprendizagem de máquina.
[013] Em algumas implementações, o um ou mais modelos de aprendizagem de máquina incluem múltiplos modelos de aprendizagem de máquina. A uma ou mais saídas de modelo de aprendizagem de máquina podem incluir, para cada causa potencial da condição do sistema de comunicação por satélite, uma probabilidade de que a causa potencial é uma cause real da condição do sistema de comunicação por satélite. Determinar a causa particular indicada como a causa mais provável da condição do sistema de comunicação por satélite pode incluir a determinação da causa particular com base em uma ou mais pontuações combinadas geradas pela determinação, para cada uma ou mais causas potenciais, de uma combinação das probabilidades produzidas pelos modelos de aprendizagem de máquina pra a causa potencial.
[014] Em algumas implementações, o um ou mais modelos de aprendizagem de máquina são treinados pra produzir uma indicação de que a condição do sistema de comunicação por satélite está normal com base no um ou mais vetores de recursos quando o um ou mais modelos de aprendizagem de máquina detectam que a condição da comunicação por satélite está normal com base na propriedades do sistema de comunicação por satélite.
[015] Em algumas implementações, o um ou mais vetores de recursos incluem múltiplos vetores de recursos para um período de tempo particular. Cada vetor de recurso pode incluir valores de recursos que representam propriedades do sistema de comunicação por satélite em um momento dentro do período de tempo diferente de cada outro vetor de recurso. O um ou mais modelos de aprendizagem de máquina podem ser treinado para produzir uma indicação de causas potenciais da condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite durante o período de tempo representado pelos múltiplos vetores de recursos.
[016] Algumas implementações incluem atualização do um ou mais modelos de aprendizagem de máquina. A atualização pode incluir recebimento de dados de treinamento adicional que inclui um conjunto de vetores de recursos e rótulos adicionais para os vetores de recursos adicionais, inclusive um rótulo, para cada vetor de recurso adicional, que especifica uma causa de uma condição do sistema de comunicação por satélite no momento correspondente ao vetor de recurso adicional. Cada vetor de recurso adicional pode incluir valores de recursos que representam as propriedades reais do sistema de comunicação por satélite detectadas no momento correspondente ao vetor de recurso adicional. A atualização também pode incluir o treinamento do um ou mais modelos de aprendizagem de máquina usando os dados adicionais de treinamento.
[017] Algumas implementações incluem o uso de um ou mais modelos de aprendizagem de máquina para determinar causas mais prováveis de condições de um segundo sistema de comunicação por satélite diferente do sistema de comunicação por satélite com base nas propriedades do segundo sistema de comunicação por satélite.
[018] Algumas implementações incluem a seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos nas saídas de modelo de aprendizagem de máquina e na causa particular. A seleção pode incluir acesso a um conjunto de regras que especificam, para cada causa potencial, uma ou mais ações correspondentes para alterar o funcionamento de rede do sistema de comunicação por satélite e seleção, como a ação para alterar o funcionamento de rede do sistema de comunicação por satélite, de pelo menos uma ou mais ações que correspondam à causa particular.
[019] Algumas implementações incluem a seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular. A seleção pode incluir a provisão de dados que indicam a causa particular e o um ou mais vetores de recursos como entrada para um ou mais segundos modelos de aprendizagem de máquina treinados pra receber uma causa de uma condição do sistema de comunicação por satélite e pelo menos um vetor de recurso que incluir valores de recursos representando propriedades do sistema de comunicação por satélite e produz uma indicação de uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base na causa e no pelo menos um vetor de recurso. A seleção também pode incluir receber, de cada um ou mais segundos modelos de aprendizagem de máquina, uma ou mais segundas saídas de aprendizagem de máquina que indicam uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base na causa particular e no um ou mais vetores de recursos. A ação para alterar o funcionamento de rede do sistema de comunicação por satélite pode ser selecionada com base pelo menos na uma ou mais segundas saídas de aprendizagem de máquina.
[020] Em algumas implementações, a seleção da ação para alterar o funcionamento de rede do sistema de comunicação por satélite pode incluir a seleção da ação com base em dados que especificam os resultados de cada uma ou mais ações indicadas pelas uma ou mais segundas saídas de aprendizagem de máquina quando cada uma ou mais ações foram anteriormente realizadas em resposta a um exemplo anterior de condições do sistema de comunicação por satélite associadas à causa particular.
[021] Em algumas implementações, o um ou mais segundos modelos de aprendizagem de máquina são treinados para produzir a indicação de uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base nos resultados de ações anteriores realizadas em resposta a condições prévias do sistema de comunicação por satélite e causas associadas das condições prévias.
[022] Em algumas implementações, a determinação, por meio do um ou mais computadores e baseada na uma ou mais saídas de modelo de aprendizagem de máquina recebidas de cada um ou mais modelos de aprendizagem de máquina, de uma causa particular indicada como a causa mais provável da condição do sistema de comunicação por satélite pode incluir a identificação, por cada uma ou mais causas potenciais e com base na uma ou mais saídas de aprendizagem de máquina recebidas de cada um ou mais modelos de aprendizagem de máquina para vetores de recursos que representam propriedades do sistema de comunicação por satélite durante um período de tempo particular, uma sequência de probabilidades de que a causa potencial é uma causa real da condição do sistema de comunicação por satélite durante o período de tempo particular. A determinação também pode incluir a seleção da causa particular com base na sequência de probabilidades para a causa particular e a sequência de probabilidades para cada outra causa potencial.
[023] Em algumas implementações, a seleção da causa particular com base na sequência de probabilidades para a causa particular e a sequência de probabilidades para cada outra causa potencial pode incluir a seleção da causa particular em resposta para detectar um aumento nas probabilidades para a causa particular durante o período de tempo particular.
[024] Algumas implementações incluem a seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular e determinação para realizar automaticamente a ação selecionada com base em pelo menos um dentre (i) uma duração de tempo entre a provisão da indicação da causa particular da condição do sistema de comunicação por satélite e recebimento de um comando do operador para realizar a ação selecionada que excede uma duração limite, (ii) uma categoria da causa particular, (iii) uma gravidade da causa particular ou (iv) uma gravidade da condição do sistema de comunicação por satélite. Algumas implementações também podem incluir fazer com que a ação selecionada seja realizada.
[025] Algumas implementações incluem gerar cada um ou mais vetores de recursos. A geração para cada vetor de recurso particular pode incluir a identificação, para um componente do sistema de comunicação por satélite, de propriedades de múltiplos subcomponentes do componente no momento correspondente ao vetor de recurso particular; determinação de uma propriedade que represente os múltiplos subcomponentes com base nas propriedades dos múltiplos subcomponentes; e inclusão, no vetor de recurso particular e como uma propriedade do componente, da propriedade determinada.
[026] Algumas implementações incluem a geração de cada um ou mais vetores de recursos. A geração para cada vetor de recurso particular pode incluir a identificação, para um feixe de satélite particular, de múltiplos componentes de um mesmo tipo; identificação de múltiplas propriedades de cada um dos múltiplos componentes; determinação, para cada propriedade das múltiplas propriedades, de um valor agregado que represente uma agregação da propriedade entre cada um dos múltiplos componentes; e inclusão, no vetor de recurso particular e como uma propriedade do feixe de satélite, do valor agregado determinado.
[027] Outras realizações incluem sistemas, aparatos e programas de software correspondentes, configurados para realizar as ações dos métodos, codificados nos dispositivos de armazenamento em computador. Por exemplo, algumas realizações incluem um terminal de satélite e/ou uma porta de satélite configurado para realizar as ações dos métodos. Um dispositivo ou sistema de dispositivos pode ser assim configurado devido ao software, firmware, hardware, ou uma combinação destes instalados, de modo que em funcionamento, faça com que o sistema realize as ações. Um ou mais programas de software podem ser assim configurados devido ao fato de apresentar instruções que, quando executadas pelo aparelho de processamento de dados, faça com que o aparelho realize as ações.
[028] Os detalhes de uma ou mais realizações da matéria descrita nesse relatório descritivo são estabelecidos nos desenhos anexos e na descrição abaixo. Outros recursos, aspectos e vantagens da matéria ficarão evidentes a partir da descrição, dos desenhos e das reivindicações.
BREVE DESCRIÇÃO DOS DESENHOS
[029] A FIG. 1 é um diagrama que ilustra um exemplo de um sistema para uso de modelos de aprendizagem de máquina para detectar as causas de condições de um sistema de comunicação por satélite.
[030] A FIG. 2 é um diagrama que ilustra um exemplo de um sistema para uso de modelos de aprendizagem de máquina para detectar as causas de condições de um sistema de comunicação por satélite.
[031] A FIG. 3 é um fluxograma que ilustra um processo exemplar para gear um vetor de recurso para saúde de rede.
[032] A FIG. 4 é um fluxograma que ilustra um processo exemplar para treinamento de modelos de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite.
[033] A FIG. 5 é um fluxograma que ilustra um processo exemplar para uso de modelos de aprendizagem de máquina pra detectar as causas de condições de um sistema de comunicação por satélite e realizar uma ação selecionada para alterar o funcionamento do sistema de comunicação por satélite.
[034] Números de designações de referência semelhantes nos diversos desenhos indicam elementos semelhantes.
DESCRIÇÃO DETALHADA DA INVENÇÃO
[035] A FIG. 1 é um diagrama que ilustra um exemplo de um sistema 100 para uso de modelos de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite. O sistema 100 inclui portas de satélite 110a e 110b que se comunicam com um satélite 120, que, por sua vez, comunica-se com os terminais de satélite 130a e 130b. O sistema 110 também inclui um sistema de computador 140 que obtém informações sobre o sistema de comunicação por satélite, por exemplo, pela comunicação com as portas de satélite 110a e 110b em uma rede de comunicação
150. Os elementos mostrados podem ser parte de uma rede de comunicação por satélite maior que inclui diversos satélites, diversas portas de satélite, terminais de satélite e demais elementos não ilustrados.
[036] As portas de satélite 110a e 110b, o satélite 120 e os terminais de satélite 130a e 130b podem incluir subsistemas que incluem múltiplos componentes de software e hardware. Além disso, os subsistemas e seus componentes também podem ter diversos exemplos de processos de software que implementam os subsistemas ou componentes. Por exemplo, uma porta de satélite pode incluir um ou mais componentes de tratamento de tráfego IP, componente(s) de gerenciamento de canal de encaminhamento de satélite e componente(s) de gerenciamento de canal de retorno de satélite, apenas para citar alguns dos componentes. A porta de satélite também pode incluir múltiplos casos do componente de tráfego IP para lidar com o tráfego de cada canal de cada feixe de satélite.
[037] O exemplo da FIG. 1 ilustra como o sistema de computador 140 pode treinar e utilizar modelos de aprendizagem de máquina para avaliar o sistema de comunicação por satélite e detectar uma ou mais causas de uma condição do sistema de comunicação por satélite. O sistema de computador 140 também pode selecionar uma ação para alterar o funcionamento do sistema de comunicação por satélite com base pelo menos nas saídas dos modelos de aprendizagem de máquina e fazer com que a ação seja realizada. Por exemplo, o sistema de computador 140 pode treinar e usar os modelos de aprendizagem de máquina para detectar uma causa primária de um problema com o sistema de comunicação por satélite e selecionar uma ação que corrigirá ou impedirá o problema de se agravar. Diversas etapas do processo são ilustradas como estágios rotulados (A) até (J), que ilustram um fluxo de dados.
[038] No estágio (A), o sistema de computador 140 obtém informações de componente de rede 141 que incluem informações sobre (por exemplo, propriedades de) os subsistemas e componentes do sistema de comunicação por satélite. As informações de componente de rede 141 podem incluir informações sobre os diversos subsistemas e componentes dos satélites, portas, terminais e demais elementos que compõem a rede de satélite. O sistema de computador 140 pode obter as informações de componente de rede 141 de pelo menos alguns dos elementos. Por exemplo, o sistema de computador 140 pode obter as informações de componente de rede 141 de uma ou mais das portas de satélite 110a e 110b, que podem obter informações do satélite 120 e dos terminais de satélite 130a e 130b. Em outro exemplo, o sistema de computador 140 pode obter as informações de componente de rede de um concentrador que obtém as informações de uma ou mais portas de satélite 110a e 110b.
[039] As informações de componente de rede 141 podem incluir diversas informações para cada um dos subsistemas, componentes e seus respectivos exemplos de software. As informações para um componente podem incluir dados sobre status (por exemplo, ativo, inativo, estado de erro, etc.), métricas e estatísticas (por exemplo,
velocidades de transmissão de dados atuais, velocidades máximas de transmissão de dados, o número de itens em uma fila, número de pacotes descartados, e assim por diante), dados sobre erro e alarme indicando se qualquer erro ou alarme particular estão presentes e taxas de erros e alarmes e/ou outras informações adequadas sobre o status ou operação do componente. O tipo de informações e a quantidade de informações podem variar com base no componente ou tipo de componente. Por exemplo, as informações para um subsistema de tratamento de tráfego IP podem ser diferentes das informações para um componente de armazenamento de dados, por exemplo, para um dispositivo de armazenamento fixado à rede (NAS).
