ES2952558T3 - Un método de predicción del curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la virtualización de funciones de red - Google Patents
Un método de predicción del curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la virtualización de funciones de red Download PDFInfo
- Publication number
- ES2952558T3 ES2952558T3 ES20188728T ES20188728T ES2952558T3 ES 2952558 T3 ES2952558 T3 ES 2952558T3 ES 20188728 T ES20188728 T ES 20188728T ES 20188728 T ES20188728 T ES 20188728T ES 2952558 T3 ES2952558 T3 ES 2952558T3
- Authority
- ES
- Spain
- Prior art keywords
- historical data
- subset
- data
- control unit
- historical
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000006870 function Effects 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000007246 mechanism Effects 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 3
- 238000000926 separation method Methods 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Un método para predecir el curso temporal de una pluralidad de datos relativos a una infraestructura telefónica para la virtualización de funciones de red que comprende los siguientes pasos: proporcionar (1) una primera base de datos que contiene datos históricos de monitoreo de la infraestructura telefónica relacionados con el nivel de uso de los recursos de la infraestructura telefónica y /o cualquier condición de error o anomalía que se haya producido en el mismo; proporcionar (2) una segunda base de datos que contenga datos históricos de monitoreo de aplicaciones de infraestructura telefónica relacionados con el nivel de uso de la aplicación de infraestructura telefónica, su rendimiento o confiabilidad y/o cualquier condición de error o anomalía que haya ocurrido en la misma; proporcionar (3) una unidad de control en comunicación de señales con la primera y segunda bases de datos; proporcionar (4) un mecanismo de aprendizaje automático; extrapolar (5), por parte de la unidad de control, al menos un primer subconjunto de datos históricos a partir de los datos históricos de seguimiento de la infraestructura telefónica y/o de los datos históricos de seguimiento de la aplicación de la infraestructura telefónica, siendo dicho primer subconjunto de datos históricos relativo a un primer tiempo predeterminado ventana; extrapolar (6), por parte de la unidad de control, al menos un segundo subconjunto de datos históricos a partir de los datos históricos de seguimiento de la infraestructura telefónica y/o de los datos históricos de seguimiento de la aplicación de la infraestructura telefónica, siendo dicho segundo subconjunto de datos históricos relativo a un segundo tiempo predeterminado ventana; definir (7), por parte de la unidad de control, un vector de entrada histórico que comprende los datos históricos del primer subconjunto de datos históricos; definir (8), por parte de la unidad de control, un vector de salida histórico que comprende los datos históricos del segundo subconjunto de datos históricos; entrenar (9), por parte de la unidad de control, el mecanismo de aprendizaje automático para obtener, en su salida, el vector de salida histórico proporcionando el vector de entrada histórico en la entrada del mecanismo de aprendizaje automático; adquirir (10), por parte de la unidad de control, al menos un subconjunto de datos de monitoreo de infraestructura telefónica actual y/o datos de monitoreo de aplicaciones de infraestructura telefónica, siendo dichos datos actuales relativos a una ventana de tiempo actual; definir (11) un vector de entrada actual que comprende dicho subconjunto de datos actuales; proporcionar (12) el vector de entrada actual en la entrada del mecanismo de aprendizaje automático entrenado para obtener un vector de salida de predicción. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Un método de predicción del curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la virtualización de funciones de red
Campo técnico
La presente invención se refiere a un método para predecir el transcurso del tiempo de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red. Este método se utiliza especialmente en relación con las operaciones de gestión de la infraestructura telefónica.
Estado de la técnica anterior
Las infraestructuras para la Virtualización de Funciones de Red (infraestructuras NFV) son conocidas en la literatura. En particular, el término Virtualización de Funciones de Red se refiere a un enfoque arquitectónico que aprovecha las tecnologías de la información para virtualizar los servicios de red. Es decir, el término Virtualización de Funciones de Red se refiere a un enfoque de red que permite reemplazar dispositivos de hardware, como enrutadores y cortafuegos, con aplicaciones de red basadas en software y que funcionan como máquinas virtuales en servidores estándar. El término Virtualización de Funciones de Red también se refiere a métodos de virtualización ligeros, como los que se encuentran en el nivel del sistema operativo, también llamados sistemas de contenedores.
Más detalladamente, a través de la infraestructura NFV, las características de la red se convierten en aplicaciones de software denominadas funciones de red virtual (VNF) que se pueden instanciar en un servidor. Es decir, los VNF se implementan dentro de la infraestructura de NFV en forma de software que se ejecuta en diferentes máquinas virtuales.
También se conocen operaciones de gestión de infraestructuras de NFV tales como análisis, predicción y planificación. Tales operaciones son de suma importancia para permitir el funcionamiento óptimo de la infraestructura, evitando mal funcionamiento de la infraestructura que provoque errores en la transmisión de la información. Por ejemplo, la creación de algoritmos específicos para predecir el comportamiento futuro de una infraestructura NFV entra dentro de esta perspectiva.
Se muestran ejemplos de métodos de gestión de infraestructura NFV en los documentos “ZHIJING LI ET AL: Predictive Analysis in Network Function Virtualization” y “US20180246746A1”.
El documento “Experimental Networked Intelligence (ENI); casos de uso de ENI” (ETSI DRAFT SPECIFICATION; ENI 001, INSTITUTO EUROPEO DE ESTÁNDARES DE TELECOMUNICACIONES (ETSI), 650, ROUTE DES LUCIOLES; F-06921 SOPHIA-ANTIPOLIS; FRANCE ) proporciona pautas para usar la técnica de aprendizaje automático para la automatización de las operaciones de gestión de infraestructura de red para un operador.
Problemas de la técnica anterior
Los algoritmos desarrollados por los operadores de infraestructura de NFV a menudo se ven afectados por errores de programación. Estos errores tienen un impacto en las operaciones de gestión de la infraestructura. Es decir, una predicción incorrecta del comportamiento futuro de una infraestructura NFV puede conducir a errores en la evaluación del curso de la infraestructura. Dichos errores de evaluación pueden conducir a una falla en la detección de posibles fallas y anomalías futuras de la infraestructura. En consecuencia, los algoritmos de la técnica anterior no permiten una gestión fiable de la infraestructura.
Resumen de la invención
En este contexto, la tarea técnica que subyace a la presente invención es proporcionar un método para predecir el curso temporal de una pluralidad de datos relativos a una infraestructura telefónica para la Virtualización de Funciones de Red que supere los inconvenientes de la técnica anterior.
