Anomalieerkennung in VoiP-Netzwerken.

Moderne Telekommunikations-Infrastrukturen, wie sie zum Beispiel bei VoIP-Netzwerken zum Einsatz kommen, produzieren in Echtzeit eine große Menge von Daten. Für den 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.

Für die Durchführung des Projekts wurden zwei unterschiedliche Ansätze aus dem Bereich Machine Learning kombiniert. Zur Near-Realtime-Prognose von Anomalien wurden zunächst historische VoIP-Fehlercode-Zeitreihen zu einer neuen KPI kombiniert. Hierbei wurden insb. auch saisonale Muster im Verlauf der Zeitreihen berücksichtigt. Im Anschluss daran wurden durch den Einsatz von Methoden aus dem Bereich Unsupervised Learning Anomalien auf Basis der neu generierten KPI identifiziert. Die zuvor identifizierten Anomalien wurden anschließend im Rahmen eines Supervised-Learning Ansatzes zum Training eines Vorhersagemodells verwendet. Dieses kann basierend auf erlernten Mustern in historischen Daten innerhalb der VoIP-Fehlercodes sich anbahnende (z.B. in den nächsten 15 Minuten) kritische Systemausfälle vorhersagen.