[040] O sistema de computador 140 pode obter as informações de componente de rede 141 periodicamente com base em um período de tempo especificado, por exemplo, um minuto, cinco minutos, uma hora ou outro período de tempo adequado. Para cada ponto no tempo, as informações de componente de rede 141 representam o estado ou saúde geral do sistema de comunicação por satélite naquele ponto no tempo.
[041] No estágio (B), as informações de componente de rede 141 para cada ponto no tempo (ou para cada período de tempo) são designadas (ou de outro modo associadas a) um ou mais rótulos. Por exemplo, um usuário 143 (por exemplo, um operador de rede ou especialista de rede) pode rotular as informações de componente de rede 141 para cada ponto no tempo (ou período de tempo) com um rótulo que indica uma causa de uma condição do sistema de comunicação por satélite naquele ponto no tempo (ou durante aquele período de tempo). Caso a mesma causa ou condição seja apresentada ao longo de um período de tempo, as informações de componente de rede 141 para cada ponto no tempo podem ser designadas no mesmo rótulo.
[042] Em algumas implementações, o sistema de computador 140 pode prover uma interface que inclui controles que possibilitam ao usuário 143 selecionar, a partir de um conjunto de rótulos pré-especificados, um rótulo que represente a causa da condição do sistema de comunicação por satélite naquele momento. Por exemplo, a interface pode apresentar, como controles selecionáveis, um conjunto de rótulos que inclui um rótulo normal, que indica que a condição do sistema de comunicação por satélite está normal e que não há causa de quaisquer problemas ou outras condições no sistema de comunicação por satélite. O conjunto de rótulos também pode incluir um rótulo para cada conjunto de causas de condições (por exemplo, problemas, problemas potenciais ou questões com) da rede de comunicação por satélite. Por exemplo, esses rótulos podem incluir rótulos para causas detectadas por usuários no passado, rótulos para causas que são de interesse aos usuários, rótulos para causas de condições de outros sistemas de comunicação por satélite que poderiam ocorrer no sistema de comunicação por satélite e/ou outras causas apropriadas de condições de sistemas de comunicação por satélite.
[043] Alguns rótulos exemplares incluem “acesso lento a NAS” ao acessar um dispositivo NAS que esteja lento (por exemplo, inferior a uma velocidade limite), “problema de roteamento ISP” quando há um problema ou outra questão com o roteamento de dados de Internet para e de um Provedor de Serviço da Internet (ISP), e “problema do modulador de uplink” quando há um problema ou outra questão com o modulador de uplink. Os rótulos podem descrever condições de componentes que podem causar condições do sistema geral de comunicação por satélite. Por exemplo, quando o dispositivo NAS está lento, isso pode impedir que outros componentes acessem os dados necessários, resultando em fluxo excessivo de filas, diminuição do tráfego de rede e desempenho geral de pelo menos um canal ou feixe sendo degradado. Portanto, os rótulos podem representar uma causa primária (por exemplo, um causa fundamental) de uma condição (por exemplo, degradação de desempenho, tráfego lento, e assim por diante) do sistema de comunicação por satélite.
[044] O sistema de computador 140 pode prover uma interface que possibilite ao usuário 143 designar um rótulo para os dados de componente de rede 141 para um ponto no tempo em particular com base em uma investigação sobre a causa cause da condição da rede de comunicação por satélite. Por exemplo, após determinar que uma porção do sistema de comunicação por satélite está apresentando um problema, o usuário 143 pode revisar os registros de dados, verificar o status de componentes e/ou realizar outros procedimentos para identificar a causa do problema. Uma vez encontrado, o usuário 143 pode selecionar, a partir da interface, um rótulo que represente a causa, por exemplo, usando uma interface do sistema de computador 140. O sistema de computador 140 pode designar o rótulo selecionado aos dados de componente de rede 141 para o ponto no tempo ou período de tempo no qual a condição ocorreu e a causa rotulada foi a causa da condição. Por exemplo, o usuário 143 pode selecionar um rótulo e selecionar o período de tempo durante o qual a condição ocorreu. O sistema de computador 140 pode gerar informações de componente de rede 144 rotuladas ao identificar informações de componente de rede 141 para cada ponto no tempo durante o período de tempo e designar o rótulo selecionado às informações de componente de rede 141 para cada ponto no tempo durante o período de tempo. O sistema de computador 140 pode armazenar o rótulo designado em relação a um conjunto de dados em particular que inclui as informações de componente de rede 141 que representam as propriedades do sistema de comunicação por satélite em um ponto no tempo em particular.
[045] Em algumas implementações, o sistema de computador 140 também pode incluir, nas informações de componente de rede 144 rotuladas, os dados de contexto que indicam a condição do sistema de comunicação por satélite e quaisquer ações realizadas para alterar o funcionamento do sistema de comunicação por satélite. Por exemplo, o sistema de computador 140 pode armazenar registros que associem as condições e causas da rede com ações relacionadas realizadas em respostas (por exemplo, como alterações de configuração para corrigir um problema), bem como efeitos que sejam subsequentemente observados ou atribuídos às ações. O usuário 143 pode realizar ou fazer com que os componentes do sistema de comunicação por satélite realizem uma ou mais ações para corrigir um problema com o sistema de comunicação por satélite. O usuário 143 pode prover ao sistema de computador 140 dados que especificam as ações. Em algumas implementações, o sistema de computador 140 pode monitorar automaticamente as ações e efeitos das ações. Por exemplo, se o usuário 143 iniciar as ações de uma interface provida pelo sistema de computador 140 ou um sistema de gerenciamento de rede em comunicação com o sistema de computador 140, o sistema de computador 140 pode associar essas ações e efeitos resultantes com uma condição de rede em andamento sem o usuário especificar que a ação tenta resolver a condição. As informações de componente de rede 140 rotuladas também podem incluir, para cada ação, dados que especificam se a ação foi bem-sucedida, por exemplo, como indicado pelo usuário 143 ou detectado pelo sistema de computador 140 ou o sistema de gerenciamento de rede. No exemplo ilustrado, as informações de componentes de rede 144 rotuladas indicam algumas propriedades de rede (por exemplo, o subsistema de tratamento de tráfego IP possui um contagem de fluxo excessivo de rede de área ampla (WAN) de 13.000 e o subsistema de canal de encaminhamento apresenta uma velocidade de transmissão de dados de 3,1 Mbps), uma condição de tráfego lento de rede, uma causa de dispositivo NAS lento e uma ação de troca do dispositivo NAS para um dispositivo NAS diferente.
[046] No estágio (C), um módulo de treinamento de aprendizagem de máquina 145 do sistema de computador 140 utiliza as informações de componente de rede 144 rotuladas para múltiplos pontos no tempo como exemplos de treinamento de um ou mais modelos de aprendizagem de máquina. Em particular, o modulo de aprendizagem de máquina 145 pode treinar os modelos de aprendizagem de máquina usando as informações de componente de rede 141 rotuladas que foram coletadas e rotuladas ao longo de um determinado período de tempo. Em algumas implementações, os exemplos de treinamento usados para treinar os modelos de aprendizagem de máquina podem incluir as informações de componente de rede rotuladas obtidas de outras redes de comunicação por satélite, por exemplo, em adição às informações de componente de rede 141 rotuladas. Os exemplos de treinamento usados para treinar os modelos de aprendizagem de máquina podem incluir um subconjunto das informações de componente de rede 144 rotuladas, por exemplo, selecionadas por um usuário.
[047] Cada modelo de aprendizagem de máquina pode ser de diversos tipos, como rede neural, um classificador de entropia máxima, uma árvore de decisão, uma árvore XG boost, um classificador de floresta aleatória, uma máquina de vetor de suporte, um modelo de regressão logística, K vizinhos mais próximos, e assim por diante. O processo de treinamento altera os parâmetros do modelo de aprendizagem de máquina de modo que o modelo aprenda função(ões) interna(s) ou mapeamento(s) entre um conjunto de entrada de propriedades de um sistema de comunicação por satélite e causas potenciais de condições do sistema de comunicação por satélite (e respectivas probabilidades para as causas potenciais). As propriedades do sistema de comunicação por satélite podem incluir informações sobre os diversos subsistemas e componentes dos satélites, portas, terminais e demais elementos que compõem a rede de satélite, por exemplo, similares ou iguais às informações de componente de rede 141. A probabilidade para uma causa potencial representa uma probabilidade ou confiança de que a causa potencial seja a causa real da condição.
[048] Em algumas implementações, os rótulos usados para treinar o(s) modelo(s) de aprendizagem de máquina inclui apenas as causas das condições incluídas nas informações de componente de rede 144 rotuladas. Em algumas implementações, os rótulos usados para treinar o(s) modelo(s)
de aprendizagem de máquina também incluem as ações e se as ações foram bem-sucedidas na resolução das condições.
[049] Cada modelo de aprendizagem de máquina pode ser configurada para receber propriedades do sistema de comunicação por satélite (por exemplo, na forma de um vetor de recurso) como entrada e produz saídas de aprendizagem de máquina que indicam uma ou mais causas potenciais da condição do sistema de comunicação por satélite (por exemplo, uma ou mais causas mais prováveis). As saídas de aprendizagem de máquina também podem incluir, para cada causa potencial, uma probabilidade ou confiança de que a causa potencial é a causa real da condição. Em algumas implementações, cada modelo de aprendizagem de máquina é treinado para receber diversos conjuntos de propriedades do sistema de comunicação por satélite (por exemplo, diversos vetores de recursos) obtidos ao longo de um período de tempo e produzem uma ou mais causas da condição do sistema de comunicação por satélite durante o período de tempo e suas respectivas probabilidades. Por exemplo, as entradas podem incluir múltiplos vetores de recursos e cada vetor de recurso pode incluir valores de recursos que representam as propriedades do sistema de comunicação por satélite em uma ponto no tempo em particular durante o período de tempo. Cada vetor de recurso pode servir para um ponto no tempo diferente de cada outro vetor de recurso provido como entrada. Por exemplo, os vetores de recursos podem representar estados periódicos do sistema de comunicação por satélite, por exemplo, um vetor de recurso para cada minuto durante o período de tempo.
[050] Em algumas implementações, múltiplos modelos de aprendizagem de máquina são treinados e usados para detectar causas de condições do sistema de comunicação por satélite. Nesse exemplo, cada modelo de aprendizagem de máquina pode ser diferente e as saídas de aprendizagem de máquina dos modelos de aprendizagem de máquina podem ser combinados para determinar uma causa mais provável da condição do sistema de comunicação por satélite, como descrito abaixo. Os modelos de aprendizagem de máquina podem ser treinados de forma diferente e/ou ser de tipos diferentes (por exemplo, uma ou mais redes neurais e um ou mais classificadores de floresta aleatória). Os modelos de aprendizagem de máquina podem ser treinados de forma diferente ao usar diferentes parâmetros (por exemplo, diferentes parâmetros de ajuste, otimizadores ou camadas) e/ou usar diferentes subconjuntos das informações de componente de rede rotuladas. Por exemplo, os modelos de aprendizagem de máquina 145 podem incluir redes neurais que possuem diferentes números de camadas e/ou que foram treinados usando diferentes subconjuntos dos dados rotulados.
[051] Em algumas implementações, um respectivo modelo de aprendizagem de máquina pode ser treinado para cada causa de condições do sistema de comunicação por satélite. Nesse exemplo, o modelo de aprendizagem de máquina para uma causa particular pode ser treinado usando os vetores de recursos e, para cada vetor de recurso, um rótulo indicando se a causa particular é a causa real da condição. O modelo de aprendizagem de máquina para a causa particular pode ser treinado para produzir uma probabilidade de que a causa particular seja a causa real de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite.
[052] Em algumas implementações, o módulo de treinamento de aprendizagem de máquina 145 reduz o número de dimensões de cada vetor de recurso antes de usar o vetor de recurso para treinar o(s) modelo(s) de aprendizagem de máquina. Por exemplo, o módulo de treinamento de aprendizagem de máquina 145 pode reduzir o número de dimensões de cada vetor de recurso usando uma rede neural de alimentação direta, análise de componente principal (PCA), outra técnica de redução de dimensionalidade adequada e/ou uma combinação de técnicas de redução de dimensionalidade. Um processo exemplar para treinamento de um modelo de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite é ilustrado na FIG. 4 e descrito abaixo. Após o treinamento dos modelos de aprendizagem de máquina, o módulo de treinamento de aprendizagem de máquina 145 pode prover dados do modelo de aprendizagem de máquina 146 que incluem os modelos de aprendizagem de máquina para um módulo de aprendizagem de máquina 155 que utiliza os modelos para determinar uma causa de uma condição do sistema de comunicação por satélite.
[053] No estágio (D), o sistema de computador 140 obtém informações do sistema de satélite 151 que indicam as propriedades da rede de comunicação por satélite. Como descrito acima, as propriedades do sistema de comunicação por satélite podem incluir informações sobre diversos subsistemas e componentes dos satélites, portas, terminais e demais elementos que compõem a rede de satélite, por exemplo, similares ou iguais às informações de componente de rede 141. O sistema de computador 140 pode obter as informações do sistema de satélite 151 de um ou mais elementos do sistema de comunicação por satélite, por exemplo, de um ou mais concentradores (por exemplo, uma ou mais portas) do sistema de comunicação por satélite. O sistema de computador 140 pode obter periodicamente as informações do sistema de satélite 151 com base em um período de tempo especificado. Cada conjunto de propriedades para o sistema de comunicação por satélite pode corresponder a um ponto no tempo em particular.
