KR20030028054A - 신경망을 이용한 기지국 장애예측 장치 및 그 방법 - Google Patents

신경망을 이용한 기지국 장애예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20030028054A
KR20030028054A KR1020010059965A KR20010059965A KR20030028054A KR 20030028054 A KR20030028054 A KR 20030028054A KR 1020010059965 A KR1020010059965 A KR 1020010059965A KR 20010059965 A KR20010059965 A KR 20010059965A KR 20030028054 A KR20030028054 A KR 20030028054A
Authority
KR
South Korea
Prior art keywords
base station
failure
neural network
information
management data
Prior art date
Application number
KR1020010059965A
Other languages
English (en)
Other versions
KR100439674B1 (ko
Inventor
한영근
안성혜
구임수
Original Assignee
(주) 엘지텔레콤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 엘지텔레콤 filed Critical (주) 엘지텔레콤
Priority to KR10-2001-0059965A priority Critical patent/KR100439674B1/ko
Publication of KR20030028054A publication Critical patent/KR20030028054A/ko
Application granted granted Critical
Publication of KR100439674B1 publication Critical patent/KR100439674B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/40—Monitoring; Testing of relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/155—Ground-based stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 신경망을 이용한 기지국 장애예측 장치 및 그 방법을 제공하기 위한 것으로, 기지국의 관리 데이터를 수집하는 관리데이터 수집부와; 상기 관리데이터 수집부에서 수집된 기지국의 정보를 신경망으로 처리하는 신경망 처리부와; 상기 신경망 처리부에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 장애발생가능성 출력부를 포함하여 구성함으로써, 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측한 후 기지국에서 장애가 발생하기 전에 장애발생 가능성이 큰 기지국을 중점 감시함으로써 기지국의 장애를 최소화하고 운영 효율을 극대화시킬 수 있게 되는 것이다.

Description

신경망을 이용한 기지국 장애예측 장치 및 그 방법{Apparatus and method for failure prediction of radio port using neural network}
본 발명은 기지국 장애예측에 관한 것으로, 특히 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측하기에 적당하도록 한 신경망을 이용한 기지국 장애예측 장치 및 그 방법에 관한 것이다.
일반적으로 통신 시스템은 원거리에 있는 단말기와 통신 회선으로 결합하여 정보 처리를 수행하는 시스템으로, 유선과 무선 통신 시스템 등이 있다.
그리고 무선 통신 시스템은 사람, 자동차, 선박, 열차, 항공기 등 이동체를 대상으로 하는 통신 시스템으로, 이에는 이동전화(휴대전화, 차량전화), 항만전화, 항공기전화, 이동공중전화(열차, 유람선, 고속버스 등에 설치), 무선호출, 무선전화, 위성통신, 아마추어무선, 어업무선 등이 포함된다. 이러한 통신에는 아날로그 방식을 사용하는 AMPS(Advanced Mobile Phone Service) 시스템, 디지털 방식을 사용하는 CDMA 및 TDMA(Time Division Multiple Access, 시분할 다원 접속) 시스템, FDMA(Frequency Division Multiple Access, 주파수 분할 다원접속) 시스템, WLL(Wireless Local Loop, 무선 가입자 망) 시스템 등이 있다.
도1은 일반적인 통신 시스템의 블록구성도이다.
이에 도시된 바와 같이, 단말기의 호처리 요구를 공중망 또는 전용망을 통해 공중전화교환망과 같은 다른 통신망에 전송하여 통신 서비스가 이루어질 수 있도록 하는 교환기(1)와; 상기 교환기(1)와 연결되어 기지국(3)을 제어하는 제어국(2)과; 상기 제어국(2)의 제어를 받고, 상기 교환기(1)의 호전송 요구를 단말기(4)에 송신하고, 상기 단말기(4)의 호처리 요구를 수신하는 기지국(3)과; 상기 기지국(3)의 포괄영역 내에서 가입자가 통신 서비스를 받도록 하는 단말기(4)로 구성되었다.