En particular, un objeto de la presente invención es proponer un método que permita detectar futuros fallos de funcionamiento y anomalías en una infraestructura de telefonía para la Virtualización de Funciones de Red.
La tarea técnica mencionada y los objetos especificados se logran sustancialmente mediante un método para predecir el transcurso del tiempo de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red que comprende las especificaciones técnicas establecidas en una o más de las reivindicaciones adjuntas.
Ventajas de la invención
Gracias a una realización preferida de la invención, es posible predecir de manera efectiva el curso temporal de una infraestructura NFV. En consecuencia, a partir del análisis del curso temporal de la infraestructura NFV es posible predecir de forma fiable posibles futuras disfunciones y anomalías de la infraestructura.
Breve descripción de los dibujos
Otras características y ventajas de la presente invención se harán más evidentes a partir de la descripción ejemplar, y por lo tanto no limitativa, de una realización preferida pero no exclusiva de un método para predecir el curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red, como se ilustra en los dibujos adjuntos, en los que:
La Figura 1 es una representación esquemática del orden de las etapas principales del método.
Descripción detallada
La presente invención se refiere a un método para predecir el transcurso del tiempo de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red.
Este método comprende la etapa 1 de proporcionar una primera base de datos que contiene datos históricos de monitorización de la infraestructura telefónica relacionados con el nivel de uso de los recursos de la infraestructura telefónica y/o cualquier condición de error o anomalía ocurrida en la misma. Los datos históricos de monitorización de la infraestructura telefónica comprenden, por ejemplo, el nivel de uso del procesador, el disco, la red y la memoria. Estos datos históricos de monitorización de la infraestructura de telefonía son relativos a un horizonte de tiempo predeterminado.
El método comprende además la etapa 2 de proporcionar una segunda base de datos que contiene datos históricos de monitorización de la aplicación de infraestructura de telefonía relacionados con el nivel de uso de la aplicación de infraestructura de telefonía, su rendimiento o confiabilidad y/o cualquier condición de error o anomalía ocurrida en ella. Los datos históricos de monitorización de aplicaciones de infraestructura de telefonía comprenden, por ejemplo, datos que miden la cantidad de usuarios registrados, la cantidad de sesiones, la cantidad de solicitudes recibidas, la cantidad y el tipo de errores encontrados, las estadísticas de latencia o las tasas de solicitudes incorrectas debido a múltiples factores. Estos datos históricos de supervisión de aplicaciones de infraestructura telefónica son relativos al mismo horizonte de tiempo predeterminado que los datos históricos de supervisión de infraestructura telefónica.
Además, el método comprende la etapa 3 de proporcionar una unidad de control en comunicación de señales con la primera y la segunda base de datos.
El método también comprende la etapa 4 de proporcionar un mecanismo de aprendizaje automático como, por ejemplo, una red neuronal o un mecanismo de aprendizaje automático avanzado. Preferentemente, el método comprende la etapa de proporcionar una red neuronal del tipo Long-Short Term Memory (red LSTM) o un mecanismo de aprendizaje automático del tipo Nonlinear Autoregressive with Exogenous Input (red NARX) o, alternativamente, del tipo Support-Vector Machine para regresión (red SVR). Las metodologías LSTm , NARX o SVR son conocidas per se por el experto en la materia y no se describirán aquí por este motivo.
A continuación, el método comprende la etapa 5 de extrapolar, por parte de la unidad de control, al menos un primer subconjunto de datos históricos a partir de los datos históricos de monitorización de la infraestructura telefónica y/o de los datos históricos de monitorización de la aplicación de la infraestructura telefónica. Por ejemplo, el método comprende la etapa de extrapolar por parte de la unidad de control al menos un primer subconjunto de datos históricos de la primera base de datos. Alternativamente, el método comprende la etapa de extrapolar por parte de la unidad de control al menos un primer subconjunto de datos históricos de la segunda base de datos. Todavía por ejemplo, el método comprende la etapa de extrapolar al menos un primer subconjunto de datos históricos de los datos históricos de monitorización de infraestructura telefónica contenidos en la primera base de datos y al menos un primer subconjunto de datos históricos de los datos históricos de monitorización de aplicaciones de infraestructura telefónica contenidos en la segunda base de datos. El primer subconjunto de datos históricos es relativo a una primera ventana de tiempo predeterminada. Preferiblemente, cada primer subconjunto extrapolado de datos históricos es relativo a la primera ventana de tiempo predeterminada. Todavía preferentemente, la primera ventana de tiempo predeterminada corresponde a una semana del horizonte de tiempo predeterminado.
El método comprende entonces la etapa 6 de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos a partir de los datos históricos de monitorización de la infraestructura telefónica y/o de los datos históricos de monitorización de la aplicación de la infraestructura telefónica. Por ejemplo, el método comprende la etapa de extrapolar por parte de la unidad de control al menos un segundo subconjunto de datos históricos únicamente a partir de los datos históricos de seguimiento de la infraestructura telefónica o el método comprende la etapa de extrapolar por parte de la unidad de control al menos un segundo subconjunto de datos históricos únicamente a partir de los datos históricos de monitorización de aplicaciones de infraestructura de telefonía. Todavía por ejemplo, el método comprende la etapa de extrapolar al menos un segundo subconjunto de datos
históricos de los datos históricos de monitorización de la infraestructura telefónica y al menos un segundo subconjunto de datos históricos de los datos históricos de monitorización de la aplicación de la infraestructura telefónica. El segundo subconjunto de datos históricos es relativo a una segunda ventana de tiempo predeterminada. Preferiblemente, cada segundo subconjunto extrapolado de datos históricos es relativo a la segunda ventana de tiempo predeterminada. Todavía preferentemente, la segunda ventana de tiempo predeterminada corresponde a una semana del horizonte de tiempo predeterminado.
Adicionalmente, el método comprende la etapa 7 de definir, por parte de la unidad de control, un vector de entrada histórico que comprende los datos históricos del primer subconjunto de datos históricos. Preferiblemente, el vector de entrada histórico comprende los datos históricos de cada primer subconjunto de datos históricos extrapolados en las etapas anteriores.
El método también comprende la etapa 8 de definir, por parte de la unidad de control, un vector de salida histórico que comprende los datos históricos del segundo subconjunto de datos históricos. Preferiblemente, el vector de salida histórico comprende los datos históricos de cada segundo subconjunto de datos históricos extrapolados en las etapas anteriores.