[054] Nesse exemplo, as informações do sistema de satélite 151 incluem dados sobre um subsistema IP, um subsistema de canal de encaminhamento, um subsistema de canal de retorno, um subsistema de infraestrutura e demais componentes para os quais as informações não são apresentadas na FIG. 1. As informações do sistema de satélite 151 podem incluir diversos dados para cada componente. Por exemplo, as informações do sistema de satélite 151 podem incluir, para um subsistema de tratamento de tráfego IP, uma contagem de fluxo excessivo de fila WAN que indique uma quantidade de itens adicionados à fila que exceda o tamanho da fila e uma contagem regressiva de eixo de aceleração que indica um número de vezes que o eixo de aceleração diminuiu durante um período de tempo. Do mesmo modo, as informações do sistema de satélite 151 incluem velocidade de transmissão de dados para o subsistema de canal de encaminhamento, uma velocidade de transmissão de dados para o subsistema de canal de retorno e dados indicando que um alarme de tráfego de roteador do subsistema de infraestrutura está presente e que um alarme de saúde de NAS do subsistema de infraestrutura não está presente. Obviamente, as informações do sistema de satélite 151 pode incluir outros dados sobre o subsistema de tratamento de tráfego IP, o subsistema de canal de encaminhamento, o subsistema de canal de retorno e o subsistema de infraestrutura.
[055] No estágio (E), o módulo de processamento de dados 153 do sistema de computador 140 recebe as informações do sistema de satélite 151 e preparas as informações 151 para entrada no(s) modelo(s) de aprendizagem de máquina. Como as propriedades do sistema de comunicação por satélite (por exemplo, as informações sobre os componentes do sistema de comunicação por satélite) incluem tipos diferentes de informações (por exemplo, status, alarmes, dados numéricos, e assim por diante), o módulo de processamento de dados 153 pode converter as informações para um formato adequado (por exemplo, comum). Por exemplo, o módulo de processamento de dados 153 pode converter quaisquer dados não numéricos em dados numéricos que representem os dados não numéricos. O módulo de processamento de dados 153 pode converter cada tipo de dados não numéricos em dados numéricos usando uma função de conversão. Por exemplo, as informações que especificam se um alarme está presente podem ser convertidas em zero caso o alarme não esteja presente ou em um caso o alarme esteja presente.
[056] Em algumas implementações, o módulo de processamento de dados 153 agrega uma porção das informações do sistema de satélite. O módulo de processamento de dados 153 pode agregar informações com base no tipo de componente, localização no sistema de comunicação por satélite e/ou tipo de informações. Por exemplo, caso haja diversos exemplos de um mesmo tipo de componente (por exemplo, diversos exemplos de um subsistema de tratamento de tráfego IP) para uma mesma porta ou mesmo feixe, o módulo de processamento de dados 153 pode agregar (por exemplo, por média, soma convexa ou técnica de agregação adequada) os diversos dados sobre o subsistema de tratamento de tráfego IP entre cada exemplo. Para cada pedaço de informação para o subsistema de tratamento de tráfego IP, o módulo de processamento de dados 153 pode agregar aquele pedaço de informação para os diversos exemplos. Por exemplo, caso um pedaço de informação seja uma velocidade de transmissão de dados, o módulo de processamento de dados 153 pode determinar a velocidade média de transmissão de dados para os exemplos do subsistema de tratamento de tráfego IP da porta ou feixe. Esse valor agregado pode ser um valor de recurso para um recurso do feixe ou porta.
[057] O módulo de processamento de dados 153 também pode normalizar as informações do sistema de satélite
151. Por exemplo, o módulo de processamento de dados 153 pode normalizar cada pedaço de informação de modo que o valor de cada pedaço de informação tenha um valor dentro de uma faixa de valor particular, por exemplo, entre zero e um, inclusive. As técnicas exemplares para conversão, agregação e normalização de informações descritas abaixo em referência à FIG. 3.
[058] No estágio (F), um módulo de aprendizagem de máquina 155 obtém as informações do sistema de satélite 154 processadas e utiliza o(s) modelo(s) de aprendizagem de máquina treinado(s) e as informações do sistema de satélite 154 processadas para determinar uma ou mais causas potenciais de uma condição do sistema de comunicação por satélite. Em algumas implementações, o módulo de aprendizagem de máquina 155 gera um vetor de recurso com base nas informações do sistema de satélite 154 processadas. O vetor de recurso pode incluir valores de recurso que representam as propriedades do sistema de comunicação por satélite. Por exemplo, o vetor de recurso pode incluir um valor de recurso para cada pedaço de informação para cada componente (e/ou para cada valor agregado) incluído nas informações do sistema de satélite 154 processadas. Esse vetor de recurso é denominado aqui como um vetor de recurso para saúde de rede (FVNH) uma vez que os valores de recursos incluídos no vetor de recurso representam o status ou saúde geral do sistema de comunicação por satélite.
[059] Em algumas implementações, o módulo de aprendizagem de máquina 155 pré-processas o FVNH antes de prover o FVNH como entrada para o(s) modelo(s) de aprendizagem de máquina. O pré-processamento pode incluir a redução da dimensionalidade do FVNH, por exemplo, usando uma rede neural de alimentação direta, análise de componente principal (PCA) e/ou outra técnica de redução de dimensionalidade adequada. Ao reduzir a dimensionalidade dos FVNHs, a velocidade na qual os modelos de aprendizagem de máquina determinam causas potenciais de uma condição do sistema de comunicação por satélite pode ser elevada e a precisão dos modelos de aprendizagem de máquina pode ser aumentada ao evitar o sobreajuste.
[060] O módulo de aprendizagem de máquina 155 pode prover o FVNH pré-processado (e opcionalmente um ou mais outros FVNHs pré-processados para o mesmo período de tempo) como entrada para cada modelo de aprendizagem de máquina. Cada modelo de aprendizagem de máquina pode produzir saídas de aprendizagem de máquina 156 com base no(s) FVNH(s). As saídas de aprendizagem de máquina 156 podem indicar uma ou mais causas potenciais de uma condição do sistema de comunicação por satélite e, para cada causa potencial, uma probabilidade de que a causa potencial seja a causa real da condição. Por exemplo, cada modelo de aprendizagem de máquina pode produzir um vetor de probabilidades que inclui uma probabilidade para cada causa potencial em um conjunto de causas potenciais. O conjunto de causas potenciais pode incluir cada um dos rótulos pré-especificados que foram usados para rotular os dados de treinamento usados para treinar o(s) modelo(s) de aprendizagem de máquina. O conjunto de causas potenciais pode incluir também uma causa “normal” que indica que a comunicação por satélite está funcionando normalmente e não apresenta uma causa de um problema. Nesse exemplo, a probabilidade de causa A é 0,0%, a probabilidade de causa B é 0,1%, a probabilidade de cause C (NAS Lento) é 0,4% e a probabilidade de causa Z é 0,0%.
[061] Em algumas implementações, cada modelo de aprendizagem de máquina produz uma ou mais causas mais prováveis com base nos FVNH(s) de entrada. Cada modelo de aprendizagem de máquina também pode produzir, para cada uma ou mais causas mais prováveis, uma respectiva probabilidade de que a causa mais provável seja a causa real. Nas implementações em que o(s) modelo(s) de aprendizagem de máquina são treinados usando rótulos que indicam ações para alterar o funcionamento do sistema de comunicação por satélite, cada modelo de aprendizagem de máquina também pode produzir uma ou mais ações com base nas propriedades do sistema de comunicação por satélite e/ou a(s) causa(s) mais provável(is) da condição do sistema de comunicação por satélite. Cada modelo de aprendizagem de máquina também pode produzir, para cada ação, uma probabilidade de que a ação alterará o funcionamento do sistema de comunicação por satélite (por exemplo, uma probabilidade de que a ação corrigirá um problema no sistema de comunicação por satélite).
[062] No estágio (G), um módulo de análise e recomendação 157 recebe as saídas de aprendizagem de máquina 156, determina uma causa mais provável da condição da rede e pode selecionar uma ação para alterar o funcionamento da rede de comunicação por satélite com base na causa mais provável. Para determinar a causa mais provável, o módulo de análise e recomendação 157 pode avaliar a probabilidade de cada causa potencial. Nesse exemplo, o módulo de análise e recomendação 157 pode selecionar, como a causa mais provável, a causa com mais alta probabilidade. Caso múltiplos modelos de aprendizagem de máquina sejam usados, o módulo de análise e recomendação 157 pode determinar uma pontuação combinada (por exemplo, uma probabilidade combinada) para cada causa potencial com base na probabilidade daquela causa potencial produzida por cada modelo de aprendizagem de máquina. Por exemplo, a pontuação combinada para uma causa potencial pode ser a média das probabilidades para a causa potencial produzida pelos modelos de aprendizagem de máquina.
[063] Em algumas implementações, o módulo de análise e recomendação 157 pode determinar a causa mais provável com base nas probabilidades para cada causa potencial ao longo de um período de tempo. Por exemplo, as probabilidades de uma causa potencial podem mudar ao longo do tempo com base nas alterações nas propriedades da rede de comunicação por satélite. Em um exemplo particular, se as estatísticas ou métricas para os componentes afetados por um dispositivo NAS lento pioraram com o tempo, a probabilidade da causa de um sistema de satélite degradado causado por um NAS lento pode aumentar com o tempo. Se a probabilidade de uma causa particular permanece a mais alta probabilidade entre as diversas causas potenciais para pelo menos uma duração limite de tempo, o módulo de análise e recomendação 157 pode determinar que a causa particular seja a causa mais provável. Em outro exemplo, se a probabilidade da causa particular aumentar pelo menos um limiar durante um período de tempo ou os aumentos se tornam a probabilidade mais elevada entre as causas potenciais, o módulo de análise e recomendação 157 pode determinar que a causa particular seja a causa mais provável. No exemplo ilustrado, a probabilidade do NAS lento possui a probabilidade mais alta e pode ser selecionada como a causa mais provável.
[064] O módulo de análise e recomendação 157 pode usar um conjunto de regras e/ou um ou mais modelos de aprendizagem de máquina para selecionar uma ação para alterar o funcionamento do sistema de comunicação por satélite com base pelo menos na causa mais provável determinada. O conjunto de regras pode especificar uma ação com base em uma ou mais das causas com as probabilidades mais elevadas. Por exemplo, um regra pode especificar que, se a causa mais provável é um dispositivo NAS lento, a ação seja transferência em caso de falha do dispositivo NAS para um dispositivo NAS de reserva. Outra regra exemplas pode especificar que, se a causa mais provável é um dispositivo NAS lento e a próxima causa mais provável seja um módulo de comunicação que se comunica com o dispositivo NAS, a ação é reconfigurar o módulo de comunicação. O conjunto de regras pode ser Gerado e mantido por um operador de rede, especialista em rede ou outro usuário.
[065] Os modelos de aprendizagem de máquina para a seleção da ação podem ser treinados para selecionar uma ação com base na causa mais provável e/ou o(s) FVNH(s) usado(s) para determinar as causas potenciais e as probabilidades das causas potenciais. Os modelos de aprendizagem de máquina podem ser treinados usando vetores de recursos rotulados com ações que foram realizadas para alterar o funcionamento do sistema de comunicação por satélite (por exemplo, que corrigiu um problema com o sistema de comunicação por satélite). Em algumas implementações, os vetores de recursos usados para treinar os modelos de aprendizagem de máquina incluem um vetor de probabilidades para as causas potenciais. Em algumas implementações, os vetores de recursos incluem os dados iguais ou similares aos vetores de recursos usados para treinar os modelos de aprendizagem de máquina usados pelo módulo de aprendizagem de máquina 153 para determinar as probabilidades das causas potenciais.
[066] Os vetores de recursos também podem ser rotulados como um nível de eficácia da ação. Por exemplo, se diversas ações foram tentadas para corrigir um problema, o rótulo para os vetores de recursos que representa as propriedades do sistema de comunicação por satélite enquanto o problema ocorria pode incluir cada ação tentada e um nível de eficácia da ação. Dessa forma, os modelos de aprendizagem de máquina podem ser treinados para produzir uma ação com base na eficácia prevista para a alteração do funcionamento do sistema de comunicação por satélite.
[067] O módulo de análise e recomendação 157 pode prover o(s) vetor(es) de recurso(s) apropriado(s) como entrada para o(s) modelo(s) de aprendizagem de máquina e receber saídas de aprendizagem de máquina que indicam uma ou mais ações. Se o(s) modelo(s) de aprendizagem de máquina for(em) treinado(s) usando as probabilidades de causas potenciais, o módulo de análise e recomendação 157 pode prover, como a entrada, um ou mais vetores de probabilidades produzidos pelo módulo de aprendizagem de máquina 155. Se o(s) modelo(s) de aprendizagem de máquina for(em) treinado(s) usando os vetores de recursos que representam as propriedades do sistema de comunicação por satélite, o módulo de análise e recomendação 157 pode prover, como a entrada, FVNH(s) usado(s) pelo módulo de aprendizagem de máquina 155 para determinar as causas potenciais e suas respectivas probabilidades.
