Koneoppiva poikkeamantunnistus radiotiedonsiirtoverkoissa

Abstract

In the last ten years there has been a great deal of interest in the field of machine learning. Traditionally applicable to only a few niche domains, new uses for machine learning techniques are constantly explored. One of the more significant and studied problems in machine learning has been anomaly detection. Anomaly detection in real-time streaming has become more relevant with the increase in connected devices and rise of Internet of Things.

The goal for this study was to find ways to utilize machine learning in a radio network monitoring system. As a primary goal, various methods of machine learning were researched. As a secondary goal, a working prototype of a real-time streaming anomaly detection application was implemented and integrated into an existing monitoring system. The system was containerized and could be run on-premises if required. NuPIC was selected for the implementation. As a result, a relatively flexible and configurable prototype was implemented.

It was discovered that many machine learning methods and concepts applicable to anomaly detection already existed. Some statistic methods were also found that were popular in the field and could perform robustly. However, not many studies were found that discuss real-time usage in data streams. As such, it was deduced that this field of technological solutions was yet not very well studied or widely adopted.

Viime vuosikymmenen aikana kiinnostus koneoppivia ratkaisuja kohtaan on lisääntynyt. Perinteisesti koneoppimista on hyödynnetty vain muutamilla valikoiduilla aloilla, mutta yhä uusia käyttötapoja menetelmille on löydetty ja alettu tutkimaan. Yksi kiinnostavimpia ja tutkituimpia koneoppimisen sovelluskohteita on poikkeamantunnistus. Kun verkkoon yhdistettyjen laitteiden määrä jatkuvasti lisääntyy ja esineiden internet (”Internet of Things”) kasvaa, poikkeamantunnistus reaaliaikaisesti suoratoistojärjestelmissä on relevantimpaa kuin koskaan.

Opinnäytetyön tavoitteena oli löytää keinoja koneoppimisen hyödyntämiseksi radioverkon valvontajärjestelmässä. Ensisijaisena tavoitteena tutkittiin useita koneoppimisen metodeja. Toissijaisena tavoitteena toteutettiin toimiva prototyyppi reaaliaikaisesta suoratoistopoikkeamantunnistussovelluksesta, joka integroitiin olemassa olevaan monitorointijärjestelmään. Järjestelmä oli konttipohjainen ja pystyttiin tarvittaessa ajamaan paikallisesti. NuPIC-neuroverkkoalusta valittiin toteutukseen. Työn tuloksena saavutettiin verrattain joustava ja konfiguroitava prototyyppi.

Todettiin, että useat olemassa olevat koneoppivat metodit ja konseptit ovat sovellettavissa poikkeamantunnistukseen. Myös eräät tilastolliset metodit olivat laajasti käytettyjä ja pystyivät suoriutumaan tehokkaasti. Reaaliaikaiseen poikkeamantunnistukseen suoratoistojärjestelmissä ei kuitenkaan löydetty monia olemassa olevia ratkaisuja. Tästä pääteltiin, että kyseinen teknologian ala ei vielä ollut laajasti tutkittu tai käyttöön omaksuttu.