A continuación, el método comprende la etapa 9 de entrenar, por parte de la unidad de control, el mecanismo de aprendizaje automático para obtener, en su salida, el vector histórico de salida proporcionando el vector histórico de entrada a la entrada del mecanismo automático de aprendizaje. Es decir, el mecanismo de aprendizaje automático está entrenado para proporcionar los datos históricos relativos a la segunda ventana de tiempo predeterminada cuando los datos históricos relativos a la primera ventana de tiempo predeterminada se proporcionan en la entrada.
Después de la etapa 9 de entrenar el mecanismo de aprendizaje automático, el método comprende la etapa de adquirir 10 , por parte de la unidad de control, al menos un subconjunto de datos de monitorización de infraestructura telefónica actual y/o datos de monitorización de aplicaciones de infraestructura telefónica. Estos datos actuales son relativos a una ventana de tiempo actual. Preferiblemente, dichos datos actuales se adquieren en tiempo real. Alternativamente, tales datos actuales comprenden una concatenación de datos actuales adquiridos en tiempo real y datos históricos.
Además, el método comprende la etapa de definir 11 un vector de entrada actual que comprende dicho subconjunto de datos actuales.
Después de la etapa de definir 11 un vector de entrada actual, el método comprende la etapa de proporcionar 12 el vector de entrada actual en la entrada del mecanismo de aprendizaje automático entrenado para obtener un vector de salida de predicción. El vector de salida de predicción comprende una pluralidad de datos de monitorización de la infraestructura de telefonía de predicción y/o datos de monitorización de la aplicación de la infraestructura de telefonía. Estos datos de predicción representan el transcurso del tiempo de los datos actuales proporcionados como entrada al mecanismo de aprendizaje automático. Es decir, dichos datos de predicción son relativos a una ventana de tiempo de predicción.
Cabe señalar que la relación entre la ventana de tiempo actual y la ventana de tiempo de predicción corresponde a la relación entre la primera y la segunda ventana de tiempo predeterminada.
La etapa 5 de extrapolar, por parte de la unidad de control, al menos un primer subconjunto de datos históricos y la etapa 6 de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos comprenden el subconjunto de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos a proporcionar al mecanismo de aprendizaje automático.
Ventajosamente, la identificación de al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos mejora la precisión y eficacia del entrenamiento del mecanismo de aprendizaje automático. De hecho, la identificación de al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos impide que el mecanismo de aprendizaje automático sea entrenado utilizando un primer y/o segundo subconjunto de datos históricos incompatible con dicho mecanismo de aprendizaje automático. De hecho, el uso de un primer y/o segundo subconjunto de datos históricos incompatible con el mecanismo de aprendizaje automático puede dar como resultado un aprendizaje erróneo para el mecanismo de aprendizaje automático y, en consecuencia, obtener predicciones falsas sobre los datos actuales.
Además, la aplicación de un algoritmo de selección de datos, es decir, técnicas de selección de características, permite identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos de tamaño limitado, asegurando una mejora en el rendimiento del mecanismo de aprendizaje automático gracias a la reducida complejidad de dicho mecanismo de aprendizaje automático una vez entrenado.
Además, la etapa 5 de extrapolar, por parte de la unidad de control, al menos un primer subconjunto de datos históricos y la etapa 6 de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos comprenden la subetapa de aplicar al menos una operación de transformación algebraica a los datos históricos del
primer y/o segundo subconjunto de datos históricos. Por ejemplo, la transformación algebraica puede ser polinomial o incluso lineal.
Ventajosamente, la aplicación de al menos una operación de transformación algebraica a los datos históricos aumenta la eficiencia del mecanismo de aprendizaje automático y al mismo tiempo acelera la etapa de entrenamiento del mecanismo de aprendizaje automático. Además, la aplicación de al menos una operación de transformación algebraica a los datos históricos permite un entrenamiento más preciso del mecanismo de aprendizaje automático.
De acuerdo con una primera realización de la invención, la etapa 6 de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos a partir de los datos históricos de monitorización de la infraestructura de telefonía y/o de los datos históricos de monitorización de la aplicación de la infraestructura de telefonía comprende la etapa de seleccionar, por parte de la unidad de control, un segundo subconjunto de datos históricos relativos a la segunda ventana de tiempo predeterminada. Esta segunda ventana de tiempo predeterminada es distinta de la primera ventana de tiempo predeterminada. Es decir, de acuerdo con la primera realización de la invención, las ventanas de tiempo predeterminadas primera y segunda pueden ser contiguas entre sí o pueden estar separadas entre sí por un intervalo de tiempo de predicción. Por ejemplo, la primera ventana de tiempo predeterminada puede corresponder a una semana del horizonte de tiempo predeterminado, y la segunda ventana de tiempo predeterminado puede corresponder a la semana siguiente del horizonte de tiempo predeterminado. Aún por ejemplo, las ventanas de tiempo predeterminadas primera y segunda pueden estar separadas por un valor de intervalo de tiempo de predicción de un mes.
Gracias a un mecanismo de aprendizaje automático entrenado de acuerdo con la primera realización de la invención, que proporciona a la entrada del mecanismo de aprendizaje automático entrenado una pluralidad de datos actuales relativos a la ventana de tiempo actual, es posible obtener una pluralidad de datos de predicción relativos a una ventana de tiempo de predicción contigua o separados de la ventana de tiempo actual del valor del intervalo de tiempo de predicción. Es decir, por lo tanto es posible obtener predicciones sobre el comportamiento futuro de la infraestructura de telefonía. De hecho, por ejemplo, gracias a un mecanismo de aprendizaje automático entrenado de acuerdo con la primera realización de la invención, es posible obtener datos de monitorización de infraestructura de telefonía de predicción a partir de datos de monitorización de aplicaciones de infraestructura de telefonía actual. Ventajosamente, es posible por tanto evaluar si el tráfico de la infraestructura de telefonía evoluciona de acuerdo con la tendencia observada para identificar posibles situaciones críticas de falta de recursos de hardware en un horizonte temporal de algunas semanas o meses. Gracias a un mecanismo de aprendizaje automático entrenado de acuerdo con la primera realización de la invención es posible obtener datos predictivos de monitorización de aplicaciones de infraestructura telefónica a partir de datos de monitorización de infraestructura telefónica actual. De manera ventajosa, es por lo tanto posible predecir cómo cualquier tendencia de crecimiento en la utilización de recursos puede influir en los indicadores de desempeño de la infraestructura en el futuro cercano.