[068] O módulo de análise e recomendação 157 pode então prover dados 158 que identificam a(s) ação(ões) e/ou a(s) causa(s) mais provável(is) para um módulo de ação
161. O módulo de análise e recomendação 157 também pode prover dados 159 que identificam a(s) ação(ões) e/ou as(s) causa(s) mais provável(is) para um módulo de interface de usuário 163.
[069] No estágio (H), o módulo de interface de usuário 163 pode gerar e prover uma interface de usuário, por exemplo, para um dispositivo do usuário 143 ou outro usuário, que indica a(s) ação(ões) e/ou a(s) causa(s) mais provável(is). Em algumas implementações, o dispositivo indica a(s) ação(ões) e a(s) causa(s) mais provável(is) para o usuário 143 por meio de e-mail, mensagem de texto e/ou uma interface de linguagem falada.
[070] O módulo de interface de usuário 163 pode gerar e atualizar uma interface de painel que apresenta uma condição atual do sistema de comunicação por satélite, uma ou mais das causas mais prováveis da condição e/ou ações que podem ser realizadas para solucionar a condição, se apropriado. O módulo de interface de usuário 163 também pode gerar alarmes quando apropriado. Por exemplo, se pelo menos um número limite de FVNHs sequenciais é mapeado para a mesma causa, o módulo de interface de usuário 163 pode gerar um alarme para alertar um usuário (por exemplo, operador de rede) para a causa.
[071] No estágio (I), o módulo de ação 161 determina se deve realizar uma ação para alterar o funcionamento da rede de comunicação por satélite. Em algumas implementações, o módulo de ação 161 solicita que o usuário 143 selecione dentre uma ou mais ações recomendadas, por exemplo, a uma ou mais ações selecionadas pelo módulo de análise e recomendação 157. Se o usuário 143 selecionar uma ação, o módulo de ação 161 pode fazer com que um componente do sistema de comunicação por satélite realize a ação.
[072] Em algumas implementações, o módulo de ação 161 realiza automaticamente uma ou mais ações, por exemplo, sem entrada do usuário 143. Por exemplo, o módulo de ação 161 pode fazer com que um componente do sistema de comunicação por satélite realize uma ação (por exemplo, uma ação melhor classificada selecionada pelo módulo de análise e recomendação 157). O módulo de ação 161 pode então monitorar o status e demais informações sobre os subsistemas e componentes do sistema de comunicação por satélite para determinar se a ação foi eficaz. Caso negativo, o módulo de ação 161 pode fazer com que outra ação seja realizada, por exemplo, uma próxima ação de classificação mais elevada.
[073] O módulo de ação 161 pode determinar realizar automaticamente uma ação com base na categoria ou gravidade da causa ou condição. Por exemplo, o módulo de ação 161 pode ser configurado (por exemplo, incluir um conjunto de regras) para realizar automaticamente a ação caso a causa seja classificada em um conjunto de categorias pré- especificadas. Em outro exemplo, o módulo de ação 161 pode ser configurado para realizar automaticamente a ação após uma duração de tempo (uma vez que a causa foi detectada primeiro) e o usuário 143 não tiver selecionada uma ação ou realizado uma ação. Essa ação proativa pode evitar que um problema com o sistema de comunicação por satélite se intensifique.
[074] No estágio (J), o módulo de ação 161 provê dados 165 a um componente do sistema de satélite para iniciar a ação. Nesse exemplo, a ação selecionada serve para trocar o dispositivo NAS por outro dispositivo NAS (por exemplo, como parte de uma transferência em caso de falha) já que a causa da condição é um dispositivo NAS lento. Nesse exemplo, o módulo de ação 161 pode prover dados 165 a um sistema de gerenciamento de rede que controla os dispositivos NAS. Os dados podem fazer com que o sistema de gerenciamento de rede troque o dispositivo NAS por outro dispositivo NAS, por exemplo, um dispositivo NAS de reserva.
[075] A FIG. 2 é um diagrama que ilustra um exemplo de um sistema 200 para usar modelos de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite e inclui elementos similares aos do sistema 100 da FIG. 1. O sistema 200 pode ser implementado em um ou mais sistemas de computador. O sistema 200 inclui um módulo de dados 210 que inclui um módulo de coleção de dados 211 e um módulo de processamento de dados 212. O módulo de coleção de dados 211 pode obter informações de componente de rede (por exemplo, as informações de componente de rede 141) dos subsistemas e componentes do sistema de comunicação por satélite. Como descrito acima, as informações de componente de rede podem incluir diversas informações para cada um dos subsistemas, componentes e seus respectivos exemplos de software. O módulo de coleção de dados 211 pode obter periodicamente as informações com base em um período de tempo especificado, por exemplo, um minuto, cinco minutos, uma hora ou outro período de tempo apropriado.
[076] O módulo de coleção de dados 211 pode prover os dados brutos recebidos do(s) componente(s) do sistema de comunicação por satélite para o módulo de processamento de dados 212 e para um dispositivo de armazenamento de dados 220 para armazenamento em uma base de dados 221. O dispositivo de armazenamento de dados 220 pode ser implementado como um dispositivo NAS.
[077] O módulo de processamento de dados 212 pode preparar os dados brutos para entrada aos modelos de aprendizagem de máquina. Essa preparação pode incluir converter as informações para um formato adequado, agregar as informações e/ou normalizar as informações. Como descrito acima, algumas informações (por exemplo, dados de status e alarme) podem estar na forma de texto. Esses dados de texto podem ser convertidos em dados numéricos usando uma função de conversão.
[078] O módulo de processamento de dados 212 pode agregar uma porção das informações com base no tipo de componente, localização no sistema de comunicação por satélite e/ou o tipo de informação. Por exemplo, como descrito acima, cada pedaço de informação para diversos casos do mesmo tipo de componente e dentro da mesma parte da rede (por exemplo, parte do mesmo canal, feixe ou porta) pode ser agregado usando média, soma convexa ou outra técnica de agregação adequada. O módulo de processamento de dados 212 também pode normalizar as informações e quaisquer informações agregadas para uma faixa particular, por exemplo, de zero a um, inclusive. As técnicas exemplares para conversão, agregação e normalização de dados são ilustradas na FIG. 3 e descritas abaixo.
[079] O módulo de processamento de dados 212 pode prover os dados processados para módulos de pré- processamento de aprendizagem de máquina 230 e para o dispositivo de armazenamento de dados 220. Os módulos de pré- processamento de aprendizagem de máquina 230 incluem um módulos gerador de vetor de recurso 232 e pré-processador de vetor de recurso 234. Os módulos geradores de vetor de recurso 232 pode gerar um vetor de recurso (por exemplo, um FVNH) usando os dados processados recebidos do módulo de processamento de dados 212. O FVNH pode ser um vetor n- dimensional que inclui cada valor processado recebido do módulo de processamento de dados. Como descrito acima, o FVNH representa o status ou saúde geral do sistema de comunicação por satélite em um ponto no tempo em particular.
[080] Os módulos geradores de vetor de recurso 232 proveem o FVNH ao pré-processador de vetor de recurso 234 e ao dispositivo de armazenamento de dados 220 para armazenamento na base de dados 221. Cada FVNH pode ser armazenado na base de dados 221 com o momento correspondente aos dados incluídos no FVNH (por exemplo, momento no qual os dados foram medidos ou obtidos pelo módulo de coleção de dados 211).
[081] O pré-processador de vetor de recurso 234 pode realizar redução de dimensionalidade no FVNH usando uma ou mais técnicas de redução de dimensionalidade. Em algumas implementações, o pré-processador de vetor de recurso 234 reduz a dimensionalidade do FVNH usando uma primeira técnica de redução de dimensionalidade, por exemplo, usando uma rede neural de alimentação direta. Por exemplo, um rede neural de alimentação direta de estágio m pode reduzir a dimensionalidade do FVNH de n dimensões para m dimensões (por exemplo, de mais de 100 para entre 5 e 10). O pré-processador de vetor de recurso 234 também pode reduzir ainda a dimensionalidade do FVNH de dimensão reduzida resultante usando uma segunda técnica de redução de dimensionalidade, por exemplo, PCA. Por exemplo, isso pode reduzir a dimensionalidade de 5 a 10 dimensões para três dimensões para facilitar a visualização dos resultados pelos seres humanos.
[082] O pré-processador de vetor de recurso 234 pode prover o(s) FVNH(s) de dimensão reduzida para um conjunto de modelos de aprendizagem de máquina 240 e ao dispositivo de armazenamento de dados 220 para armazenamento na base de dados (por exemplo, com seus momentos correspondestes). Como descrito acima, cada modelo de aprendizagem de máquina 241 a 243 pode ser configurado para receber, como entrada, um ou mais FVNHs e produzir uma ou mais causas potenciais de uma condição do sistema de comunicação por satélite e, para cada causa potencial, uma respectiva probabilidade de que a causa potencial é uma causa real da condição. Além disso, como descrito acima, cada modelo de aprendizagem de máquina 241 a 243 pode ser treinado ou configurado de forma diferente de cada outro modelo de aprendizagem de máquina 241 a 243.
[083] Em algumas implementações, duas versões do FVNH são providas como entrada para cada modelo de aprendizagem de máquina. Por exemplo, a primeira versão pode ser o FVNH reduzido usando a primeira técnica de redução de dimensionalidade, por exemplo, para 5 a 10 dimensões. A segunda versão pode ser o FVNH reduzido usando a segunda técnica de redução de dimensionalidade, por exemplo, para três dimensões. Nesse exemplo, a saída de aprendizagem de máquina de ambas as versões do FVNH pode ser combinada para cada modelo de aprendizagem de máquina 241 a 243. Por exemplo, a probabilidade para cada causa potencial pode ter a média calculada para cada modelo de aprendizagem de máquina 241 a 243 antes das saídas dos modelos de aprendizagem de máquina 241 a 243 serem combinadas. Em um exemplo particular, o modelo de aprendizagem de máquina 241 pode produzir uma probabilidade para um NAS lento de 0,1% usando a primeira versão do FVNH como a entrada. O modelo de aprendizagem de máquina também pode produzir uma probabilidade para o NAS lento de 0,3% usando a segunda versão do FVNH como a entrada. Nesse exemplo, a saída de aprendizagem de máquina do modelo de aprendizagem de máquina 241 para o NAS lento seria 0,2%
(ou seja, a média entre 0,1% e 0,3%).
[084] As saídas de aprendizagem de máquina dos modelos de aprendizagem de máquina 241 a 243 são providas para um módulo de análise e recomendação 250 e para o dispositivo de armazenamento de dados 220 para armazenamento na base de dados 221. O módulo de análise e recomendação 250 pode determinar, a partir das saídas de aprendizagem de máquina, a causa mais provável da condição do sistema de comunicação por satélite e selecionar uma ação para alterar o funcionamento do sistema de comunicação por satélite. Por exemplo, como descrito acima, o módulo de análise e recomendação 250 pode determinar a causa mais provável ao combinar as saídas de aprendizagem de máquina de múltiplos modelos de aprendizagem de máquina 241 a 243 e selecionar uma ação usando um conjunto de regras e/ou um ou mais modelos de aprendizagem de máquina.
[085] O módulo de análise e recomendação 250 pode prover dados que indicam a causa mais provável e a ação selecionada para um módulo de ação 260, um módulo de interface de usuário 270 e o dispositivo de armazenamento de dados 220 para armazenamento na base de dados 221. Como descrito acima, o módulo de ação 260 pode fazer com que a ação selecionada a ser realizada, por exemplo, automaticamente, com base na categoria da causa, a gravidade da condição e/ou com base na duração de tempo transcorrido sem ação do usuário. Caso o módulo de ação 260 possa iniciar a ação ao prover dados (por exemplo, uma instrução) para um sistema de gerenciamento de rede 265 que realiza a ação ou faz com que um componente do sistema de comunicação por satélite realize a ação. O módulo de interface de usuário 270 pode prover, a um dispositivo de um usuário, dados que indiquem a causa mais provável e a ação selecionada, por exemplo, em uma interface gráfica do usuário, por meio de e- mail ou mensagem de texto, ou usando uma interface de linguagem falada.
[086] A FIG. 3 é um fluxograma que ilustra um processo exemplar 300 para a geração de um FVNH. O processo 300 pode ser realizado pelo sistema de computador 140 da FIG. 1 para gerar um FVNH que pode ser entrada para um ou mais modelos de aprendizagem de máquina e/ou usados para treinar um ou mais modelos de aprendizagem de máquina. O processo 300 pode ser realizado contínua ou periodicamente para gerar FVNHs que representam o status ou saúde do sistema de comunicação por satélite ao longo do tempo.
[087] Na etapa 302, o sistema de computador 140 coleta e armazena dados de componentes de um sistema de comunicação por satélite. Os dados podem incluir informações sobre (por exemplo, propriedades de) os subsistemas e componentes do sistema de comunicação por satélite. Por exemplo, como descrito acima, as informações podem incluir dados de status, métricas, estatísticas, dados de alarme, dados sobre erro e/ou outras informações apropriadas sobre os componentes. Os dados podem ser coletados periodicamente com base em um período de tempo especificado. Cada conjunto de dados pode ser armazenado com um carimbo de hora que indica o momento no qual os dados foram obtidos.
