شبكههای مخابراتی، سیستمهای پیچیده و مخلوطی از سیستمهای متفاوتی هستند كه قابلیت اعتماد و دسترسی بالایی را میطلبند. مدیریت موثر بر روی این شبكهها، بحرانی و پیچیده میباشد. برای كمك به این مشكل، صنعت مخابرات سرمایهگذاری سنگینی بر روی تكنولوژیهای هوشمند كرده است. مطالبی كه از پی میآید برداشتی است از مقالهای به همین نام از گری ویس، جان ادی و شالوم ویس كه در بخش سرویسهای محاسبهای و شبكه لابراتوارهای شركت AT&T خدمت میكنند و به تشریح این تكنولوژیها و برنامههای كاربردی هوشمند كه در صنایع مخابراتی استفاده میشوند، میپردازد.
شبكههای مخابراتی، سیستمهای پیچیده و مخلوطی از سیستمهای متفاوتی هستند كه قابلیت اعتماد و دسترسی بالایی را میطلبند. مدیریت موثر بر روی این شبكهها، بحرانی و پیچیده میباشد. برای كمك به این مشكل، صنعت مخابرات سرمایهگذاری سنگینی بر روی تكنولوژیهای هوشمند كرده است. مطالبی كه از پی میآید برداشتی است از مقالهای به همین نام از گری ویس، جان ادی و شالوم ویس كه در بخش سرویسهای محاسبهای و شبكه لابراتوارهای شركت AT&T خدمت میكنند و به تشریح این تكنولوژیها و برنامههای كاربردی هوشمند كه در صنایع مخابراتی استفاده میشوند، میپردازد.
1- تكنولوژیهای هوشمند
سالها صنعت مخابرات راه حلهای هوشمند را برای كمك به مدیریت شبكههای مخابراتی به كار گرفته است. ساختن این چنین نرمافزارهای كاربردی، دانش مخابراتی ارزشمندی را میطلبیدكه از تجربیات انسانی و دانش وی و قرار دادن آن در یك سیستم ماهر استفاده میكند. فرآیند اكتساب دانش بسیار زمان بر بود، به طوری كه به عنوان گلوگاه اكتساب دانش مطرح گردید. تكنولوژیهای داده كاوی یا Datamining اكنون به كمك این صنعت آمده تا این گلوگاه را از بین ببرد. این كار را از طریق جابجایی دستی فرآیند كسب دانش با اكتشاف خودكار دانش انجام میدهد. شبكههای مخابراتی كه به طور معمول مقادیر انبوهی از داده را تولید میكنند، همیشه كاندیدهای ایده آلی برای داده كاوی بودهاند. در زیر، سیستمهای ماهر و تكنولوژی داده كاوی را شرح داده و سیر تحول آنها برای حل مشكلات پیچیده صنعتی را توضیح میدهیم.
1-1 سیستمهای ماهرExpert Systems
سیستمهای ماهر برنامههایی هستند كه ارائه و بكار گرفته میشوند تا مشكلات دانش واقعی حوزههای بخصوص مورد قضاوت فنی را حل كنند. سیستمهای ماهر در حد وسیعی در صنعت مخابرات بكار گرفته میشوند اما خود آنها نیز بدون مشكل نیستند. سیستمهای ماهر اولیه نیازمند یك مهندسی دانش بودند كه دانش را از متخصصین این حوزه دریافت و به زبان قانون محور تبدیل كنند. این قوانین بسیار اختصاصی هستند و به تعدادی قانون گسترده میشوند سیستم ماهر از لحاظ درك سختتر و پیچیدهتر شده است. سیستمهای ماهر 4ESS-ES كه در ادامه توضیح خواهیم داد، مثالی از اولین نسل سیستمهای ماهر هستند. نسل دوم سیستمهای ماهر توسط استفاده از روشهای قویتر مانند روشی، براساس مدل و استدلال بر مبنای وظیفه سعی در حل این مسائل دارند. استدلال براساس مدل تا زمانی كه رویكردهای براساس مدل، قادر به ارائه ساختار و رفتار اجزای شبكه مخابراتی به طور روشن بودند، مورد توجه صنایع مخابراتی بود و ازاولین اصول این صنعت نتیجه میشد. زمانی كه این سیستمهای ماهر برتری خود را به سیستمهای نسل اول نشان دادند، از لحاظ اقتصادی نیز تفاوت خود را مشخص كردند. این به دلیل این مطلب بودكه مشخص كردن یك مدل رفتاری و یا وظیفهای در سطح بالا برای علمی ساختن و قابل استفاده كردن مدل، بسیار مشكل میباشد.