De acuerdo con una segunda realización de la invención alternativa a la primera realización, la etapa 6 de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos a partir de los datos históricos de monitorización de la infraestructura de telefonía y/o a partir de los datos históricos de telefonía los datos de seguimiento de la aplicación de infraestructura comprenden la etapa de seleccionar, por parte de la unidad de control, un segundo subconjunto de datos históricos relativos a la segunda ventana de tiempo predeterminada. Esta segunda ventana de tiempo predeterminada se solapa al menos parcialmente con la primera ventana de tiempo predeterminada. Más preferiblemente, esta segunda ventana de tiempo predeterminada se superpone a la primera ventana de tiempo predeterminada.
Gracias a un mecanismo de aprendizaje automático entrenado de acuerdo con la segunda realización de la invención, es posible predecir cómo se modifican los datos de predicción en función de los datos actuales proporcionados como entrada al mecanismo de aprendizaje automático. Es decir, es posible predecir cómo se modifican los datos de predicción transformando los datos actuales proporcionados como entrada al mecanismo de aprendizaje automático de acuerdo con cómo se espera que cambien dichos datos actuales bajo condiciones hipotéticas particulares. Preferiblemente, los datos actuales proporcionados como entrada al mecanismo de aprendizaje automático pueden transformarse mediante una transformación algebraica genérica, por ejemplo, polinómica o incluso lineal.
De acuerdo con una primera característica de la invención, la subetapa de aplicar un algoritmo de selección de datos para localizar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos a proporcionar al mecanismo de aprendizaje automático comprende la etapa de aplicar, por parte de la unidad de control, un algoritmo de tipo genético para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos a proporcionar al mecanismo de aprendizaje automático.
Preferiblemente, el algoritmo de tipo genético comprende la etapa de definir una población de subconjuntos aleatorios de variables de entrada, a los que se les asigna una puntuación en función del error de entrenamiento obtenido al entrenar un mecanismo de aprendizaje automático a partir de una población de primeros y/o segundos subconjuntos de datos históricos. Posteriormente, el algoritmo de tipo genético comprende la etapa de descartar un número predeterminado de elementos de la población con mayor error de entrenamiento y combinar pares seleccionados aleatoriamente de elementos de la población con menor error de entrenamiento usando una función cruzada y
generando más elementos aplicando un función de mutación a un porcentaje bajo de elementos de la población muestreados aleatoriamente, para restaurar una población de elementos de tamaño predeterminado. El algoritmo de tipo genético comprende por tanto la etapa de repetir para un número predeterminado de iteraciones el proceso de evaluación del error de entrenamiento para los elementos de la nueva población, la aplicación de la función de cruce y la función de mutación. Al final de repetir el número predeterminado de iteraciones, el primer y/o segundo subconjunto de datos históricos que se utilizarán para entrenar el mecanismo de aprendizaje automático son aquellos con las mejores puntuaciones.
De acuerdo con una segunda característica de la invención alternativa a la primera característica de la invención, la etapa secundaria de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos para proporcionarse al mecanismo de aprendizaje automático comprende la etapa de definir, por parte de la unidad de control, un número predeterminado de iteraciones.
Además, de nuevo de acuerdo con la segunda característica de la invención, la etapa secundaria de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se proporcionarán al sistema automático El mecanismo de aprendizaje comprende la etapa de repetir, por parte de la unidad de control, un algoritmo de tipo genético para el número predeterminado de iteraciones, para identificar un primer y/o un segundo subconjunto óptimo de datos históricos para cada iteración.
Finalmente, nuevamente de acuerdo con la segunda característica de la invención, la etapa secundaria de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se proporcionarán al mecanismo de aprendizaje comprende la etapa de seleccionar al menos un primer y/o al menos un segundo subconjunto de datos históricos entre los subconjuntos de datos históricos identificados en la etapa anterior. Preferiblemente, la etapa secundaria de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se proporcionarán al mecanismo de aprendizaje automático comprende la etapa de seleccionar el primer y/o segundo subconjunto de datos históricos más presentes entre los obtenidos en la etapa anterior.
De acuerdo con una realización preferida de la invención, antes de la etapa 7 de definir, por parte de la unidad de control, un vector histórico de entrada y antes de la etapa de definición 8, por parte de la unidad de control, de un vector histórico de salida, el método comprende la etapa de definir, por parte de la unidad de control, un primer intervalo de tiempo para la adquisición de los datos históricos de monitorización de la infraestructura telefónica del primer y segundo subconjunto de datos históricos. Este primer intervalo de tiempo de adquisición representa el marco de tiempo para adquirir datos históricos de monitorización de infraestructura telefónica.
Además, antes de la etapa 7 de definir, por la unidad de control, un vector histórico de entrada y antes de la etapa 8 de definir, por parte de la unidad de control, un vector histórico de salida, el método comprende la etapa de definir, por la unidad de control, un segundo intervalo de tiempo para la adquisición de los datos históricos de monitorización de la aplicación de infraestructura telefónica del primer y segundo subconjunto de datos históricos. Este segundo intervalo de tiempo de adquisición representa el marco de tiempo para adquirir datos históricos de monitorización de aplicaciones de infraestructura telefónica.
Además, antes de la etapa 7 de definir, por parte de la unidad de control, un vector histórico de entrada y antes de la etapa 8 de definir, por parte de la unidad de control, un vector histórico de salida, el método comprende la etapa de definir, por parte de la unidad de control, el intervalo de tiempo de adquisición máximo entre el primer y el segundo intervalo de tiempo de adquisición.
Antes de la etapa 7 de definir, por la unidad de control, un vector de entrada histórico y antes de la etapa 8 de definir por la unidad de control un vector de salida histórico, el método comprende la etapa de agregar los datos históricos del primero y segundo subconjuntos de datos históricos basados en el intervalo de tiempo máximo de adquisición para obtener datos históricos agregados.
La etapa de agregar los datos históricos del primer y segundo subconjunto de datos históricos en función del intervalo de tiempo máximo de adquisición para obtener datos históricos agregados comprende la subetapa de identificar, por parte de la unidad de control, una pluralidad de primeros puntos de tiempo en la primera ventana de tiempo predeterminada. Estos primeros puntos de tiempo están separados por el valor del intervalo de tiempo máximo de adquisición.
