protokola

University of the Aegean, Samos, 2016-2017
Information & Communication Systems Engineering – ICSD

Πρωτόκολλα & Αρχιτεκτονικές Διαδικτύου

Self-Healing in
Mobile Networks With Big Data

Γιώργος Καμπουράκης

(Διδάσκων)

Νίκος Τρίτσης Γιώργος Φιωτάκης

(icsd11162) (icsd13220)

Self Healing & Big Data

Self Healing
Η διαδικασία που περιλαμβάνει αυτόματη
παρακολούθηση, διάγνωση και αποτροπή λαθών σε
ένα σύστημα.

Big Data
Ορολογία που χρησιμοποιείται για δεδομένα τόσο
μεγάλα ή πολύπλοκα, που καθιστούν εφαρμογές
επεξεργασίας δεδομένων μη-ικανοποιητικές για την
μεταχείριση τους

Abstract

Το δίκτυα κινητής τηλεφωνίας έχουν αναπτυχθεί ραγδαία τα
τελευταία χρόνια λόγω της εκτεταμένης αύξησης της
κίνησης πολυμέσων και υπηρεσιών. Αυτό σε συνδυασμό με
τον περιορισμένο χρόνο που έχουν τα self-healing
συστήματα (προκειμένου να διατηρήσουν ένα
συγκεκριμένο QoS), απαιτείται μια προσέγγιση με big data.

Το άρθρο το οποίο αναλάβαμε να μελετήσουμε, μελετά τα
δεδομένα (input) για self-healing συστήματα, δικαιολογεί
την κατηγοριοποίηση τους ως big data και μελετά τεχνικές
που χρησιμοποιούνται καθώς και κάποια σενάρια χρήσης.

Γενικά προβλήματα πρωτοκόλλων

Με την εξέλιξη της τεχνολογίας των πρωτοκόλλων

 Τα υποσυστήματα λειτουργίας και συντήρησης (O&M
subsystems) αυξάνονται σε όγκο και ταχύητα

 Αυξάνει παράλληλα ο αριθμός χρηστών άρα και δεδομένων
και κατα συνέπεια μετρήσεων

 Η αυξημένη ζήτηση ποιοτικού και ποσοτικού bandwidth,
αυξάνει επίσης και το ρυθμό παραγωγής & κατανάλωσης των
εν λόγω δεδομένων

 Προκύπτουν διακοπές στην λειτουργία των συστημάτων λόγω
προλημάτων που δεν μπορούν να επιλυθούν γρήγορα.

Self-Organizing Networking

Για τους λόγους που αναφέραμε πριν, το Next Generation Mobile
Network (NGMN) και το Third Generation Partnership Project
(3GPP), προσδιόρισαν το self-organizing networking (SON).
Ένα SON, απαιτεί λιγότερη συντήρηση σε σχέση με ένα
παραδοσιακό δίκτυο, βελτιώνοντας παράλληλα την ποιότητα των
παρεχόμενων υπηρεσιών (QoS).
Οι λειτουργίες ενός SON, λαμβάνουν ως είσοδο τις μετρήσεις
των δικτύων κινητής τηλεφωνίας και παράγουν ανάλογη (με τη
χρήση τους) έξοδο

Κατηγορίες Λειτουργιών SON

 Self-Configuration: Λειτουργίες με γνώμονα την
αυτοματοποίηση του σχεδιασμού και της ανάπτυξης
ενός δικτύου

 Self-Optimization: Λειτουργίες που κρατούν τις
παραμέτρους διαμόρφωσης να λειτουργούν στο
βέλτιστο επίπεδο για να προσφέρει καλύτερο QoS

 Self-Healing: Λειτουργίες για την αυτοματοποίηση
λύσεων για τα προβλήματα που υπάρχουν, μειώνοντας
καθ’αυτό τον τρόπο την ανθρώπινη παρέμβαση με το
σύστημα και ελαχιστοποιώντας το downtime του.

Χαρακτηριστικά Self-Healing

Στη σημερινή κοινωνία ένα self-healing σύστημα περιγράφετε
απο οποιαδήποτε συσκευή ή σύστημα που έχει την ικανότητα
να αντιλαμβάνεται μια δυσλειτουργία του (χωρίς την
ανθρώπινη παρέμβαση) καθώς και να λαμβάνει μέτρα
προκειμένου να πραγματοποιηθούν οι απαραίτητες ενέργειες
για την επίλυση της.