이와 같이 구성된 일반적인 통신 시스템은, 가입자가 자신의 단말기(4)를 가지고 기지국(3)의 포괄영역 이내에 있으면서 통신 서비스를 사용하고자 하면, 기지국(3)을 통해 파악한 가입자의 단말기(4) 정보를 교환기(1)를 통해 홈위치 등록기로 전송한다. 그리고 통신 시스템에서는 단말기(4)의 요구에 따라 음성정보 서비스를 수행하거나 다른 통신망과 연결시켜 통신 서비스를 수행할 수 있도록 동작하였다.
그리고 종래에는 기지국(3)에서 장애가 발생하면, 장애가 발생된 이후에 조치를 취하였다.
그러나 이러한 종래의 기술은 사전에 어떤 기지국에서 그리고 기지국의 어떤 부분에서의 장애발생 빈도가 높은지 알 수 없었기 때문에 장애발생 빈도가 높은 기지국을 중점관리할 수 없는 문제점이 있었다.
이에 본 발명은 상기와 같은 종래의 제반 문제점을 해소하기 위해 제안된 것으로, 본 발명의 목적은 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측한 후 기지국에서 장애가 발생하기 전에 장애발생 가능성이 큰 기지국을 중점 감시함으로써 기지국의 장애를 최소화하고 운영 효율을 극대화시킬 수 있는 신경망을 이용한 기지국 장애예측 장치 및 그 방법을 제공하는 데 있다.
상기와 같은 목적을 달성하기 위하여 본 발명의 일실시예에 의한 신경망을이용한 기지국 장애예측 장치는,
기지국의 관리 데이터를 수집하는 관리데이터 수집부와; 상기 관리데이터 수집부에서 수집된 기지국의 정보를 신경망으로 처리하는 신경망 처리부와; 상기 신경망 처리부에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 장애발생가능성 출력부를 포함하여 이루어짐을 그 기술적 구성상의 특징으로 한다.
상기와 같은 목적을 달성하기 위하여 본 발명의 일실시예에 의한 신경망을 이용한 기지국 장애예측 방법은,
기지국의 관리 데이터를 수집하는 제 1 단계와; 상기 제 1 단계에서 수집된 기지국의 관리 데이터를 신경망으로 처리하는 제 2 단계와; 상기 제 2 단계에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 제 3 단계를 포함하여 수행함을 그 기술적 구성상의 특징으로 한다.
도 1은 일반적인 통신 시스템의 블록구성도이고,
도 2는 본 발명에 의한 신경망을 이용한 기지국 장애예측 장치의 블록구성도이며,
도 3은 본 발명에 의한 신경망을 이용한 기지국 장애예측 방법을 보인 흐름도이고,
도 4는 도 2 및 도 3에서 신경망의 구성예를 보인 개념도이며,
도 5는 도 4를 일반화한 다층 퍼셉트론의 그래프이고,
도 6은 본 발명의 실시에 의한 장애예측 상위기지국 리스트의 출력예를 보인 도면이다.
* 도면의 주요 부분에 대한 부호의 설명 *
1 : 교환기 2 : 제어국
3 : 기지국 4 : 단말기
10 : 관리데이터 수집부 20 : 신경망 처리부
30 : 장애발생가능성 출력부
이하, 상기와 같이 구성된 본 발명, 신경망을 이용한 기지국 장애예측 장치 및 그 방법의 기술적 사상에 따른 일실시예를 도면을 참조하여 상세히 설명하면 다음과 같다.
도 2는 본 발명에 의한 신경망을 이용한 기지국 장애예측 장치의 블록구성도이다.
이에 도시된 바와 같이, 기지국의 관리 데이터를 수집하는 관리데이터 수집부(10)와; 상기 관리데이터 수집부(10)에서 수집된 기지국의 정보를 신경망으로 처리하는 신경망 처리부(20)와; 상기 신경망 처리부(20)에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 장애발생가능성 출력부(30)를 포함하여 구성된다.
상기에서 관리데이터 수집부(10)는, 기지국의 하드웨어 정보, 기지국의 소프트웨어 정보, 기지국의 수리내역 정보, 기지국의 성능 정보, 기지국의 장애 정보, 티켓 발행 내역 정보를 포함하여 입력받아 수집하여 신경망에 의해 기지국에서의 장애발생 가능성을 예측할 수 있게 한다.
상기에서 신경망 처리부(20)는, 성능지표 분류기준, 장애지표 분류기준, 기지국 용량산출, 운용자 조치내용 분류를 이용하여 기지국에서의 장애발생 가능성을 예측한다.
