Beyond the Norm: Unsupervised Anomaly Detection in Telecommunications with Mahalanobis Distance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Anomaly Detection (AD) in telecommunication networks is critical for maintaining service reliability and performance. However, operational networks present significant challenges: high-dimensional Key Performance Indicator (KPI) data collected from thousands of network elements must be processed in near real time to enable timely responses. This paper presents an unsupervised approach leveraging Mahalanobis Distance (MD) to identify network anomalies. The MD model offers a scalable solution that capitalizes on multivariate relationships among KPIs without requiring labeled data. Our methodology incorporates preprocessing steps to adjust KPI ratios, normalize feature distributions, and account for contextual factors like sample size. Aggregated anomaly scores are calculated across hierarchical network levels—cells, sectors, and sites—to localize issues effectively. Through experimental evaluations, the MD approach demonstrates consistent performance across datasets of varying sizes, achieving competitive Area Under the Receiver Operating Characteristic Curve (AUC) values while significantly reducing computational overhead compared to baseline AD methods: Isolation Forest (IF), Local Outlier Factor (LOF) and One-Class Support Vector Machines (SVM). Case studies illustrate the model’s practical application, pinpointing the Random Access Channel (RACH) success rate as a key anomaly contributor. The analysis highlights the importance of dimensionality reduction and tailored KPI adjustments in enhancing detection accuracy. This unsupervised framework empowers telecom operators to proactively identify and address network issues, optimizing their troubleshooting workflows. By focusing on interpretable metrics and efficient computation, the proposed approach bridges the gap between AD and actionable insights, offering a practical tool for improving network reliability and user experience.
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.
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 | 0,001 | 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 découle