[088] Na etapa 304, o sistema de computador coleta e armazena dados de contexto para o sistema de comunicação por satélite. Os dados de contexto para um FVNH podem incluir uma condição do sistema de comunicação por satélite, um período de tempo no qual a condição ocorreu, uma causa da condição, uma ou mais ações tomadas (ou não tomadas) para alterar o funcionamento do sistema de comunicação por satélite (por exemplo, para corrigir um problema ou questão), categorias das causas, condições e/ou ações, e/ou dados de contexto apropriados. Os dados de contexto podem ser obtidas de um usuário (por exemplo, um operador de rede ou especialista em rede). Por exemplo, o sistema de computador pode estimular o usuário a prover os dados, por exemplo, periodicamente. Os dados de contexto para um ponto no tempo em particular podem ser armazenados com (ou com uma referência a) aos dados de componente de rede coletados para o ponto no tempo em particular.
[089] Na etapa 306, o sistema de computador 140 gera um FVNH usando os dados coletados. O sistema de computador 140 pode gerar o FVNH usando as etapas constituintes 308 a 318.
[090] Na etapa 308, o sistema de computador 140 converte os dados para um formato adequado. Por exemplo, o sistema de computador 140 pode converter quaisquer dados não numéricos em dados numéricos. Em um exemplo particular, o sistema de computador 140 pode converter os dados de status que podem ser um dentre um conjunto de estados pré-definidos em um número que representa o status usando a função de conversão que mapeia cada status para um valor numérico correspondente.
[091] Na etapa 310, o sistema de computador 140 agrega informações baseadas no tipo de componente. Por exemplo, cada componente de um mesmo tipo pode ter os mesmos tipos de status, estatística e demais dados. Um subsistema também pode incluir diversos casos do mesmo componente. Nessas situações, os dados iguais para múltiplos casos do mesmo componente podem ser agregados (por exemplo, por média ou soma convexa).
[092] Por exemplo, deixemos representar o componente ou subsistema ith e representar o tipo de status ou estatística jth de uma representação do componente ou subsistema ith no momento t. O sistema de computador 140 pode agregar o status ou estatística de representações individuais de software do mesmo tipo de componente para derivar usando uma função f. Por exemplo, o sistema de computador 140 pode realizar a agregação usando a Relação 1 abaixo: Relação 1:
[093] Nesse exemplo, representa um agregado do status ou estatística . A função f é uma função de agregação, por exemplo, uma média ou soma convexa. Por exemplo, pode ser uma velocidade média de transmissão dados para o subsistema de canal de encaminhamentos para um feixe, porta em particular ou todo o sistema de comunicação por satélite. O FVNH pode incluir cada para cada estatística ou status de cada tipo de componente no sistema de comunicação por satélite. Por exemplo, o FVNH para o momento t pode ser representado pela Relação 2 abaixo: Relação 2: FVNHt=
[094] Em algumas implementações, o sistema de computador 140 agrega diversos níveis hierárquicos dentro do sistema. Por exemplo, o sistema de computador 140 pode primeiro agregar no nível de provedor de serviço ao agregar os mesmos dados de status e estatísticos entre cada tipo de componente para cada provedor de serviço. Em seguida, o sistema de computador 140 pode agregar no nível do feixe ao agregar os mesmos dados de status e estatísticos entre todos os provedores de serviço para cada feixe individual. Depois, o sistema de computador 140 pode agregar no nível de porta ao agregar os mesmos dados de status e estatísticos entre cada feixe de cada porta individual. Por fim, o sistema de computador 140 agrega para o sistema de comunicação por satélite ao agregar os mesmos dados de status e estatísticos entre todas as portas do sistema de comunicação por satélite.
[095] Em outro exemplo, o sistema de computador 140 pode agregar dados ao identificar, para um componente do sistema de comunicação por satélite, propriedades de múltiplos subcomponentes do componente no momento correspondente ao vetor de recurso. O sistema de computador 140 pode determinar uma propriedade que represente os múltiplos subcomponentes com base nas propriedades dos múltiplos subcomponentes (por exemplo, por média ou de outro modo combinando as propriedades dos subcomponentes). O sistema de computador 140 pode incluir, no vetor de recurso, a propriedade determinada como uma propriedade do componente.
[096] Em outro exemplo, o sistema de computador 140 pode identificar, para um feixe de satélite particular, múltiplos componentes de um mesmo tipo (por exemplo, múltiplos subsistemas de canal de encaminhamento). O sistema de computador 140 pode identificar múltiplas propriedades de cada um dos múltiplos componentes. O sistema de computador 140 pode determinar, para cada propriedade, um valor agregado que representa uma agregação (por exemplo, média) da propriedades entre cada um dos múltiplos componentes. O sistema de computador 140 pode incluir, no vetor de recurso, o valor agregado como uma propriedade do feixe do satélite.
[097] Na etapa 312, o sistema de computador 140 normaliza os valores dos dados. Por exemplo, o sistema de computador 140 pode normalizar cada pedaço de dado para ficar dentro de uma faixa de zero a um, inclusive, ou outra faixa apropriada. O sistema de computador 140 pode normalizar os valores agregados, bem como os valores não agregados.
[098] Na etapa 314, o sistema de computador 140 cria uma vetor de recurso multidimensional que inclui, como valores de recursos, cada valor normalizado. Os valores de recursos representam as propriedades do sistema de comunicação por satélite. O vetor de recurso também é denominado aqui como o FVNH, já que os recursos valorizam o status ou saúde do sistema de comunicação por satélite em um ponto no tempo em particular.
[099] Na etapa 316, o sistema de computador 140 realiza a redução de dimensionalidade sobre o FVNH. Como descrito acima, o sistema de computador 140 pode reduzir a dimensionalidade do FVNH usando uma ou mais técnicas de dimensionalidade, como redes neurais de alimentação direta e/ou PCA. Por exemplo, o sistema de computador 140 pode usar uma rede neural de alimentação direta de estágio m para reduzir o número de dimensões do FVNH de “n” para “m”, em que “m” é inferior a “n” e “n” é o número de dimensões do FVNH antes da redução de dimensionalidade. Em algumas implementações, o sistema de computador 140 pode reduzir ainda a dimensionalidade do FVNH usando PCA ou outra técnica de redução de dimensionalidade apropriada.
[0100] Em funcionamento, pode-se monitorar a precisão do uso de cada versão reduzida como entrada para os modelos de aprendizagem de máquina. Se a precisão usando o FVNH reduzido para uma dimensionalidade de “m” for maior que a precisão usando FVNH mais reduzido, então os FVNHs reduzidos podem ser usados para detectar as causas de condições do sistema de comunicação por satélite em vez dos FVNHs mais reduzidos.
[0101] Na etapa 318, produz-se o FVNH reduzido e/ou mais reduzido. Por exemplo, o(s) FVNH(s) pode(m) ser provido(s) para um módulo de treinamento de aprendizagem de máquina para uso no treinamento de modelos de aprendizagem de máquina, como descrito abaixo em referência à FIG. 3. O(s) FVNH(s) também pode(m) ser provido(s) como entrada para um ou mais modelos de aprendizagem de máquina, como descrito abaixo em referência à FIG. 4.
[0102] A FIG. 4 é um fluxograma que ilustra um processo exemplar 400 para treinamento de modelos de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite. O processo 400 pode ser realizado pelo sistema de computador 140 da FIG. 1.
[0103] Na etapa 402, os vetores de recursos são rotulados com dados de tempo e contexto. Os vetores de recursos podem ser os FVNHs (por exemplo, FVNHs reduzidos) gerados usando o processo 300 de FIG. 3. O momento para cada vetor de recurso pode ser o momento no qual as propriedades representadas pelos vetores de recursos foram medidos ou detectados. Como descrito acima, os dados de contexto para um FVNH podem incluir uma condição do sistema de comunicação por satélite, um período de tempo no qual a condição ocorreu, uma causa da condição, uma ou mais ações tomadas (ou não tomadas) para alterar o funcionamento do sistema de comunicação por satélite (por exemplo, para corrigir um problema ou questão), categorias das causas, condições e/ou ações, e/ou dados apropriados de contexto. O sistema de computador 140 pode obter os dados de contexto de um usuário (por exemplo, um operador de rede ou especialista de rede). Por exemplo, o sistema de computador 140 pode prover uma interface que estimula o usuário a prover os dados, por exemplo, periodicamente. Os dados de contexto para um ponto no tempo em particular podem ser armazenados com (ou com uma referência a) o vetor de recurso para aquele ponto no tempo em particular.
[0104] Em algumas implementações, o sistema de computador 140 converte cada causa (e demais dados de contexto) na forma numérica de modo que a causa possa ser usada em equações matemáticas ao treinar o(s) modelo(s) de aprendizagem de máquina. A causa pode ser codificada usando uma técnica denominada como “codificação distribuída”, que converte um único campo (por exemplo, uma causa de uma condição) em diversos campos com valores binários.
[0105] Na etapa 404, o sistema de computador 140 treina um ou mais modelos de aprendizagem de máquina para detectar (por exemplo, prever) a causa de uma condição de um sistema de comunicação por satélite. O(s) modelo(s) de aprendizagem de máquina pode(m) ser treinado(s) usando os dados de treinamento rotulados (por exemplo, os vetores de recursos rotulados). Como descrito acima, cada um dos múltiplos modelos de aprendizagem de máquina pode ser treinado de forma diferente, por exemplo, usando diferentes parâmetros de treinamento. Os diferentes parâmetros de treinamento podem incluir diferentes tipos de modelos de aprendizagem de máquina, diferentes configurações (por exemplo, diferentes parâmetros de ajuste, diferentes otimizadores, diferentes números de camadas, etc.) de um mesmo tipo de modelo de aprendizagem de máquina, diferentes subconjuntos dos vetores de recursos rotulados e/ou outros parâmetros apropriados. O(s) modelo(s) de aprendizagem de máquina pode(m) ser configurado(s) para produzir uma ou mais causas potenciais da condição e, para cada causa, uma respectiva probabilidade de que a causa potencial é a causa real da condição.
[0106] Os modelos de aprendizagem de máquina também podem ser configurados para produzir uma probabilidade de que o sistema de comunicação por satélite está funcionando normalmente. Por exemplo, os modelos de aprendizagem de máquina podem ser treinados para produzir uma indicação de que o sistema está funcionando normalmente com base no(s) vetor(es) de recurso(s) quando o um ou mais modelos de aprendizagem de máquina detectam que a condição da comunicação por satélite está normal com base nas propriedades do sistema de comunicação por satélite.
[0107] Na etapa 406, o sistema de computador 140 gera regras e/ou modelos de aprendizagem de máquina para selecionar ações que resolvem as condições do sistema de comunicação por satélite. Como descrito acima, um conjunto de regras pode especificar uma ação baseada em uma ou mais das causas com as probabilidades mais elevadas. O conjunto de regras pode ser gerado e mantido por um operador de rede, especialista em rede ou outro usuário. Como descrito acima,
os modelos de aprendizagem de máquina para seleção da ação podem ser treinados para selecionar uma ação com base na causa mais provável e/ou nos vetores de recursos usados para determinar as causas potenciais e as probabilidades das causas potenciais.
[0108] A FIG. 5 é um fluxograma que ilustra um processo exemplar 500 para uso de modelos de aprendizagem de máquina para detectar causas de condições de um sistema de comunicação por satélite e realização de uma ação selecionada para alterar o funcionamento do sistema de comunicação por satélite. O processo 500 pode ser realizado pelo sistema de computador 140 da FIG. 1.
[0109] Na etapa 502, o sistema de computador 140 obtém vetores de recursos que representam o status atual do sistema de comunicação por satélite. Os vetores de recursos podem ser FVNHs (por exemplo, FVNHs reduzidos produzidos pelo processo 300) que incluem valores de recursos que representam propriedades de um sistema de comunicação por satélite. Os FVNHs obtidos podem representar o status ou saúde do sistema de comunicação por satélite e podem ser não rotulados, por exemplo, FVNHs para os quais a causa da condição do sistema de comunicação por satélite é desconhecida. Os FVNHs obtidos podem ser para um período de tempo recente, por exemplo, por um período de tempo a partir de um momento atual se estende de volta a um momento inicial.
[0110] Na etapa 504, o sistema de computador 140 provê pelo menos um dos vetores de recursos como entrada para o(s) modelo(s) de aprendizagem de máquina e recebe saída(s) de aprendizagem de máquina de cada modelo de aprendizagem de máquina. Por exemplo, cada modelo de aprendizagem de máquina pode produzir uma ou mais causas potenciais da condição do sistema de comunicação por satélite e, para cada causa potencial, uma probabilidade de que a causa potencial seja a causa real. O(s) modelo(s) de aprendizagem de máquina pode(m) determinar as saídas de aprendizagem de máquina com base nas propriedades do sistema de comunicação por satélite representadas pelo(s) vetor(es) de recurso(s).
