Citation

Abstract

This article presents an anomaly detection (AD) algorithm, robust AD for rural fixed wireless LTE (RAINFOREST), to address the difficulty of fault detection in LTE networks, specifically those that are rural and fixed wireless. We propose a hybrid AD method that uses network key performance indicators (KPIs), historical KPI forecasts, density-based spatial clustering of applications with noise (DBSCAN), and statistical analysis to detect anomalies. RAINFOREST outperformed benchmark AD methods and was able to detect faults in a rural commercial fixed wireless network earlier than existing LTE threshold-based alarms.

Résumé

Cet article présente un algorithme de détection d’anomalies (AD), AD robuste pour un réseau LTE(RAINFOREST) rural sans fil fixe, pour résoudre la difficulté de la détection des défauts dans les réseaux LTE, en particulier ceux qui sont des ruraux fixes et sans fil. Nous proposons une méthode hybride d’AD qui utilise les indicateurs de performance clé (KPI) du réseau, les prévisions historiques du KPI, le regroupement spatial basé sur la densité des applications avec bruit (DBSCAN) et l’analyse statistique pour détecter les anomalies. RAINFOREST a surpassé les méthodes d’AD de référence et a pu détecter des défauts dans un réseau sans fil fixe commercial rural plus tôt que les alarmes existantes basées sur les seuils LTE.

Paper (Links)

Acknowledgements

This work was supported by a MITACS Accelerate grant and Xplore, Inc. The translation of the abstract was provided by the journal.