طراحی سیستمهای ماهر مخابراتی نیازمند تشخیص مشكلات، با همكاری بخشهای مختلف سیستم بودو از این رو لازم نیست كه شبكه مخابراتی را بطوركامل مدل كنیم. به هر حال این، بدین معنی نیست كه ما بایستی به رویكرد قبلی یعنی نوشتن قوانین فاقد عمومیت براساس نتایج آزمایشات توسط خود سیستم، باز گردیم. در بخش بعد ازآن به تشریح رویكرد چندگانه كه از روابط موثر و شیگرا جهت تعیین یك مدل انتزاعی غیررفتاری برای ابزار مدلسازی میپردازیم. یك رویكرد وابسته دیگر در این بخش توضیح داده می شودكه همان استفاده از داده كاوی اتوماتیك برای ساختن یك شبكه علمی جهت تشریح رفتار شبكه مخابراتی است.
1-2- اكتشاف دانش و داده كاوی
1-2-1- مقدمه:
اكتشاف دانش زمینهای است كه از اصول و قواعد متعددی پدیدار شده كه از آن جمله هوش مصنوعی، یادگیری ماشینها، آمار و دیتابیس است. فرآیند اكتشاف با مسائلی چون شناخت یك الگوی معتبر، بدیع، بالقوه مفید و نهایتا قابل درك برای دادهها روبرو است. داده كاوی روشی است كه توسط فرآیند جستجو، كه خود بر یافتن الگوهای جالب دیتا از طریق آنالیز داده و آلگوریتمهای اكتشاف، استوار است، به ارائه و تحلیل این الگوها میپردازد. فرآیند اكتشاف دانش در مقالات سالهای اخیر مورد توجه قرار گرفته و مراحل زیر را در بر دارد:
1- آمادهسازی داده: انتخاب، پاكسازی و پیش پردازش داده (مثل پركردن جای مقادیر از قلم افتاده) و تغییر شكل دادن آن به منظور مناسب شدن برای داده كاوی.
2- داده كاوی: یافتن الگوهائی مناسب برای داده.
3- تفسیر و ارزیابی: تفسیر و ارزیابی الگوهای تولید شده توسط داده كاوی. یك محرك كلیدی برای اكتشاف دانش این است كه این كار میتواند جایگزین فرآیند زمان بر بدست آوردن دانش از یك حوزه ماهر شود و یا این نیاز را به حداقل برساند اكتشاف دانش به خصوص برای صنایع مخابراتی به دلایل زیر جذاب است:
• شبكههای مخابراتی نوعا برای ساختن مدلهای شبیهسازی كامل بسیار پیچیده هستند.
• معمولا مقادیر معتنابهی از داده از این كار، حاصل میشوند.
• متخصصین حوزهها اغلب از الگوهای ماهرانه دادهها آگاه نیستند و از این رو اكتشاف خودكار شده دانش میتواند دانش جدید و از قبل شناخته نشدهای را بدست بدهد.
بسیاری از برنامههای كاربردی در این مقاله اكتشاف دانش را تجهیز میكنند.گامی كه در فرآیند اكتشاف دانش معمولا نیازمند كار بسیار برای برنامههای كاربردی مخابراتی میباشد، همانا گام تغییر شكل دادن است كه به شناخت ویژگیهای مفید به جهت اداره داده میپردازد. این گام با این واقعیت كه شبكههای مخابراتی آلارمهای متوالی را تولید میكنند و جاییكه آلارمهای مستقل وجود ندارند بسیار مهم است كه رفتار شبكه را در گذشت زمان بتوان تحلیل و پیش بینی كرد. جایی كه اغلب روشهای داده كاوی روی دورههای زودگذر تمركز دارند، این دوره ها بایستی طوری تغییر شكل یابندكه قابل استفاده باشند. در ادامه، برنامه كاربردی سرآمد و برنامه كاربردی پیشبینی را خواهیم دیدكه هر دوی آنها از این رویكرد بهره میبرند. یك رویكرد دیگر برای پیشبرد یك روش داده كاوی، از ارتباطهای زودگذر بهره میگیرد. این چنین سیستمی كه تحلیلكننده توالی آلارم شبكه مخابراتی است،در بخش 2-1-3 توضیح داده خواهد شد.