[0111] Na etapa 506, o sistema de computador 140 identifica a causa da condição do sistema de comunicação por satélite indicada como a mais provável com base pelo menos nas saídas de aprendizagem de máquina. Por exemplo, se múltiplos modelos de aprendizagem de máquina são usados, o sistema de computador 140 pode combinar as saídas dos modelos. Em um exemplo particular, o sistema de computador 140 pode determinar, para cada causa potencial, uma pontuação combinada (por exemplo, uma combinação das probabilidades) para a causa potencial entre todos os modelos de aprendizagem de máquina. Por exemplo, a pontuação combinada para uma causa particular pode ser a média da probabilidade daquela causa produzida pelos modelos de aprendizagem de máquina. O sistema de computador 140 pode então identificar, como a causa mais provável, a causa potencial com a pontuação combinada mais elevada (por exemplo, a média mais elevada entre os modelos). Se um único modelo de aprendizagem de máquina é usado, o sistema de computador 140 pode identificar, como a causa mais provável, a causa potencial com a probabilidade mais elevada produzida pelo modelo.
[0112] Como descrito acima, o sistema de computador 140 pode identificar a causa mais provável com base nas saídas de aprendizagem de máquina durante um período de tempo particular. Nesse exemplo, o sistema de computador 140 pode identificar, como a causa mais provável, uma causa potencial que mantém a probabilidade mais elevada entre as diversas causas potenciais para pelo menos uma duração de tempo limite ou uma causa potencial que possui uma probabilidade que aumenta pelo menos uma quantidade limite ao longo de um período de tempo ou aumenta até se tornar a probabilidade mais elevada entre as causas potenciais. Em um exemplo particular, o sistema de computador 140 pode identificar a causa mais provável pela identificação, para cada causa potencial e com base nas saídas de aprendizagem de máquina recebidas durante o período de tempo particular, de uma sequência de probabilidades de que a causa potencial seja uma causa real da condição do sistema durante o período de tempo particular. O sistema de computador 140 pode selecionar a causa particular com base na sequência de probabilidades para cada causa potencial. Por exemplo, o sistema de computador 140 pode selecionar uma causa em resposta às probabilidades para a causa que aumento ao longo da sequência.
[0113] Em outro exemplo, cada modelo de aprendizagem de máquina pode ser treinado para produzir uma indicação de causas potenciais (e/ou suas probabilidades) da condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite durante um período de tempo particular representado por múltiplos vetores de recursos. Nesse exemplo, a entrada para cada modelo de aprendizagem de máquina pode ser múltiplos vetores de recursos para o período de tempo particular. Cada vetor de recurso pode incluir valores de recursos que representam propriedades do sistema de comunicação por satélite em momentos dentro do período de tempo diferentes de cada outro vetor de recurso. Por exemplo, um vetor de recurso pode ser para um primeiro ponto no tempo e um segundo vetor de recurso pode ser para um segundo ponto no tempo diferente do primeiro ponto no tempo.
[0114] Na etapa 508, o sistema de computador 140 seleciona uma ação para alterar o funcionamento do sistema de comunicação por satélite com base pelo menos na causa mais provável. Por exemplo, como descrito acima, um conjunto de regras ou um ou mais modelos de aprendizagem de máquina podem ser usados para selecionar uma ação com base pelo menos na causa mais provável. O sistema de computador 140 pode acessar um conjunto de regras que especifica, para cada causa potencial, uma ou mais ações correspondentes para alteração do funcionamento de rede do sistema de comunicação por satélite. O sistema de computador 140 pode selecionar, como a ação para alterar o funcionamento de rede do sistema de comunicação por satélite, pelo menos uma ou mais ações que correspondem à causa mais provável.
[0115] O sistema de computador 140 também pode selecionar a ação com base nas demais causas (por exemplo, as principais causas n), os vetores de recursos usados para detectar a(s) causa(s), dados que especificam se as ações forma bem-sucedidas na resolução da condição no passado e/ou outros dados apropriados. Por exemplo, o sistema de computador 140 pode prover dados que indicam a causa mais provável e o(s) vetor(es) de recurso(s) como entrada para um ou mais modelos de aprendizagem de máquina. O um ou mais modelos de aprendizagem de máquina podem ser treinados para receber uma causa de uma condição do sistema de comunicação por satélite e pelo menos um vetor de recurso que inclua valores de recursos representando propriedades do sistema de comunicação por satélite, e produzir uma indicação de uma ou mais ações para alterar o funcionamento de rede do sistema com base na causa do(s) vetor(es) de recurso(s).
[0116] O sistema de computador 140 pode receber, de cada um dos um ou mais modelos de aprendizagem de máquina, uma ou mais saídas de aprendizagem de máquina que indicam uma ou mais ações para alterar o funcionamento de rede do sistema (por exemplo, e opcionalmente uma classificação das ações) com base na causa e o(s) vetor(es) de recurso(s). O sistema de computador 140 pode selecionar a ação para alterar o funcionamento de rede do sistema com base pelo menos nas saídas de aprendizagem de máquina. O sistema de computador 140 também pode selecionar a ação com base nos dados que especificam resultados de cada uma ou mais ações quando cada uma ou mais ações foram previamente realizadas em resposta a um caso prévio de condições sistema de comunicação por satélite condições associadas à causa particular. Por exemplo, o sistema de computador 140 pode selecionar a ação que possui a porcentagem de sucesso mais elevada indicando a porcentagem de tempo que a ação foi bem-sucedida em solucionar a condição. Em algumas implementações, os modelos de aprendizagem de máquina são treinados para produzir a indicação da uma ou mais ações com base nos resultados de ações anteriores realizadas em resposta a condições prévias do sistema e causa associada das condições prévias.
[0117] Na etapa 510, o sistema de computador 140 provê uma indicação da causa mais provável e/ou a ação selecionada. Por exemplo, o sistema de computador 140 pode gerar e prover uma interface de usuário que apresenta a causa mais provável (e opcionalmente outras causas, como n principais causas potenciais) e/ou a ação selecionada (e opcionalmente outras ações potenciais, como as n ações principais que poderiam solucionar a condição). Em outro exemplo, o sistema de computador 140 pode prover a indicação por meio de e-mail, mensagem de texto ou uma interface de linguagem falada.
[0118] Na etapa 512, realiza-se a ação selecionada. Por exemplo, o sistema de computador 140 pode estimular um usuário (por exemplo, operador de rede) a realizar a ação selecionada (ou uma das demais ações). Em outro exemplo, o sistema de computador 140 pode iniciar automaticamente a ação selecionada, por exemplo, se a ação ou causa é classificada em um conjunto de categorias para as quais as ações podem ser realizadas automaticamente ou se uma duração de tempo limite tiver transcorrido desde a detecção da causa.
[0119] O sistema de computador 140 pode determinar realizar a ação selecionada (por exemplo, sem receber um comando de um operador de rede ou outro usuário para realizar a ação selecionada) com base em uma duração de tempo entre a provisão da indicação da causa da condição do sistema de comunicação por satélite e recebimento de comando de um usuário para realizar a ação selecionada que excede uma duração limite. Em outro exemplo, o sistema de computador 140 pode determinar realizar a ação selecionada sem receber um comando de um usuário para realizar a ação selecionada com base em uma categoria da causa (por exemplo, o sistema de computador 140 pode realizar ações para algumas categorias de causas sem entrada do usuário enquanto não realização a ação para outra categorias). Em outro exemplo, o sistema de computador 140 pode determinar realizar a ação selecionada sem receber um comando de um usuário para realizar a ação selecionada com base em uma gravidade da causa e/ou uma gravidade da condição do sistema de comunicação por satélite (por exemplo, se a cause ou condição tiver pelo menos um nível limite de gravidade, o sistema de computador 140 pode realizar a ação automaticamente sem entrada do usuário).
[0120] Após a ação selecionada ser realizada, o sistema de computador 140 pode determinar se a ação selecionada solucionou a condição (por exemplo, corrigiu um problema com o sistema). Por exemplo, como descrito acima, o sistema de computador 140 pode processar continuamente os vetores de recursos para determinar uma causa de uma condição do sistema de comunicação por satélite. Se a(s) saída(s) dos modelos de aprendizagem de máquina muda(m) (por exemplo, da causa para a qual a ação foi selecionada para normal), o sistema de computador 140 pode determinar que a ação solucionou a condição. Se a(s) saída(s) dos modelos de aprendizagem de máquina permanecem igual(is) (por exemplo, a causa mais provável permanece igual embora as probabilidades para cada causa possa variar) por pelo menos uma duração de tempo limite, o sistema de computador 140 pode determinar que a ação não solucionou a condição.
[0121] Na etapa 514, o sistema de computador 140 atualiza o(s) modelo(s) de aprendizagem de máquina. Por exemplo, se a condição é solucionada, o sistema de computador 140 pode rotular os vetores de recursos usados para detectar a causa com a causa real e outros dados de contexto (por exemplo, a ação que solucionou a condição). Os vetores de recursos rotulados podem então ser usados, com outros vetores de recursos rotulados (por exemplo, aqueles usados anteriormente para treinar os modelos), para atualizar o(s) modelo(s) de aprendizagem de máquina. Se a condição não é solucionada, o sistema de computador 140 pode rotular os vetores de recursos usados para detectar a causa com dados indicando que a ação selecionada não solucionou a condição.
[0122] O sistema de computador 140 também pode receber dados adicionais de treinamento que incluem um conjunto de vetores de recursos, por exemplo, vetores de recursos rotulados com dados de contexto. Cada vetor de recurso adicional pode incluir valores de recursos que representam propriedades do sistema de comunicação por satélite detectadas em um momento correspondente ao vetor de recurso adicional. Os dados adicionais de treinamento também podem incluir rótulos para os vetores de recursos adicionais. O rótulo para um vetor de recurso pode especificar uma causa de uma condição do sistema de comunicação por satélite no momento correspondente ao vetor de recurso adicional. O sistema de computador 140 pode treinar cada modelo de aprendizagem de máquina usando os dados adicionais de treinamento, por exemplo, em combinação com os dados de treinamento anteriormente usados para treinar o(s) modelo(s) de aprendizagem de máquina.
[0123] Na etapa 516, o sistema de computador 140 (ou outro sistema de computador) usa o(s) modelo(s) de aprendizagem de máquina para detectar causas de condições de outros sistemas de comunicação por satélite. Por exemplo,
o(s) mesmo(s) modo(s) de aprendizagem de máquina pode(m) ser usado(s) para detectar causas de condições em sistemas similares de comunicação por satélite e sistemas de comunicação por satélite para os quais a quantidade de dados rotulados não é suficiente para treinar modelos precisos. Os modelos de aprendizagem de máquina podem então ser atualizados com base nos vetores de recursos usados para detectar causas de condições dos demais sistemas de comunicação por satélite e rótulos de causas determinadas como as causas das condições.
[0124] O sistema de computador 140 (ou outro sistema de computador) pode identificar sistemas similares de comunicação por satélite usando um ou mais critérios. Os critérios podem incluir tipos de disposições de componentes nos sistemas, tamanho de espectro, tráfego de dados (por exemplo, tráfego de nível de aplicativo), localização geográfica e/ou outros critérios apropriados. Por exemplo, se dois sistemas de comunicação por satélite possuem conexões similares de encaminhamento e/ou retorno dimensionadas (por exemplo, dentro de uma quantidade de espectro limite), o sistema de computador 140 pode determinar que os dois sistemas são similares.
[0125] Em outro exemplo, se pelo menos uma porção do tráfego de nível de aplicativo (por exemplo, pelo menos 50% do tráfego de nível de aplicativo) é de um mesmo tipo, o sistema de computador 140 pode determinar que os dois sistemas são similares. Em um exemplo particular, dois sistemas que são principalmente usados por pequenos escritórios e usuários domésticos podem ter um tipo comum de tráfego de nível de aplicativo e dois sistemas que são principalmente usados para aplicativos corporativos podem ter um tipo comum de tráfego de nível de aplicativo. Nesse exemplo, o sistema de computador 140 pode determinar que os dois sistemas principalmente usados por escritórios pequenos e usuários domésticos são similares. Do mesmo modo, o sistema de computador 140 pode determinar que os dois sistemas principalmente usados para aplicativos corporativos são similares.
[0126] Ainda em outro exemplo, os sistemas de comunicação por satélite na mesma região geográfica (por exemplo, mesmo país, continente, estado, etc.) podem ter arquitetura ou padrões de tráfego similares. Nesse exemplo, o sistema de computador pode determinar que os sistemas são similares caso estejam localizados na mesma região geográfica.
[0127] As realizações da invenção e todas as operações funcionais descritas nesse relatório descritivo podem ser implementadas em circuito eletrônico digital, ou em software, firmware ou hardware de computador, inclusive as estruturas reveladas nesse relatório descritivo e seus equivalente estruturais, ou em combinações de um ou mais destes. As realizações da invenção podem ser implementadas, em parte, como um ou mais produtos de programa de computador, ou seja, um ou mais módulos de instruções de programa de computador codificadas em uma mídia de leitura por computador para execução por, ou para controlar a operação de, aparelho de processamento de dados. A mídia de leitura por computador pode ser uma mídia de armazenamento de leitura por computador não transitória, um dispositivo de armazenamento de leitura por máquina, um substrato de armazenamento de leitura por máquina, um dispositivo de memória, uma composição de matéria que realiza um sinal propagado de leitura por máquina ou uma combinação de um ou mais destes. O termo “aparelho de processamento de dados” abrange todos os aparelhos, dispositivos e máquinas para processamento de dados, inclusive, por exemplo, um processador programável, um computador ou múltiplos processadores ou computadores. O aparelho pode incluir, além do hardware, código que cria um ambiente de execução para o programa de computador em questão, por exemplo, código que constitui o firmware do processador, uma pilha de protocolo, um sistema de gerenciamento de base de dados, um sistema operacional, ou uma combinação de um ou mais destes.