La etapa de agregar los datos históricos del primer y segundo subconjunto de datos históricos en función del intervalo de tiempo máximo de adquisición para obtener datos históricos agregados también comprende la subetapa de identificar, por parte de la unidad de control, una pluralidad de segundos puntos en la segunda ventana de tiempo predeterminada. Estos segundos puntos de tiempo están separados por el valor del intervalo de tiempo máximo de adquisición.
Además, la etapa de agregar los datos históricos del primer y segundo subconjunto de datos históricos en función del intervalo de tiempo máximo de adquisición para obtener datos históricos agregados comprende la subetapa de asociar,
por parte de la unidad de control, cada dato histórico del primer subconjunto de datos históricos con un primer punto de tiempo respectivo y cada dato histórico del segundo subconjunto de datos históricos con un segundo punto de tiempo respectivo para definir datos históricos agregados.
Preferiblemente, antes de la etapa 7 de definir, por parte de la unidad de control, un vector histórico de entrada y antes de la etapa 8 de definir, por parte de la unidad de control, un vector histórico de salida, el método comprende la etapa de definir, por parte de la unidad de control, una ventana de tiempo máxima. Preferiblemente, el valor de ventana de tiempo máximo se elige en base al valor del intervalo de tiempo de adquisición máximo. El valor de ventana de tiempo máximo es mayor que el intervalo de tiempo de adquisición máximo.
Siguiendo la etapa de definir, por parte de la unidad de control, un valor de ventana de tiempo máximo, el método comprende la etapa de definir, por parte de la unidad de control, para cada par de datos históricos agregados consecutivos del primer subconjunto de datos históricos una primera ventana de tiempo de separación. Esta primera ventana de tiempo de separación se incluye entre los primeros puntos de tiempo asociados con los datos históricos agregados del par de datos históricos agregados consecutivos del primer subconjunto de datos históricos. Es decir, el método comprende la etapa de definir el valor de la primera ventana de tiempo de separación para datos históricos agregados del primer subconjunto de datos históricos asociados con primeros puntos de tiempo consecutivos. Si la primera ventana de tiempo de separación coincide con el intervalo de tiempo máximo de adquisición, dicha primera ventana de tiempo de separación no contiene ningún primer punto de tiempo definido por la unidad de control. Por el contrario, si la primera ventana de tiempo de separación es mayor que el intervalo máximo de tiempo de adquisición, dicha primera ventana de tiempo de separación contiene al menos un primer punto de tiempo que no tiene datos históricos agregados del primer subconjunto de datos históricos asociados con el mismo.
Siguiendo la etapa de definir, por parte de la unidad de control, un valor de ventana de tiempo máximo, el método también comprende la etapa de definir, por parte de la unidad de control, para cada par de datos históricos agregados consecutivos del segundo subconjunto de datos históricos una segunda ventana de tiempo de separación. Esta segunda ventana de tiempo de separación se incluye entre los segundos puntos de tiempo asociados con los datos históricos agregados del par de datos históricos agregados consecutivos del segundo subconjunto de datos históricos. Es decir, el método comprende la etapa de definir el valor de la segunda ventana de tiempo de separación para datos históricos agregados del segundo subconjunto de datos históricos asociados con segundos puntos de tiempo consecutivos. Si la segunda ventana de tiempo de separación coincide con el intervalo de tiempo máximo de adquisición, dicha segunda ventana de tiempo de separación no contiene ningún segundo punto de tiempo definido por la unidad de control. Por el contrario, si la segunda ventana de tiempo de separación es mayor que el intervalo de tiempo de adquisición máximo, dicha segunda ventana de tiempo de separación contiene al menos un segundo punto de tiempo que no tiene datos históricos agregados del segundo subconjunto de datos históricos asociados con él.
A continuación, el método comprende la etapa de comprobar, por parte de la unidad de control, para cada una de las ventanas de tiempo de separación primera y segunda definidas, si la duración de dicha ventana de tiempo de separación es al menos igual o superior al valor máximo de ventana de tiempo.
A continuación, el método comprende la etapa de definir, por parte de la unidad de control, una primera ventana de tiempo fiable excluyendo de la primera ventana de tiempo predeterminada cada primera ventana de tiempo de separación cuya duración sea al menos igual o superior al valor máximo de ventana de tiempo. Es decir, la primera ventana de tiempo fiable contiene solo las primeras ventanas de tiempo de separación cuya duración es más corta que la ventana de tiempo máxima. Ventajosamente, el método permite excluir de la primera ventana de tiempo predeterminada las primeras ventanas de tiempo de separación consideradas poco fiables. Entonces, el método permite excluir de la primera ventana de tiempo predeterminada las primeras ventanas de tiempo de separación que comprenden una pluralidad de primeros puntos de tiempo que no tienen datos históricos agregados del primer subconjunto de datos históricos asociados con ellos. El número de dicha pluralidad de primeros puntos de tiempo que no tienen datos históricos agregados del primer subconjunto de datos históricos asociados con los mismos se define por el valor de la ventana de tiempo máxima.
Además, el método comprende la etapa de definir, por parte de la unidad de control, una segunda ventana de tiempo fiable excluyendo de la segunda ventana de tiempo predeterminada cada segunda ventana de tiempo de separación cuya duración sea al menos igual o superior al valor máximo de ventana de tiempo. Es decir, la segunda ventana de tiempo confiable contiene solo las segundas ventanas de separación de tiempo cuya duración es más corta que la ventana de tiempo máxima. Ventajosamente, el método permite excluir de la segunda ventana de tiempo predeterminada las segundas ventanas de tiempo de separación consideradas poco fiables. Entonces, el método permite excluir de la segunda ventana de tiempo predeterminada las segundas ventanas de tiempo de separación que comprenden una pluralidad de segundos puntos de tiempo que no tienen datos históricos agregados del segundo subconjunto de datos históricos asociados con ellos. El número de dicha pluralidad de segundos puntos de tiempo que no tienen datos históricos agregados del segundo subconjunto de datos históricos asociados con el mismo se define por el valor máximo de la ventana de tiempo.
Cabe señalar que una primera ventana de tiempo fiable para cada primer subconjunto definido de datos históricos y una segunda ventana de tiempo fiable para cada segundo subconjunto definido de datos históricos se definen de esta manera.
