Machine Learning-Based Proactive Fault Monitoring and Prediction in GPON Networks
Notice bibliographique
Résumé
Advanced fault management techniques beyond conventional reactive procedures are required due to the widespread use of Gigabit Passive Optical Networks (GPON) as essential infrastructure for high-speed internet services.  In order to anticipate connectivity problems before service degradation happens, this study introduces a revolutionary proactive fault detection and monitoring system that combines machine learning algorithms with real-time network analytics. Our hybrid technique addresses class imbalance issues while preserving real-world representativeness by combining meticulously vetted synthetic samples with real failure data from Telekom Malaysia's operational GPON infrastructure. In order to forecast five different fault categories—Line Disconnect, Intermittent Failures, Service Down, Frequent Disconnections, and Normal Operation—the system examines crucial network data such as optical power levels, signal-to-noise ratio, reflectance measures, and signal attenuation. Our Support Vector Machine solution achieved 97% classification accuracy with balanced precision and recall across all fault types after thorough evaluation utilizing several machine learning methods. During a six-month operational trial, the implementation of a web-based monitoring dashboard showed practical success with a mean time to fault resolution reduction of almost 60%. Crucially, this study clearly defines the parameters for model generalizability across various network topologies and operating situations and offers an open discussion of the constraints of synthetic data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».