1-2-2- داده كاوی Data Mining
داده كاوی الگوهای جالب توجه در دادهها را مییابد. این كار مثالی از یادگیری قیاسی است كه براساس عمومی كردن نمونههای مشاهده شده عمل میكند. یك داده كاوی نوعی در صنعت مخابرات عبارت از پیش بینی خطاهای یك شبكه با اجزای آن، براساس تاریخچه آلارمهای بوجود آمده است. داده كاوی وظایف زیادی در حل مشكلات را میتواند انجام دهند كه از آن جمله است:
• كلاسه بندی: یادگیری نگاشت یك مثال بر كلاسهای متعدد.
• دستهبندی: Clustering: جداسازی مثالها در اقلام مختلف كه از قبل تعیین شده نباشد.
• مدلسازی وابسته: پیدا كردن مدلی كه وابستگیهای بین متغییرها را توضیح دهد.
• تشخیص الگوهای زودگذر و متوالی: كشف الگوهای متوالی و زودگذر بین نمونهها، این كار میتواند با مشكلات واقعی مخابراتی همبسته باشد. تمامی برنامههای كاربردی كه در این بخش توضیح داده میشود به عنوان كلاسهبندی وظایف میتوانند استفاده شوند(مثلا آیا یك عنصر شبكه سالم است یا نه). سیستمهای مشخصكننده محل خرابی و APRI كه در بخش 2-1-2 و 2-1-1 توضیح داده میشود، مدلهای وابسته به ساخت هستند. برنامه كاربردیTASA كه در بخش 2-1-3 و برنامه ای با درجه نازل تر برای پیش بنی در بخش 4، هر دومثال هائی ازكشف الگوی موارد زودگذر هستند NYNEX برای دستهبندی استفاده میشوندكه از انبوه نامهها، نامههای سودمند را بیابند و پیامهای فروش را برای حداكثر فشردگی مناسب سازند.
روشهای متعدد برای انجام وظایف متعدد داده كاوی وجود دارد. این روشها به طرق مختلف تغییر میكندكه این طرق عبارتند از: زمانی كه درخواست یادگیری شده، میزان تلورانس نویز آنها، فرمت مورد انتظار دیتا و مفاهیمی كه این دادهها میرسانند. قانون قیاس و Bayesian یا علّی در شبكهها یك روش داده كاوی است كه بطورگسترده در صنایع مخابراتی به شكل نرمافزار های كاربردی مورد استفاده قرار می گیرد، در این بخش توصیف میشوند. سیستمهای قانون قیاسی، قوانینی را برای كلاسهبندی نمونههای جدید تولید میكنند، در حالی كه شبكههای Bayesian مفاهیم احتمالاتی را برای محاسبه دادههای مورد بررسی، یادگیری میكند. هر دو قانون قیاسی و شبكه Bayesian به نوبه خود به نرم افزارهای كاربردی مخابراتی اختصاص دارند.
سیستم قانون Swap-1 توسط دو نرم افزاركاربردی این بخش استفاده میشود. شبكههای Bayesian هم مناسب با خیلی از مشكلات مخابراتی مانند ایزوله كردن یك سخت افزار معیوب، می باشد این روش بهترین روش احتمالاتی است كه با توجه به كمبود مدلهای شبیهسازی كامل، استفاده میشوند. بسیاری از روشهای دیگر داده كاوی، مانند درخت تصمیمات و شبكههای عصبی میتوانند برای حل وظایف داده كاوی استفاده شوند. در بخش دوم درباره برنامههای كاربردی هوشمند برای مدیریت شبكه توضیح خواهیم داد.