Herausforderung
Moderne Telekommunikations-Infrastrukturen, wie sie zum Beispiel bei VoIP-Netzwerken zum Einsatz kommen, produzieren in Echtzeit eine große Menge an Daten. Für die Mitarbeitenden sind diese Datenmengen manuell kaum mehr zu überblicken, wodurch ein zeitkritisches Gegensteuern bei systemrelevanten Ausfällen schwierig bis unmöglich wird. Unser Kunde, ein nationaler Telekommunikationskonzern, stand vor eben dieser Herausforderungen und konnte in der Vergangenheit nur reaktiv auf Systemausfälle reagieren. Dieser Umstand hatte erhebliche negative Auswirkungen auf die Kundenzufriedenheit.
Ansatz
Für die Durchführung des Projekts wurden zwei unterschiedliche Ansätze aus dem Bereich Machine Learning kombiniert. Zur Neartime-Prognose von Anomalien wurden zunächst historische VoIP Fehlercode Zeitreihen zu einer neuen KPI kombiniert. Hierbei wurden insbesondere auch saisonale Muster im Verlauf der Zeitreihen berücksichtigt. Im Anschluss daran wurden auf Basis der neu generierten KPI und durch den Einsatz von Methoden aus dem Bereich Unsupervised Learning Anomalien identifiziert. Im Rahmen eines Supervised Learning Ansatzes wurden diese Anomalien zum Training eines Vorhersagemodells eingesetzt. Dieses kann nun, basierend auf erlernten Mustern in historischen Daten innerhalb der VoIP-Fehlercodes, sich (zum Beispiel in den nächsten 15 Minuten) anbahnende kritische Systemausfälle vorhersagen.
Ergebnis
Durch die im Projekt entwickelten Machine Learning Methoden können in Zukunft relevante Systemausfälle in der Telekommunikations-Infrastruktur unseres Kunden automatisiert und nahezu in Echtzeit identifiziert werden. Darüber hinaus ist auch eine proaktive Erkennung von zukünftigen Ausfällen mit einer Vorlaufzeit von bis zu 15 Minuten möglich.