De acuerdo con la realización preferida de la invención, siguiendo las etapas de definir una primera y una segunda ventana de tiempo confiable, el método comprende la etapa de verificar, por parte de la unidad de control, si cada primera ventana de tiempo de separación de la primera ventana de tiempo confiable la ventana de tiempo comprende uno o más primeros puntos de tiempo que no tienen datos históricos agregados del primer subconjunto de datos históricos asociados con el mismo.
Siguiendo las etapas de definir una primera y una segunda ventana de tiempo confiable, el método también comprende la etapa de verificar, por parte de la unidad de control, si cada segunda ventana de tiempo de separación de la segunda ventana de tiempo confiable comprende uno o más segundos puntos de tiempo que no tienen datos históricos agregados del segundo subconjunto de datos históricos asociados con el mismo.
Posteriormente, el método comprende la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del primer subconjunto de datos históricos para definir un primer dato interpolado para ser asociado con cada primer punto de tiempo de la primera ventana de tiempo confiable que no tiene datos históricos agregados del primer subconjunto de datos históricos asociados con el mismo. Por ejemplo, la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del primer subconjunto de datos históricos comprende la subetapa de definir para cada primer punto de tiempo de la primera ventana de tiempo confiable que no tiene datos históricos agregados del primer subconjunto de datos históricos asociados con el respectivo primer punto de tiempo anterior y el respectivo primer punto de tiempo posterior. A continuación, la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del primer subconjunto de datos históricos comprende la subetapa de definir los primeros datos interpolados para cada primer punto de tiempo de la ventana de tiempo confiable que no tiene datos históricos agregados del primer subconjunto de datos históricos asociados con el mismo. Estos primeros datos interpolados resultan de la interpolación de los datos históricos agregados del primer subconjunto asociado con el punto de tiempo anterior respectivo y los datos históricos agregados del primer subconjunto asociado con el punto de tiempo posterior respectivo.
Además, el método comprende la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del segundo subconjunto de datos históricos para definir un segundo dato interpolado que se asociará con cada segundo punto de tiempo de la segunda ventana de tiempo confiable que no tienen datos históricos agregados del segundo subconjunto de datos históricos asociados con el mismo. Por ejemplo, la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del segundo subconjunto de datos históricos comprende la subetapa de definir para cada segundo punto de tiempo de la segunda ventana de tiempo confiable que no tiene datos históricos agregados del segundo subconjunto de datos históricos asociados con el segundo punto de tiempo anterior respectivo y el segundo punto de tiempo posterior respectivo. A continuación, la etapa de interpolar, por parte de la unidad de control, los datos históricos agregados del segundo subconjunto de datos históricos comprende la subetapa de definir los segundos datos interpolados para cada segundo punto de tiempo de la ventana de tiempo confiable que no tiene datos históricos agregados del segundo subconjunto de datos históricos asociados con el mismo. Estos segundos datos interpolados resultan de la interpolación de los datos históricos agregados del segundo subconjunto asociado con el segundo punto de tiempo anterior respectivo y los datos históricos agregados del segundo subconjunto asociado con el segundo punto de tiempo posterior respectivo.
De acuerdo con la realización preferida de la invención, antes de la etapa 7 de definir, por la unidad de control, un vector histórico de entrada y antes de la etapa 8 de definir, por parte de la unidad de control, un vector histórico de salida, el método comprende la etapa de normalizar, por parte de la unidad de control, los datos históricos agregados del primer y segundo subconjunto de datos históricos. Preferiblemente, la etapa de normalizar, por la unidad de control, los datos históricos agregados del primer y segundo subconjunto de datos históricos comprende la etapa de aplicar una técnica de estandarización o una técnica de normalización de mínimo a máximo a los datos históricos agregados.
Aún de acuerdo con la realización preferida de la invención, la etapa 10 de adquirir, por parte de la unidad de control, al menos un subconjunto de datos de monitorización de infraestructura telefónica actual y/o datos de monitorización de aplicación de infraestructura telefónica comprende la subetapa de aplicar el algoritmo de selección de datos para identificar un subconjunto óptimo de datos actuales a proporcionar al mecanismo de aprendizaje automático. Cabe señalar que lo que se describe con referencia al paso secundario de aplicar el algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se proporcionarán al mecanismo de aprendizaje automático también se aplica a la subetapa de aplicar el algoritmo de selección de datos para identificar un subconjunto óptimo de datos actuales para proporcionar al mecanismo de aprendizaje automático.
Además, la etapa 10 de adquisición comprende la subetapa de aplicar al menos una operación de transformación algebraica a los datos actuales del subconjunto de datos actuales.
Ventajosamente, la identificación de un subconjunto óptimo de datos actuales y la aplicación de al menos una operación de transformación algebraica a los datos actuales permite dotar al mecanismo de aprendizaje automático
del mismo tipo de datos proporcionados durante el entrenamiento, asegurando así un funcionamiento óptimo del mecanismo de aprendizaje automático.