[0128] Um programa de computador (também conhecido como programa, software, aplicativo de software, script ou código) pode ser escrito em qualquer forma de linguagem de programação, inclusive linguagens compiladas ou interpretadas, e pode ser empregado em qualquer forma, inclusive como programa autônomo ou como um módulo, componente, sub-rotina, ou outra unidade adequada para uso em um ambiente informático. Um programa de computador não necessariamente corresponde a um arquivo em um sistema de arquivos. Um programa pode ser armazenado em uma porção de um arquivo que mantém outros programas ou dados (por exemplo, um ou mais scripts armazenados em um documento de linguagem de marcação), em um único arquivo dedicado ao programa em questão, ou em múltiplos arquivos coordenados (por exemplo, arquivos que armazenam um ou mais módulos, subprogramas, ou porções de códigos). Um programa de computador pode ser implantado para ser executado em um computador ou em diversos computadores que estejam localizados em um local em distribuídos entre diversos locais e interconectados por uma rede de comunicação.
[0129] Os processos e fluxos lógicos descritos nesse relatório descritivo podem ser realizados por um ou mais processadores programáveis que executam um ou mais programas de computador para realizar as funções operando em dados de entrada e geração de saídas. Os processos e fluxos lógicos podem também ser realizados por, e o aparelho pode ser também implementado como, circuito lógico de fins especiais, por exemplo, uma FPGA (matriz de portas de campo programável) ou um ASIC (circuito integrado específico à aplicação).
[0130] Apesar de esse relatório descritivo conter muitos detalhes, não devem ser interpretados como limitações do escopo da invenção ou do que pode ser reivindicado, mas sim como descrições de recursos específicos a realizações particulares da invenção. Determinados recursos são descritos nesse relatório descritivo no contexto de realizações separadas e também podem ser implementados em combinação em uma única realização. Contrariamente, os diversos recursos descritos no contexto de uma única realização também podem ser implementados em diversas realizações separadamente ou em qualquer subcombinação adequada. Além disso, embora os recursos possam ser descritos acima como atuando em determinadas combinações e mesmo inicialmente reivindicados como tal, um ou mais recursos de uma combinação reivindicada podem, em alguns casos, ser removidos da combinação, e a combinação reivindicada pode ser direcionada a uma subcombinação ou variação de uma subcombinação.
[0131] Do mesmo modo, embora as operações sejam representadas nos desenhos em uma ordem particular, isso não deve ser compreendido como necessário para que essas operações sejam realizadas na ordem particular mostrada ou em ordem sequencial, ou que todas as operações ilustradas sejam realizadas, para se atingir resultados desejáveis. Em determinadas circunstâncias, o processamento multitarefa e paralelo pode ser vantajoso. Além disso, a separação de diversos componentes do sistema nas realizações descritas acima não deve ser interpretada como exigindo tal separação em todas as realizações, e deve-se compreender que os componentes de programa e sistemas descritos podem geralmente ser integrados em conjunto em um único produto de software ou acondicionados em diversos produtos de software.
[0132] Portanto, as realizações particulares da invenção foram descritas. Outras realizações encontram-se dentro do escopo das reivindicações a seguir. Por exemplo, as ações mencionadas nas reivindicações podem ser realizadas em uma ordem diferente e ainda atingir os resultados desejáveis.

Claims (20)

REIVINDICAÇÕES
1. MÉTODO REALIZADO POR UM OU MAIS COMPUTADORES, caracterizado por compreender: obtenção, por meio do um ou mais computadores, de um ou mais vetores de recursos que correspondem, respectivamente, a diferentes momentos, cada vetor de recurso incluindo valores de recursos que representam propriedades de um sistema de comunicação por satélite no momento correspondente ao vetor de recursos; provisão, por meio do um ou mais computadores, de um ou mais vetores de recursos como entrada a um ou mais modelos de aprendizagem de máquina, cada um dos um ou mais modelos de aprendizagem de máquina sendo treinado para receber pelo menos um vetor de recurso que inclui valores de recursos representando propriedades do sistema de comunicação por satélite e saída de uma indicação de causas potenciais de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite; recebimento, por meio do um ou mais computadores e de cada um dos um ou mais modelos de aprendizagem de máquina, de uma ou mais saídas de modelo de aprendizagem de máquina que indicam uma ou mais causas potenciais de uma condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite representado pelo um ou mais vetores de recursos; determinação, por meio do um ou mais computadores e com base na uma ou mais saídas de modelo de aprendizagem de máquina recebidas de cada um dos um ou mais modelos de aprendizagem de máquina, uma causa particular indicada como sendo a causa mais provável da condição do sistema de comunicação por satélite; e provisão, a um dispositivo, de uma indicação da causa particular da condição do sistema de comunicação por satélite.
2. MÉTODO, de acordo com a reivindicação 1, caracterizado por compreender ainda: seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular; e fazendo com que a ação selecionada seja realizada.
3. MÉTODO, de acordo com qualquer uma das reivindicações 1 ou 2, caracterizado por compreender ainda treinamento do um ou mais modelos de aprendizagem de máquina usando dados de treinamento rotulados para um sistema de comunicação por satélite particular, os dados de treinamento rotulados incluindo, para cada pluralidade de momentos, propriedades do sistema de comunicação por satélite particular no momento e rótulos que indicam uma ou mais causas de uma condição do sistema de comunicação por satélite particular no momento, em que o um ou mais rótulos são designados às propriedades do sistema de comunicação por satélite particular por um operador de rede.
4. MÉTODO, de acordo com a reivindicação 3, caracterizado por: um ou mais modelos de aprendizagem de máquina incluírem diversos modelos de aprendizagem de máquina; e cada modelo de aprendizagem de máquina ser treinado usando parâmetros de treinamento diferentes de cada outro modelo de aprendizagem de máquina, os diferentes parâmetros de treinamento incluindo pelo menos um dentre (i) diferentes tipos de modelos de aprendizagem de máquina, (ii) diferentes subconjuntos dos dados de treinamento rotulados, ou (iii) diferentes configurações de um mesmo tipo de modelo de aprendizagem de máquina.
5. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 4, caracterizado por: um ou mais modelos de aprendizagem de máquina incluem múltiplos modelos de aprendizagem de máquina; uma ou mais saídas de modelo de aprendizagem de máquina incluem, para cada causa potencial da condição do sistema de comunicação por satélite, uma probabilidade de que a causa potencial seja uma causa real da condição do sistema de comunicação por satélite; e determinação da causa particular indicada como a causa mais provável da condição do sistema de comunicação por satélite compreende a determinação da causa particular com base em uma ou mais pontuações combinadas geradas pela determinação, para cada uma ou mais causas potenciais, de uma combinação das probabilidades produzidas pelos modelos de aprendizagem de máquina para a causa potencial.
6. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo um ou mais modelos de aprendizagem de máquina serem treinados para produzir uma indicação de que a condição do sistema de comunicação por satélite é normal com base no um ou mais vetores de recursos quando o um ou mais modelos de aprendizagem de máquina detectam que a condição da comunicação por satélite é normal com base nas propriedades do sistema de comunicação por satélite.
7. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado por: um ou mais vetores de recursos incluírem múltiplos vetores de recursos para um período de tempo particular, cada vetor de recurso incluindo valores de recursos que representam propriedades do sistema de comunicação por satélite em um momento dentro do período de tempo diferente de cada outro vetor de recurso; e um ou mais modelos de aprendizagem de máquina são treinados para produzirem uma indicação de causas potenciais da condição do sistema de comunicação por satélite com base nas propriedades do sistema de comunicação por satélite durante o período de tempo representado pelos múltiplos vetores de recursos.
8. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado por compreender ainda atualização do um ou mais modelos de aprendizagem de máquina, a atualização compreendendo: recebimento de dados adicionais de treinamento que inclui (i) um conjunto de vetores de recursos adicionais, em que cada vetor de recurso adicional inclui valores de recursos que representam propriedades reais do sistema de comunicação por satélite detectadas em um momento correspondente ao vetor de recurso adicional e (ii) rótulos para o vetor adicional de recursos, incluindo um rótulo, para cada vetor adicional de recurso, que especifica uma causa de uma condição do sistema de comunicação por satélite no momento correspondente ao vetor adicional de recurso; e treinamento do um ou mais modelos de aprendizagem de máquina usando os dados adicionais de treinamento.
9. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado por compreender o uso do um ou mais modelos de aprendizagem de máquina para determinar as causas mais prováveis de condições de um segundo sistema de comunicação por satélite diferentes do sistema de comunicação por satélite com base nas propriedades do segundo sistema de comunicação por satélite.
10. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 9, caracterizado por compreender ainda seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos nas saídas de modelo de aprendizagem de máquina e a causa particular, a seleção compreendendo: acesso de um conjunto de regras que especificam, para cada cause potencial, uma ou mais ações correspondentes para alterar o funcionamento de rede do sistema de comunicação por satélite; e seleção, como a ação para alterar o funcionamento de rede do sistema de comunicação por satélite, de pelo menos a uma ou mais ações que correspondem à causa particular.
11. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 10, caracterizado por compreender ainda a seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular, a seleção compreendendo: provisão de dados indicando a causa particular e o um ou mais vetores de recursos como entrada para um ou mais segundos modelos de aprendizagem de máquina treinados para receber uma causa de uma condição do sistema de comunicação por satélite e pelo menos um vetor de recurso que inclui valores de recursos representando propriedades do sistema de comunicação por satélite e produz uma indicação da uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base na causa e no pelo menos um vetor de recurso; recebimento, de cada um dentre o um ou mais segundos modelos de aprendizagem de máquina, uma ou mais saídas de aprendizagem de máquina que indicam uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base na causa particular e o um ou mais vetores de recursos; e seleção da ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base em pelo menos uma ou mais segundas saídas de aprendizagem de máquina.
12. MÉTODO, de acordo com a reivindicação 11, sendo a seleção da ação para alterar o funcionamento de rede do sistema de comunicação por satélite caracterizada por compreender seleção da ação com base em dados que especificam resultados de cada uma da uma ou mais ações indicadas pela uma ou mais segundas saídas de aprendizagem de máquina quando cada uma da uma ou mais ações for realizada anteriormente em resposta a um caso anterior de condições do sistema de comunicação por satélite associadas à causa particular.
13. MÉTODO, de acordo com qualquer uma das reivindicações 11 ou 12, caracterizado pelo um ou mais segundos modelos de aprendizagem de máquina serem treinados para produzir a indicação da uma ou mais ações para alterar o funcionamento de rede do sistema de comunicação por satélite com base nos resultados de ações anteriores realizadas em resposta a condições anteriores do sistema de comunicação por satélite e causas associadas das condições anteriores.
14. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 13, sendo a determinação, por meio do um ou mais computadores e baseada na uma ou mais saídas de modelo de aprendizagem de máquina recebidas de cada um do um ou mais modelos de aprendizagem de máquina, de uma causa particular indicada como a causa mais provável da condição do sistema de comunicação por satélite caracterizada por compreender: identificação, para cada uma ou mais causas potenciais e baseada na uma ou mais saídas de aprendizagem de máquina recebidas de cada um ou mais modelos de aprendizagem de máquina para vetores de recursos que representam propriedades do sistema de comunicação por satélite durante um período de tempo particular, de uma sequência de probabilidades de que a causa potencial ser uma causa real da condição do sistema de comunicação por satélite durante um período de tempo particular; e seleção da causa particular com base na sequência de probabilidades para a causa particular e na sequência de probabilidades para cada outra causa potencial.
15. MÉTODO, de acordo com a reivindicação 14, sendo a seleção da causa particular com base na sequência de probabilidades para a causa particular e na sequência de probabilidades para cada outra causa potencial caracterizada por compreender a seleção da causa particular em resposta à detecção de um aumento nas probabilidades para a causa particular durante o período de tempo particular.
16. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 15, caracterizado por compreender: seleção, por meio do um ou mais computadores, de uma ação para alterar o funcionamento de rede do sistema de comunicação por satélite com base pelo menos na causa particular; determinação para realizar automaticamente a ação selecionada com base em pelo menos um dentre (i) uma duração de tempo entre a provisão da indicação da causa particular da condição do sistema de comunicação por satélite e recebimento de um comando do operador para realizar a ação selecionada que excede uma duração limite, (ii) uma categoria da causa particular, (iii) uma gravidade da causa particular, ou (iv) uma gravidade da condição do sistema de comunicação por satélite; e fazer com que a ação selecionada seja realizada.
17. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 16, caracterizado por compreender ainda a geração de cada um do um ou mais vetores de recursos, a geração para cada vetor de recurso particular compreendendo: identificação, para um componente do sistema de comunicação por satélite, das propriedades de múltiplos subcomponentes do componente no momento correspondente ao vetor de recurso particular; determinação de uma propriedade que representa os múltiplos subcomponentes com base nas propriedades dos múltiplos subcomponentes; e inclusão, no vetor de recurso particular e como uma propriedade do componente, da propriedade determinada.
18. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 17, caracterizado por compreender ainda a geração de cada um ou mais vetores de recursos, a geração para cada vetor de recurso particular compreendendo: identificação, para um feixe de satélite particular, de múltiplos componentes de um mesmo tipo; identificação de múltiplas propriedades de cada um dos múltiplos componentes; determinação, para cada propriedade das múltiplas propriedades, de um valor agregado que represente uma agregação da propriedade entre cada um dos múltiplos componentes; e inclusão, no vetor de recurso particular e como uma propriedade do feixe de satélite, do valor agregado determinado.
19. SISTEMA, caracterizado por compreender: um ou mais computadores; e uma ou mais mídias de leitura por computador que armazenam instruções que, quando executadas por meio do um ou mais computadores, faz com que o um ou mais computadores realizem as operações do método, conforme definido em qualquer uma das reivindicações 1 a 18.
20. UMA OU MAIS MÍDIAS DE LEITURA POR COMPUTADOR, caracterizadas por armazenar instruções que, quando executadas pelo um ou mais computadores, faz com que o um ou mais computadores realizem as operações do método, conforme definido em qualquer uma das reivindicações 1 a 18.
Sistema de Satélite Causa: NAS Lento Ação: NAS de transferência
Causa: NAS Lento
Petição 870210018487, de 25/02/2021, pág. 81/184 Ação: Trocar NAS
Módulo de Módulo Porta A Ação UI
Trocar NAS Rede Módulo de Análise e Recomendação Porta B
Informações rotuladas 1/5
Subsistema IP: Excesso de WAN: 13k Informações de Subsistema de encaminhamento: 3,1 Mbps componente de rede Condição: Tráfego de rede lento Causa: NAS lento ProbA: 0.0% Ação: Trocar NAS ProbB: 0.1% Feixe A: 0 MB/s ProbC (NAS Lento): 0.4% Sistema de tráfego IP A: Ativo Módulo de Treinamento Modelo(s) de Aprendizagem de Máquina ProbZ 0.0% de Aprendizagem de Excesso de WAN Contagem regressiva de Máquina Subsistema IP 20k eixo de aceleração 564
Subsistema de canal de Módulo de encaminhamento Módulo de Aprendizagem de Subsistema de canal de Processamento de Máquina retorno Dados Subsistema de Alarme de tráfego de Alarme de saúde de infraestrutura roteador presente NAS não presente
Módulos de dados Módulo de pré-processamento de aprendizagem de Dados Dados máquina brutos Módulo de processados Módulo de Módulo gerador Pré-processador Componentes de Coleção de Processament de vetor de de vetor de
Petição 870210018487, de 25/02/2021, pág. 82/184 Rede de Satélite o de Dados dados recurso recurso
Dados processados Dados brutos Armazenamento FVNH de dados FVNH normalizado/reduzido base de dados
Sistema de gerenciamento 2/5 de rede Relatar Saída de modelo1 Curso de Causa/Ação FVNH normalizado/Reduzido ação Módulo (ões) Módulo de análise Modelo 1 Saída de modelo1 de ação e recomendação Saída de modelo2 Modelo 2 FVNH normalizado/Reduzido Saída de modelo2
Causa/Ação Saída de modelo3 FVNH normalizado/Reduzido Módulo (ões) Modelo N UI Saída de modelo3
Modelos de aprendizagem de máquina
COLETAR E ARMAZENAR DADOS DE COMPONENTES DE
REDE DE COMUNICAÇÃO DE SATÉLITE
COLETAR E ARMAZENAR DADOS DE CONTEXTO PARA REDE
DE COMUNICAÇÃO DE SATÉLITE GERAR VETOR DE RECURSO PARA SAÚDE DE REDE (FVNH)
CONVERTER DADOS AO FORMATO APROPRIADO
AGREGAR INFORMAÇÕES COM BASE NO TIPO DE
COMPONENTE
NORMALIZAR VALORES DE INFORMAÇÕES
CRIAR VETOR DE RECURSO MULTIDIMENSIONAL
REALIZAR REDUÇÃO DE DIMENSIONALIDADE NO VETOR DE
RECURSO
PRODUZIR FVNH
ROTULAR VETORES DE RECURSO COM MOMENTO
CORRESPONDENTE E DADOS DE CONTEXTO TREINAR MODELO(S) DE APRENDIZAGEM DE MÁQUINA PARA
PREVER CAUSA DE CONDIÇÃO DE SISTEMA DE
COMUNICAÇÃO DE SATÉLITE USANDO OS VETORES DE
RECURSO GERAR REGRAS E/OU MODELOS DE APRENDIZAGEM DE
MÁQUINA PARA SELECIONAR AÇÕES QUE RESOLVEM
CONDIÇÕES
OBTER VETORES DE RECURSOS PROVER VETORES DE RECURSOS COMO ENTRADAS PARA O(S) MODELO(S) DE APRENDIZAGEM DE MÁQUINA E RECEBER SAÍDAS DE
MODELO DE APRENDIZAGEM DE MÁQUINA
IDENTIFICAR CAUSA DE CONDIÇÃO DE SISTEMA DE COMUNICAÇÃO
DE SATÉLITE INDICADA COMO A MAIS PROVÁVEL COM BASE PELO
MENOS NAS SAÍDAS DE MODELO DE APRENDIZAGEM DE MÁQUINA
SELECIONAR UMA AÇÃO PARA ALTERAR OPERAÇÃO DO SISTEMA DE
COMUNICAÇÃO DE SATÉLITE COM BASE PELO MENOS NA CAUSA
MAIS PROVÁVEL
PROVER INDICAÇÃO DA CAUSA DA CONDIÇÃO E AÇÃO
SELECIONADA PARA USUÁRIO
REALIZAR AÇÃO SELECIONADA PARA ALTERAR FUNCIONAMENTO
DE REDE ATUALIZAÇÃO MODELO(S) DE APRENDIZAGEM DE MÁQUINA USAR MODELO(S) DE APRENDIZAGEM DE MÁQUINA PARA DETECTAR
CAUSAS DE CONDIÇÕES PARA REDES ADICIONAIS
BR112021003586-9A 2018-08-31 2019-08-28 método realizado por um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador BR112021003586A2 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/118,836 2018-08-31
US16/118,836 US10594027B1 (en) 2018-08-31 2018-08-31 Machine learning models for detecting the causes of conditions of a satellite communication system
PCT/US2019/048613 WO2020047130A1 (en) 2018-08-31 2019-08-28 Machine learning models for detecting the causes of conditions of a satellite communication system

Publications (1)

Publication Number Publication Date
BR112021003586A2 true BR112021003586A2 (pt) 2021-05-18

Family

ID=67982132

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112021003586-9A BR112021003586A2 (pt) 2018-08-31 2019-08-28 método realizado por um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador

Country Status (5)

Country Link
US (3) US10594027B1 (pt)
EP (1) EP3844895A1 (pt)
BR (1) BR112021003586A2 (pt)
CA (1) CA3110978A1 (pt)
WO (1) WO2020047130A1 (pt)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997748B2 (en) * 2019-04-19 2021-05-04 The Boeing Company Machine learning model development with unsupervised image selection
US11450419B1 (en) * 2019-04-30 2022-09-20 Splunk Inc. Medication security and healthcare privacy systems
US11503615B2 (en) * 2019-12-31 2022-11-15 Hughes Network Systems, Llc Bandwidth allocation using machine learning
US11689944B2 (en) 2019-12-31 2023-06-27 Hughes Network Systems, Llc Traffic flow classification using machine learning
CN111541474B (zh) * 2020-04-21 2021-08-31 中国电子科技集团公司第五十四研究所 一种基于卫星移动通信系统地面信关站的健康管理系统
CN112272381B (zh) * 2020-10-22 2022-08-30 大连大学 一种卫星网络任务部署方法和系统
US11722380B2 (en) 2020-11-10 2023-08-08 Accenture Global Solutions Limited Utilizing machine learning models to determine customer care actions for telecommunications network providers
US11968023B2 (en) * 2020-12-02 2024-04-23 Star Mesh LLC Systems and methods for creating radio routes and transmitting data via orbiting and non-orbiting nodes
CN113791429B (zh) * 2021-08-10 2024-05-07 北京自动化控制设备研究所 一种基于svm的卫星接收机故障分析方法
CN114337778B (zh) * 2021-12-28 2022-06-24 军事科学院系统工程研究院网络信息研究所 一种基于联合概率的卫星通信频轨资源数据修正方法
CN114900224B (zh) * 2022-04-15 2023-06-09 中国电子科技集团公司第十研究所 一种飞行器越区切换目标测控卫星的方法及相关设备
US20240073113A1 (en) * 2022-08-31 2024-02-29 Hughes Network Systems, Llc Machine learning to enhance satellite terminal performance
CN116249164A (zh) * 2023-03-15 2023-06-09 广州爱浦路网络技术有限公司 卫星通信的Qos参数调节方法、装置、电子设备和存储介质
CN116318374B (zh) * 2023-05-19 2023-07-21 红珊科技有限公司 基于业务量分析的卫星通信数据通道分析系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5550704A (en) * 1978-10-06 1980-04-12 Japan Radio Co Ltd Antenna unit for satellite communication
US6681215B2 (en) 2001-03-20 2004-01-20 General Electric Company Learning method and apparatus for a causal network
US9015194B2 (en) 2007-07-02 2015-04-21 Verint Systems Inc. Root cause analysis using interactive data categorization
CN102487293B (zh) 2010-12-06 2014-09-03 中国人民解放军理工大学 基于网控的卫星通信网异常检测系统
US9122602B1 (en) 2011-08-31 2015-09-01 Amazon Technologies, Inc. Root cause detection service
US20150172096A1 (en) 2013-12-17 2015-06-18 Microsoft Corporation System alert correlation via deltas
CN104268381B (zh) 2014-09-16 2017-03-29 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
US9686451B2 (en) * 2015-01-21 2017-06-20 Toyota Jidosha Kabushiki Kaisha Real time driving difficulty categorization
US10102451B2 (en) * 2015-10-13 2018-10-16 Elekta, Inc. Pseudo-CT generation from MR data using tissue parameter estimation
US10444748B2 (en) 2016-06-30 2019-10-15 Ge Aviation Systems Llc In-situ measurement logging by wireless communication unit for communicating engine data
WO2018049288A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for learning farmable zones, and related methods and apparatus

Also Published As

Publication number Publication date
CA3110978A1 (en) 2020-03-05
US10594027B1 (en) 2020-03-17
US11335996B2 (en) 2022-05-17
EP3844895A1 (en) 2021-07-07
US20200073742A1 (en) 2020-03-05
WO2020047130A1 (en) 2020-03-05
US20200194876A1 (en) 2020-06-18
US20210143532A1 (en) 2021-05-13
US10903554B2 (en) 2021-01-26

Similar Documents

Publication Publication Date Title
BR112021003586A2 (pt) método realizado por um ou mais computadores, sistema, e uma ou mais mídias de leitura por computador
US11429821B2 (en) Machine learning clustering models for determining the condition of a communication system
US20210182126A1 (en) Systems and methods to identify breaking application program interface changes
US11294744B2 (en) Ensemble risk assessment method for networked devices
EP3997633A1 (en) Automated generation of machine learning models for network evaluation
CN111858123B (zh) 基于有向图网络的故障根因分析方法和装置
KR20050037606A (ko) 컴퓨터 기반 방법, 컴퓨터 프로그램 제품 및 데이터 처리시스템
US20220321436A1 (en) Method and apparatus for managing prediction of network anomalies
KR20220114986A (ko) 가상 네트워크 관리를 위한 머신 러닝 기반 vnf 이상 탐지 시스템 및 방법
US20200272923A1 (en) Identifying locations and causes of network faults
CN113626241B (zh) 应用程序的异常处理方法、装置、设备及存储介质
US20220150132A1 (en) Utilizing machine learning models to determine customer care actions for telecommunications network providers
US10581637B2 (en) Computational node adaptive correction system
US9508044B1 (en) Method and apparatus for managing configurations
CN116089224B (zh) 告警分析方法、装置、计算节点及计算机可读存储介质
Jiang et al. Ranking the importance of alerts for problem determination in large computer systems
US11743105B2 (en) Extracting and tagging text about networking entities from human readable textual data sources and using tagged text to build graph of nodes including networking entities
Song et al. Hierarchical online problem classification for IT support services
US20230188440A1 (en) Automatic classification of correlated anomalies from a network through interpretable clustering
US20220173958A1 (en) Knowledge base and mining for effective root-cause analysis
US11994939B2 (en) Systems and methods for generating remedy recommendations for power and performance issues within semiconductor software and hardware
RU2786934C1 (ru) Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения
Cauveri et al. Dynamic fault diagnosis framework for virtual machine rolling upgrade operation in google cloud platform
Zhou Improving System Availability for Better Services
Chondroulis et al. Performance-Aware Orchestration and Management over 5G and Beyond Infrastructures Based on Diagnostic Mechanisms