상기에서 신경망 처리부(20)는, 티켓 건수와 크리티컬(Critical) 장애 이장 시간을 조건으로 기지국의 장애 발생 가능성을 예측한다.
도 3은 본 발명에 의한 신경망을 이용한 기지국 장애예측 방법을 보인 흐름도이다.
이에 도시된 바와 같이, 기지국의 관리 데이터를 수집하는 제 1 단계(ST11)와; 상기 제 1 단계에서 수집된 기지국의 관리 데이터를 신경망으로 처리하는 제 2 단계(ST12)와; 상기 제 2 단계에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 제 3 단계(ST13)를 포함하여 수행한다.
상기에서 제 1 단계는, 기지국의 하드웨어 정보, 기지국의 소프트웨어 정보, 기지국의 수리내역 정보, 기지국의 성능 정보, 기지국의 장애 정보, 티켓 발행 내역 정보를 포함하여 입력받아 수집하여 신경망에 의해 기지국에서의 장애발생 가능성을 예측할 수 있게 한다.
상기에서 제 2 단계는, 성능지표 분류기준, 장애지표 분류기준, 기지국 용량산출, 운용자 조치내용 분류를 이용하여 기지국에서의 장애발생 가능성을 예측한다.
상기에서 제 2 단계는, 티켓 건수와 크리티컬(Critical) 장애 이장 시간을 조건으로 기지국의 장애 발생 가능성을 예측한다.
이와 같이 구성된 본 발명에 의한 신경망을 이용한 기지국 장애예측 장치 및 그 방법의 동작을 첨부한 도면에 의거 상세히 설명하면 다음과 같다.
먼저 본 발명은 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측하고 중점 감시하여 기지국의 장애를 최소화하고자 하는 것이다.
종래에는 장애가 많이 발생할 기지국으로 종합적으로 예측하여 감시하는 기술은 없었다. 그래서 기지국 관련 단일 요소 데이터와 장애발생의 연관성을 규명할 수 없었기 때문에 일반적인 기지국 장애예측이 불가능하였다.
따라서 본 발명에서는 복합 인력 요소(장애, 성능, 티켓, 구성 수리내역 등)를 사용하는 신경망(Neural Network) 분석을 이용하여 기지국 장애예측에서의 정확도를 향상시키고 이를 실제 운영에 활용할 수 있게 한다.
그래서 예를 들면, 전주 1주간 발생한 기지국 관련 망 수집 데이터와 티켓, 장애조치, 수리내역 데이터를 기지국 단위로 집계하여 이를 입력 팩터로 사용한다. 그리고 신경망 분석을 통하여 차주에 장애 발생 가능성이 큰 상위 기지국(예를 들면, 상위 5% 이내)의 리스트를 중점 관리한다.
도 4는 도 2 및 도 3에서 신경망의 구성예를 보인 개념도이다.
그래서 관리 입력 팩터(Factor)에는 다음과 같은 항목이 있을 수 있다.
(1) 하드웨어 : 기지국의 하드웨어 용량과 특성에 따라 트래픽 증가로 인한 장애 발생 가능성이 존재한다.
- 기지국 타입 : 각 기지국 타입 별로 장애 발생 요인이 상이하다.
- FA(Frequency Allocation) 수, 섹터(Sector) 수 : 이 요소에 따라 기지국의 용량 및 활용 목적이 상이하다.
- 주요 보드 수 : 타입 및 기능에 따라 주요 관리 보드가 달라진다.
(2) 소프트웨어 : 빈번한 소프트웨어 변경으로 인해 장애 발생 가능성에 큰 영향을 미친다.
- 패키지 버전(Package Version) : 적용된 패키지에 따라 보완된 에러와 보완되지 않은 에러의 패턴이 상이하다.
- 최근 PLD(Processor Load Data) 로딩 여부 : PLD 로딩이 잦은 경우, 장애의 소지를 안고 있으며, 최근 로딩이 발생한 경우 장애 발생 확률이 낮다.
(3) 수작업 관리 : 최근 수리 여부와 종류에 따라 장애 발생 가능성이 다르게 나타난다.