Claims (9)
1. Un método para predecir el curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red, dicho método comprende las etapas de:
- proporcionar (1 ) una primera base de datos que contenga datos históricos de monitorización de la infraestructura telefónica relacionados con el nivel de uso de los recursos de la infraestructura telefónica y/o cualquier condición de error o anomalía ocurrida en los mismos;
- proporcionar (2 ) una segunda base de datos que contenga datos históricos de monitorización de aplicaciones de infraestructura de telefonía relacionados con el nivel de uso de la aplicación de infraestructura de telefonía, su rendimiento o confiabilidad y/o cualquier condición de error o anomalía que haya ocurrido allí;
- proporcionar (3) una unidad de control en comunicación de señales con las bases de datos primera y segunda; - proporcionar (4) un mecanismo de aprendizaje automático;
- extrapolar (5), por parte de la unidad de control, al menos un primer subconjunto de datos históricos a partir de dichos datos históricos de monitorización de infraestructuras telefónicas y/o de dichos datos históricos de monitorización de aplicaciones de infraestructuras telefónicas, siendo dicho primer subconjunto de datos históricos relativos a una primera ventana de tiempo predeterminada;
- extrapolar (6), por parte de la unidad de control, al menos un segundo subconjunto de datos históricos a partir de dichos datos históricos de monitorización de infraestructuras telefónicas y/o de dichos datos históricos de monitorización de aplicaciones de infraestructuras telefónicas, siendo dicho segundo subconjunto de datos históricos relativos a una segunda ventana de tiempo predeterminada;
- definir (7), por la unidad de control, un vector histórico de entrada que comprende los datos históricos del primer subconjunto de datos históricos;
- definir (8), por la unidad de control, un vector de salida histórico que comprende los datos históricos del segundo subconjunto de datos históricos;
- entrenar (9), por parte de la unidad de control, el mecanismo de aprendizaje automático para obtener, en su salida, el vector de salida histórico al proporcionar el vector de entrada histórico en la entrada del mecanismo de aprendizaje automático;
- adquirir (10), por parte de la unidad de control, al menos un subconjunto de datos de seguimiento de infraestructura telefónica actual y/o datos de seguimiento de aplicación de infraestructura telefónica, dichos datos actuales son relativos a una ventana de tiempo actual;
- definir (11 ) un vector de entrada actual que comprende dicho subconjunto de datos actuales;
- proporcionar (12 ) el vector de entrada actual en la entrada del mecanismo de aprendizaje automático entrenado para obtener un vector de salida de predicción;
dicho método se caracteriza porque la etapa (5) de extrapolar, por parte de la unidad de control, al menos un primer subconjunto de datos históricos y la etapa (6) de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos comprende los subconjuntos de:
- aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos a proporcionar al mecanismo de aprendizaje automático;
- aplicar al menos una operación de transformación algebraica a los datos históricos del primer y/o segundo subconjunto de datos históricos;
- en el que la subetapa de aplicar un algoritmo de selección de datos para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se van a proporcionar al mecanismo de aprendizaje automático comprende:
- la subetapa de:
- aplicar, por parte de la unidad de control, un algoritmo de tipo genético para identificar al menos un primer y/o al menos un segundo subconjunto óptimo de datos históricos que se van a proporcionar al mecanismo de aprendizaje automático; o
- las subetapas de:
- definir, por la unidad de control, un número predeterminado de iteraciones;
- repetir, por la unidad de control, un algoritmo de tipo genético para el número predeterminado de iteraciones, para identificar un primer y/o un segundo subconjunto óptimo de datos históricos para cada iteración;
- seleccionar al menos un primer y/o al menos un segundo subconjunto de datos históricos entre los subconjuntos de datos históricos identificados en la etapa anterior.
2. Un método como se reivindica en la reivindicación 1, en el que la etapa (6) de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos de dichos datos históricos de monitorización de infraestructura telefónica y/o de dichos datos históricos de monitorización de aplicaciones de infraestructura telefónica comprende la etapa de:
- seleccionar, por parte de la unidad de control, un segundo subconjunto de datos históricos relativos a la segunda ventana de tiempo predeterminada, siendo dicha segunda ventana de tiempo predeterminada distinta de la primera ventana de tiempo predeterminada.
3. Un método como se reivindica en la reivindicación 1, en el que la etapa (6) de extrapolar, por parte de la unidad de control, al menos un segundo subconjunto de datos históricos de dichos datos históricos de monitorización de infraestructura telefónica y/o de dichos datos históricos de monitorización de aplicaciones de infraestructura telefónica comprende la etapa de:
- seleccionar, por parte de la unidad de control, un segundo subconjunto de datos históricos relativos a la segunda ventana de tiempo predeterminada, superponiéndose dicha segunda ventana de tiempo predeterminada al menos parcialmente a la primera ventana de tiempo predeterminada.
4. Un método como se reivindica en cualquiera de las reivindicaciones 1 a 3, en el que antes de la etapa (7) de definir, por parte de la unidad de control, un vector de entrada histórico y antes de la etapa (8) de definir, por parte de la unidad de control, un vector histórico de salida, dicho método comprende las etapas de:
- definir, por parte de la unidad de control, un primer intervalo de tiempo para la adquisición de los datos históricos de monitorización de la infraestructura telefónica del primer y segundo subconjunto de datos históricos;
- definir, por parte de la unidad de control, un segundo intervalo de tiempo para la adquisición de los datos históricos de seguimiento de la aplicación de infraestructura telefónica del primer y segundo subconjunto de datos históricos;
- definir, por la unidad de control, el intervalo de tiempo de adquisición máximo entre el primer y el segundo intervalo de tiempo de adquisición;
- agregar los datos históricos del primer y segundo subconjunto de datos históricos en base al intervalo máximo de tiempo de adquisición para obtener datos históricos agregados.
5. Un método como se reivindica en la reivindicación 4, en el que la etapa de agregar los datos históricos del primer y segundo subconjunto de datos históricos, en función del intervalo de tiempo máximo de adquisición para obtener datos históricos agregados, comprende las subetapas de:
- identificar, por la unidad de control, una pluralidad de primeros puntos de tiempo en la primera ventana de tiempo predeterminada, dichos primeros puntos de tiempo están separados por el valor del intervalo de tiempo máximo de adquisición;
- identificar, por la unidad de control, una pluralidad de segundos puntos de tiempo en la segunda ventana de tiempo predeterminada, dichos segundos puntos de tiempo están separados por el valor del intervalo de tiempo máximo de adquisición;
- asociar, por parte de la unidad de control, cada dato histórico del primer subconjunto de datos históricos con un primer punto de tiempo respectivo y cada dato histórico del segundo subconjunto de datos históricos con un segundo punto de tiempo respectivo para definir datos históricos agregados.
6. Un método como se reivindica en la reivindicación 4 o 5, en el que antes de la etapa (7) de definir, por parte de la unidad de control, un vector de entrada histórico y antes de la etapa (8) de definir, por parte de la unidad de control, un vector de salida histórico , dicho método comprende las etapas de:
- definir, por la unidad de control, una ventana de tiempo máxima;
- definir, por parte de la unidad de control, para cada par de datos históricos agregados consecutivos del primer subconjunto de datos históricos, una primera ventana de tiempo de separación, estando incluida dicha primera ventana de tiempo de separación entre los primeros puntos de tiempo asociados a los datos históricos agregados del par de datos históricos agregados consecutivos del primer subconjunto de datos históricos;
- definir, por parte de la unidad de control, para cada par de datos históricos agregados consecutivos del segundo subconjunto de datos históricos una segunda ventana de tiempo de separación, dicha segunda ventana de tiempo de separación está incluida entre los segundos puntos de tiempo asociados a los datos históricos agregados del par de datos históricos agregados consecutivos del segundo subconjunto de datos históricos;
- comprobar, por la unidad de control, para cada una de las ventanas de tiempo de separación primera y segunda definidas, si la duración de dicha ventana de tiempo de separación es al menos igual o superior al valor máximo de la ventana de tiempo;
- definir, por la unidad de control, una primera ventana temporal fiable excluyendo de la primera ventana temporal predeterminada cada primera ventana temporal de separación cuya duración sea al menos igual o superior al valor máximo de la ventana temporal;
- definir, por la unidad de control, una segunda ventana de tiempo fiable excluyendo de la segunda ventana de tiempo predeterminada cada segunda ventana de tiempo de separación cuya duración sea al menos igual o superior al valor máximo de la ventana de tiempo.