 Μείωση της ανθρώπινης παρέμβασης
 Ελαχιστοποίηση του χρόνου αδράνειας
 Ανίχνευση σφαλμάτων (διάγνωση)
 Αποζημίωση και αποκατάσταση

Troubleshooting Data

Η διαδικασία αντιμετώπισης προβλημάτων,
χρησιμοποιεί πηγές δεδομένων που υποδεικνύουν
την κατάσταση και τη συμπεριφορά του δικτύου.

Αυτά τα δεδομένα συνήθως καταγράφονται στο
base station (BS: το στοιχείο που συνδέει το δίκτυο
με τα τερματικά των χρηστών), το οποίο συνδέεται
με ένα υποσύστημα συλλογής δεδομένων που
συγκεντρώνει τακτικά όλες τις πληροφορίες σε μια
κεντρική βάση δεδομένων

Τα πιο κοινά data sources

Performance Management Metrics:
Κάθε Base station διατηρεί μια λίστα γεγονότων, απο συγκεκριμένα συμβάντα
όπως established or droped connections.

Fault Management Alarms:
Μαζί με τους μετρητές, τα BS παρακολουθούν συγκεκριμένα προβληματικά
γεγονότα. Η επαναληψιμότητα αυτών καταγράφεται σε έναν δυαδικό δείκτη (π.χ.
alarm)

Configuration Management Parameters:
Ρυθμίζονται απο μηχανικούς ή λειτουργίες SON. Αυτοί οι παράμετροι ρυθμίζουν
τη λειτουργία του δικτύου και αποτελούν σημαντικές πληροφορίες για την
καλύτερη κατανόηση της επίδρασης που έχει μια δραστηριότητα σε ένα δίκτυο

Τα πιο κοινά data sources

Call Traces:
Μετρήσεις απ’την χρονική στιγμή που υπήρξε
επικοινωνία. Κάθε call trace περιέχει καταχωρήσεις
και μετρήσεις σχετικές με τη σύνδεση μεταξύ του
εξοπλισμού ενός χρήστη και του δικτύου.

Άλλα data sources:
Trouble Tickets, Engineer Actions, Drive Tests,
Customer Complaints

Διαδικασία troubleshooting

Το χειροκίνητο troubleshooting workflow έχει 4 βασικά tasks:

Ανίχνευση (παρατήρηση ενός συγκεκριμένου, ελαχιστοποιημένου KPI απο
μηχανικούς προκειμένου να εντοπιστεί το πρόβλημα)

Διάγνωση (εύρεση της “ρίζας” του προβλήματος, εδώ, απαιτείται η μελέτη low-level
indicators)

Συμβιβασμός (βήμα προκειμένου οι πελάτες να μην παύσουν να έχουν πρόσβαση
στις ήδη υπάρχουσες υπηρεσίες, πιθανότατα να πέσει και το επίπεδο του QoS)

Ανάκτηση (αντιμετώπιση του προβλήματος εφόσον έχει αναγνωριστεί η “ρίζα”,
αξιοσημείωτο είναι οτι η αντιμετώπιση μπορεί να μην είναι επιτυχής, παρ’όλα αυτά,
να χρησιμοποιηθεί σε μια μεταγενέστερη επανάληψη της διάγνωσης)

Big Data

Προκειμένου ένα data set να χαρακτηριστεί big-data-compliant, θα πρέπει να ακολουθεί ένα σετ
κανόνων, γνωστό ως τα 3 V των Big Data.

Big Volume
Δεν υπάρχει κάποιο όριο για το τι θεωρείται αρκετά μεγάλο και τι όχι. Σύνηθες δομές είναι είτε
πολλαπλά μικρά κομμάτια πληροφοριών, πολύ απλά και δομημένα που δημιουργούνται όμως
απο ένα μεγάλο αριθμό BS, είτε μεγάλα κομμάτια δεδομένων με πολλαπλά πεδία τα οποία
εμπεριέχουν references σε πολλά BS.

High Velocity
Οι πληροφορίες παράγονται με ταχύτητα που απαιτεί ειδικές τεχνικές προκειμένου να
επεξεργαστεί το data set πριν μπορέσουμε να παράγουμε καινούργια δεδομένα.

High Variety
Το τελευταίο V, απεικονίζει την ποικιλομορφία ενός Big Data set, σε βαθμό τέτοιο που συνήθως
απαιτείται ομογενοποίηση, classification ή clustering προκειμένου να χρησιμοποιηθεί.