- 최근 수리 여부 : 수리가 잦은 보드의 경우 장애의 소지를 안고 있으며, 최근 수리한 보드의 경우 장애 발생 확률이 높거나 낮을 수 있다.
(4) 성능 : 장애 발생은 결국 성능 저하로 나타나게 되므로, 장애와 밀접하게 관련이 있다.
- 트래픽 : 트래픽의 폭주 및 추이로써, 기지국 용량과 관련하여 장애 발생 가능성에 영향을 미친다.
- 소통율 / 완료율 / 절단율 : 소통율 / 완료율 / 절단율의 추이 및 특이 사항으로, 소통율, 완료율, 절단율의 심각한 저하는 장애발생예측 출력데이터의 결과로 표현될 수 있다.
- 페일 리슨(Fail Reason) : 하드웨어 관련 호실패(Call Fail)와 폭주 관련 호실패(Call Fail)를 분류하여 분석한다. 페일 리슨을 분석하여 장애 연관성을 추출하는데 사용할 수 있다.
(5) 장애 : 과거 장애의 발생 이력이 수리조치 내역과 관련하여 장애 발생 가능성에 큰 영향을 미친다.
- 장애 발생 시간 / 빈도 : 특정 기지국의 장애 발생 상황 및 빈도를 나타낸다.
- 장애 종류 : 장애 종류별 중요도를 분석한다.
- 이장 시간 : 장애 클리어(Clear) 경과 시간을 분석한다.
(6) 티켓 : 티켓 발행 정보는 주요 장애 발생과 밀접한 관계를 갖는다.
- 티켓 종류 : 시스템을 통해 발생되는 자동 티켓과 운용자에 의해 발생되는 수동 티켓을 구분한다.
- 이장 시간 : 티켓 이장 시간을 일정시간(예를 들면, 10분) 단위 도수로 처리하여 사용한다.
이러한 관리 입력 팩터에 의해 입력된 관리 정보를 신경망을 통해 분석한다.
그래서 각 입력 팩터의 범위를 분석 목적과 용도에 맞게 단순화하여 사용한다.
- 기지국 용량 : 타입에 따른 적정 용량, 부족 용량, 여유 용량으로 관리한다.
- 소프트웨어 버전 : 장애 발생에 따른 업데이트, 성능 개선을 위한 업데이트, 기타로 관리한다.
- 최근 수리 여부 : 장애 발생에 따른 수리, 성능 개선을 위한 수리, 기타로 관리한다.
- 성능 : 관리 적정 수치를 기준으로 상, 중, 하로 관리한다.
- 장애 : 장애 종류에 따른 발생 건수와 평균 이장 시간을 적정량 기준으로 상, 중, 하로 분류하여 관리한다.
도 5는 도 4를 일반화한 다층 퍼셉트론의 그래프이다.
그래서 신경망은 망의 성질을 가지고 있는데, 도 4 및 도 5에서와 같이, 가중치와 방향성이 있는 에지(Edge)로 구성된 그래프이다. 각 노드를 뉴런을 모델로 하여, 활성치(Activation Level)와 출력치(Output)를 가지고 있다. 활성치는 세포가 "흥분"한 정도를 나타내며, 출력치는 흥분된 정도에 비례하여 비선형적으로 결정된다. 각 에지는 시냅스라고 부르며 실제로 시냅스를 모델로하여 가중치가 있다. 망의 구조는 각 노드가 서로 어떻게 연결되어 있느냐에 따라 결정된다. 여기서 학습이란 외부의 자극(입/출력)에 의하여 시냅스의 가중치가 어떻게 결정되느냐의 문제가 된다.
하나의 노드에서는 다른 노드들의 출력치를 해당 시냅스의 가중치에 비례하여 접수한다. 따라서 노드의 활성치는 다른 노드들의 출력치로 구성된 입력 벡터와 해당 시냅스들의 가중치로 구성된 가중치 벡터의 내적으로 계산된다. 이 값을 비선형 함수인 활성화함수로 변환하여 출력한다.