7. Un método como se reivindica en la reivindicación 6, en el que antes de la etapa (7) de definir, por parte de la unidad de control, un vector de entrada histórico y antes de la etapa (8) de definir, por parte de la unidad de control, un vector de salida histórico, dicho método comprende las etapas de:
- comprobar, por la unidad de control, si cada primera ventana de tiempo de separación de la primera ventana de tiempo fiable comprende uno o más primeros puntos de tiempo que no tienen datos históricos agregados del primer subconjunto de datos históricos asociados con los mismos;
- comprobar, por la unidad de control, si cada segunda ventana de tiempo de separación de la segunda ventana de tiempo fiable comprende uno o más segundos puntos de tiempo que no tienen datos históricos agregados del segundo subconjunto de datos históricos asociados con los mismos;
- interpolar, por parte de la unidad de control, los datos históricos agregados del primer subconjunto de datos históricos para definir un primer dato interpolado que se asociará con cada primer punto de tiempo de la primera ventana de tiempo confiable que no tiene datos históricos agregados del primer subconjunto de datos históricos asociados a los mismos;
- interpolar, por parte de la unidad de control, los datos históricos agregados del segundo subconjunto de datos históricos para definir un segundo dato interpolado que se asociará con cada segundo punto de tiempo de la segunda ventana de tiempo confiable que no tiene datos históricos agregados del segundo subconjunto de datos históricos asociados a la misma.
8. Un método como se reivindica en cualquiera de las reivindicaciones 4 a 7, en el que antes de la etapa (7) de definir, por parte de la unidad de control, un vector de entrada histórico y antes de la etapa (8) de definir, por parte de la unidad de control, un vector histórico de salida, dicho método comprende la etapa de:
- normalizar, por parte de la unidad de control, los datos históricos agregados del primer y segundo subconjunto de datos históricos.
9. Un método como se reivindica en cualquiera de las reivindicaciones 1 a 8, en el que la etapa (10) de adquirir, por parte de la unidad de control, al menos un subconjunto de datos de monitorización de infraestructura de telefonía actual y/o datos de monitorización de aplicación de infraestructura de telefonía comprende las subetapas de:
- aplicar el algoritmo de selección de datos para identificar un subconjunto óptimo de datos actuales que se va a proporcionar al mecanismo de aprendizaje automático;
- aplicar al menos una operación de transformación algebraica a los datos actuales del subconjunto de datos actuales.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102019000014262A IT201900014262A1 (it) | 2019-08-07 | 2019-08-07 | Metodo per predire l’evoluzione temporale di una pluralità di dati relativi ad un’infrastruttura telefonica per la network function virtualization |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2952558T3 true ES2952558T3 (es) | 2023-11-02 |
Family
ID=69024514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20188728T Active ES2952558T3 (es) | 2019-08-07 | 2020-07-30 | Un método de predicción del curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la virtualización de funciones de red |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3772834B1 (es) |
| ES (1) | ES2952558T3 (es) |
| IT (1) | IT201900014262A1 (es) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10445117B2 (en) * | 2017-02-24 | 2019-10-15 | Genband Us Llc | Predictive analytics for virtual network functions |
-
2019
- 2019-08-07 IT IT102019000014262A patent/IT201900014262A1/it unknown
-
2020
- 2020-07-30 ES ES20188728T patent/ES2952558T3/es active Active
- 2020-07-30 EP EP20188728.8A patent/EP3772834B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3772834A1 (en) | 2021-02-10 |
| IT201900014262A1 (it) | 2021-02-07 |
| EP3772834B1 (en) | 2023-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10474519B2 (en) | Server fault analysis system using event logs | |
| EP3297214B1 (en) | Systems and methods for automated determination of network device transiting data attributes | |
| US20170048109A1 (en) | Core network analytics system | |
| US11294755B2 (en) | Automated method of identifying troubleshooting and system repair instructions using complementary machine learning models | |
| CN104160659B (zh) | 用于通信网络的管理和操作的方法和装置 | |
| US9397906B2 (en) | Scalable framework for monitoring and managing network devices | |
| CN111475370A (zh) | 基于数据中心的运维监控方法、装置、设备及存储介质 | |
| US11252052B1 (en) | Intelligent node failure prediction and ticket triage solution | |
| US11762723B2 (en) | Systems and methods for application operational monitoring | |
| CN106708700A (zh) | 一种应用于服务端的运维监控方法和装置 | |
| US20230359934A1 (en) | Intelligent Service Test Engine | |
| ES2952558T3 (es) | Un método de predicción del curso temporal de una pluralidad de datos relativos a una infraestructura de telefonía para la virtualización de funciones de red | |
| US20240020222A1 (en) | Homomorphic Encryption-Based Testing Computing System | |
| CN104461847B (zh) | 数据处理程序检测方法及装置 | |
| CN107360062B (zh) | Dpi设备识别结果的验证方法、系统及dpi设备 | |
| CN117240527A (zh) | 一种网络安全风险防范系统及方法 | |
| US8972789B2 (en) | Diagnostic systems for distributed network | |
| WO2023200597A1 (en) | Automated positive train control event data extraction and analysis engine for performing root cause analysis of unstructured data | |
| US20200167156A1 (en) | Cognitive selection of software developer for software engineering task | |
| ES2951957T3 (es) | Un método de identificación y clasificación de los modos de comportamiento de una pluralidad de datos relativos a una infraestructura de telefonía para la Virtualización de Funciones de Red | |
| US20220129337A1 (en) | Training a Model for Use with a Software Installation Process | |
| CN112348202B (zh) | 一种机器学习中规则模型的建立方法 | |
| CN115022082B (zh) | 网络安全检测方法、网络安全检测系统、终端以及介质 | |
| US20220100594A1 (en) | Infrastructure monitoring system | |
| US20230038986A1 (en) | Scalable Event Driven Auto-Diagnosis System |