Big Data in Self-Healing Use Cases

Στα δίκτυα κινητής, συνήθως γίνεται χρήση της αρχιτεκτονικής lambda,
μια αρχιτεκτονική κοινή στον τομέα του cloud computing. Η αρχιτεκτονική
αυτή έχει 2 data pipelines, το Batch layer και το speed layer.

Batch: Αργό pipeline, όπου οι αλγόριθμοι εφαρμόζονται πάνω στα
datasets για μεγάλα χρονικά διαστήματα. Βασική προυπόθεση να είναι
αρκετά γρήγορο προκειμένου να μπορεί τουλάχιστον να επεξεργάζεται
δεδομένα με τον ρυθμό που παράγονται.

Speed: Σ’αυτό το pipeline συνήθως εισέρχονται μόνο τα data που
δημιουργήθηκαν τελευταία. Συνήθως είναι απαραίτητο προκειμένου να
αποκτήσουμε κάποιο προσεγκιστικό αποτέλεσμα αμέσως όταν
δημιουργούνται καινούργια data.

Big Data & Self-Healing

Data Reduction:
Τα πολύ μεγάλα data sets συνήθως
επεξεργάζονται απο ανθρώπους ή μένουν για
απροσδιόριστη μελλοντική χρήση. Η λογική του
data reduction είναι η μείωση του όγκου των
O&M Databases χρησιμοποιώντας μόνο απο
data & data types που είναι γνωστά απο κάποια
άλλη βάση, ή κάποιο field της ήδη υπάρχουσας
βάσης.

Big Data & Self-Healing

Sleeping Cell Detection:
Σ’αυτό το κομμάτι προτείνεται η χρήση ενός γειτονικού BS
προκειμένου να βαθμολογηθεί η επίδραση στο δίκτυο (της
αστοχίας ή απώλειας κυψελών).

Diagnosis based on KPI correlation:
Κατα το troubleshooting, μόλις ένα πρόβλημα εντοπιστεί σε ένα
BS, ξεκινάει η διάγνωση όπως είπαμε, συνήθως αυτό γίνεται
παρατηρώντας υψηλού επιπέδου KPIs. Καθ’αυτό τον τρόπο η
διάγνωση λαμβάνει υπ’όψιν της όλες τις πληροφορίες για να βρεί
το root problem. Μια πολύ σημαντική πηγή πληροφοριών είναι η
εύρεση των Pis που έχουν τα περισσότερα κοινά σημεία.

Συμπεράσματα

Τα συμπεράσματα του άρθου είναι πως η
αυτοματοποίηση της λειτουργίας και συντήρησης των
δικτύων κινητής, πλέον είναι μεγάλη ανάγκη για του
παρόχους κινητής. Αυξημένη κυκλοφορία πληροφοριών,
μεγάλα data sets στα ήδη υπάρχοντα δίκτυα, και ακόμα
μεγαλύτερα ποσά σε μελλοντικά δίκτυα 5g, φανερώνουν
πως ο όγκος των δεδομένων που χρειάζεται ένα self-
healing σύστημα, μπορεί να αντιμετωπιστεί ξεκάθαρα ως
big data. Με την χρήση των big data και των τεχνικών
που μελετά το άρθρο, μπορούμε να επιτύχουμε μια
σχετική διαφάνεια ως πρους τους χρήστες κατα την
εκτέλεση λειτουργιών SON.

Κρίση του άρθρου

Στα δίκτυα κινητής, συνήθως γίνεται χρήση της αρχιτεκτονικής lambda,
μια αρχιτεκτονική κοινή στον τομέα του cloud computing. Η αρχιτεκτονική
αυτή έχει 2 data pipelines, το Batch layer και το speed layer.

Batch: Αργό pipeline, όπου οι αλγόριθμοι εφαρμόζονται πάνω στα
datasets για μεγάλα χρονικά διαστήματα. Βασική προυπόθεση να είναι
αρκετά γρήγορο προκειμένου να μπορεί τουλάχιστον να επεξεργάζεται
δεδομένα με τον ρυθμό που παράγονται.

Speed: Σ’αυτό το pipeline συνήθως εισέρχονται μόνο τα data που
δημιουργήθηκαν τελευταία. Συνήθως είναι απαραίτητο προκειμένου να
αποκτήσουμε κάποιο προσεγκιστικό αποτέλεσμα αμέσως όταν
δημιουργούνται καινούργια data.