Titre : Anomaly detection and predicting incident/failures on the network in real time
Début de thèse : 01/06/2021
Fin de thèse : 2023
Résumé :
La croissance exponentielle des réseaux de dispositifs connectés dans le monde entier signifie que les opérateurs de télécommunications ont besoin de systèmes intelligents et performants pour aider à maintenir leurs réseaux vastes et complexes. Pour répondre aux limites des modèles de détection d’anomalies (DA) les plus populaires, les auteurs proposent un nouveau modèle géométrique multidimensionnel probabiliste pour rechercher les comportements anormaux dans l’espace de données, générer des scores d’anomalie et quantifier les facteurs d’anomalie. Ils introduisent également un algorithme pour générer un score final basé sur quatre caractéristiques dérivées des données historiques pour les données d’alarme. En outre, ils présentent un algorithme pour aider à prétraiter les données textuelles, les regrouper en classes et étiqueter dynamiquement chaque classe comme une anomalie ou non. Enfin, ils proposent une méthode qui réduit la dimensionnalité et propose un système de score d’anomalies basé sur la théorie des records. Dans l’ensemble, leurs recherches fournissent des méthodes innovantes pour détecter et prioriser les anomalies dans les réseaux de télécommunications et fournir des outils puissants pour l’analyse de données et la maintenance du réseau.
Summary
The exponential growth of connected device networks worldwide means that telecommunications operators need intelligent and efficient systems to help maintain their vast and complex networks. To address the limitations of the most popular anomaly detection (AD) models, the authors propose a new multidimensional probabilistic geometric model to search for abnormal behaviors in the data space, generate anomaly scores, and quantify anomaly factors. They also introduce an algorithm to generate a final score based on four features derived from historical data for alarm data. Additionally, they present an algorithm to assist in preprocessing textual data, clustering them into classes, and dynamically labeling each class as an anomaly or not. Finally, they propose a method that reduces dimensionality and provides an anomaly score system based on the theory of records. Overall, their research provides innovative methods for detecting and prioritizing anomalies in telecommunications networks and provides powerful tools for data analysis and network maintenance.
Mots clés :
Date de soutenance prévue : 18-07-2023
Encadrement :
- Directeur de thèse : Mireille Batton-Hubert, Professeur Mines Saint-Étienne, LIMOS
- Co-encadrant : Anis Hoayek, Maître de conférence Mines Saint-Étienne, LIMOS
Partenaires ou/et Financeurs :
Télécharger la thèse :
Objectifs de développement durable concernés :
Publications
- The proliferation of interconnected devices is rapidly expanding globally, and, as a result, telecommunication operators are responsible for managing intricate and expansive networks. Consequently, there is a need for advanced and efficient systems to aid network engineers in maintaining these networks. Devices, which can also be referred to as network elements, continuously transmit essential performance […]
- The exponential growth of connected device networks worldwide means that telecommunications operators need intelligent and efficient systems to help maintain their vast and complex networks. To address the limitations of the most popular anomaly detection (AD) models, the authors propose a new multidimensional probabilistic geometric model to search for abnormal behaviors in the data space, […]
- With the increase of network virtualization and the disparity of vendors, the continuous monitoring and detection of anomalies cannot rely on static rules. An advanced analytical methodology is needed to discriminate between ordinary events and unusual anomalies. In this paper, we focus on log data (textual data), which is a crucial source of information for […]
- Alarms data is a very important source of information for network operation center (NOC) teams to aggregate and display alarming events occurring within a network element. However, on a large network, a long list of alarms is generated almost continuously. Intelligent analytical reporting of these alarms is needed to help the NOC team to eliminate […]
Actualité
- Du 20 au 22 février 2025, Anis Hoayek, enseignant-chercheur à Mines Saint-Étienne et membre du LIMOS (UMR 6158), a participé à la prestigieuse 5e conférence IEEE Middle East & North Africa Communications (MENACOMM 2025), organisée à l’Université Américaine Libanaise (LAU) … Lire la Suite →
- Ce jeudi 7 mars, l’Institut Fayol était heureux d’accueillir le Petit déjeuner de MÉCALOIRE sur « digitalisation et IA« . C’est pas moins d’une trentaine de participants qui ont ainsi pu découvrir la plateforme IT’m Factory développée par Mines Saint Étienne et … Lire la Suite →
- Anomaly detection and optimization of manufacturing processes: integration of optimal transport and operations research Détection d’anomalies et optimisation des procédés de fabrication : intégration de la recherche optimale en matière de transport et d’opérations 1 Project description Anomaly detection [3] … Lire la Suite →
- Anomaly detection methods in a signal processing context Méthodes de détection d’anomalies dans un contexte de traitement du signal 1 Project description Anomaly detection [2] poses the challenge of identifying patterns in data that deviate from the expected behavior. Anomalies … Lire la Suite →
- Le 18 juillet 2023, Michel Kamel, doctorant au laboratoire LIMOS, a brillamment soutenu sa thèse de doctorat intitulée : « Advanced Probabilistic & Statistical/Machine learning Models For Anomaly Detection: Application in Telecommunication Industry ». Toutes nos félicitations !!! Son jury était … Lire la Suite →