또한 다층 퍼셉트론은 층 구조를 가진 신경망으로 입력층, 은닉층, 출력층으로 구성되어 있다. 입력층으로 들어가는 입력 x가 은닉층에서 z로 그리고 출력층에서 y로 변환된다. 그래서 선형회귀 모델을 그래프로 표시하면 z1과 z2가 없고 대신 입력층의 모든 x 노드가 y와 직접 연결되어 있게 된다. 이때 x 노드와 y 노드를 연결하는 시냅스의 가중치가 선형회귀에서의 계수와 동등하다. 따라서 다층 퍼셉트론이 선형 회귀분석 모델을 포함하고 있다는 것을 알 수 있다.
이러한 신경망을 통한 기지국 정보 분석은 해당 기지국의 차주 장애 발생 가능성을 추출하는 것을 타겟(Target)으로 한다.
그리고 입력 데이터를 이용하여 신경망 모형을 만들기 위해서는 타겟에 해당되는 값을 조금 더 상세한 필드로 정의할 수 있다.
타겟을 정하는 방안으로 크리티컬(Critical) 장애 유무를 고려할 수 있다. 그러나 타겟과 크리티컬 장애 유무가 반드시 일치하는 것은 아니고, 티켓 건수와 크리티컬 장애 이장 시간의 조건을 충족시켰을 때 적절한 신경망 모형을 얻을 수 있다.
이 이외에 기지국 장애 예측 모형은 망 상황의 변동에 따라 적정한 예측 모형으로 주기적인 갱신이 필요하다. 이를 위해 일정 간격(예를 들면, 매주) 동안 예측 결과의 정확도를 평가하고, 정확도가 감소하면 예측 모형을 갱신해야 한다.
도 6은 본 발명의 실시에 의한 장애예측 상위기지국 리스트의 출력예를 보인 도면으로, 이러한 예측 모형에 의해 의한 최종 결과를 보인 것이다.
그래서 도 6의 가로축은 기지국 정보로써, 대상이 되는 기지국 별로 독자적인 값을 가지고 있다. 도 6의 그래프에서 주요장애 예측건수와 예측이장시간을 포함한 관리 입력 팩터를 신경망으로 분석하여 장애발생확률이 도출되게 된다. 따라서 장애가 발생할 확률이 높은 기지국일수록 실제로 발생한 장애도 많음을 알 수 있다.
이처럼 본 발명은 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측한 후 기지국에서 장애가 발생하기 전에 장애발생 가능성이 큰 기지국을 중점 감시하게 되는 것이다.
이상에서 본 발명의 바람직한 실시예를 설명하였으나, 본 발명은 다양한 변화와 변경 및 균등물을 사용할 수 있다. 본 발명은 상기 실시예를 적절히 변형하여 동일하게 응용할 수 있음이 명확하다. 따라서 상기 기재 내용은 하기 특허청구범위의 한계에 의해 정해지는 본 발명의 범위를 한정하는 것이 아니다.
이상에서 살펴본 바와 같이, 본 발명에 의한 신경망을 이용한 기지국 장애예측 장치 및 그 방법은 신경망을 이용하여 장애발생 가능성이 큰 기지국을 예측한 후 기지국에서 장애가 발생하기 전에 장애발생 가능성이 큰 기지국을 중점 감시함으로써 기지국의 장애를 최소화하고 운영 효율을 극대화시킬 수 있는 효과가 있게 된다.

Claims (8)

  1. 기지국의 관리 데이터를 수집하는 관리데이터 수집부와;
    상기 관리데이터 수집부에서 수집된 기지국의 정보를 신경망으로 처리하는 신경망 처리부와;
    상기 신경망 처리부에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 장애발생가능성 출력부를 포함하여 구성된 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 장치.
  2. 제 1 항에 있어서, 상기 관리데이터 수집부는,
    기지국의 하드웨어 정보, 기지국의 소프트웨어 정보, 기지국의 수리내역 정보, 기지국의 성능 정보, 기지국의 장애 정보, 티켓 발행 내역 정보를 포함하여 입력받아 수집하여 신경망에 의해 기지국에서의 장애발생 가능성을 예측할 수 있도록 구성된 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 장치.
  3. 제 1 항에 있어서, 상기 신경망 처리부는,
    성능지표 분류기준, 장애지표 분류기준, 기지국 용량산출, 운용자 조치내용 분류를 이용하여 기지국에서의 장애발생 가능성을 예측하도록 구성된 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 장치.
  4. 제 1 항에 있어서, 상기 신경망 처리부는,
    티켓 건수와 크리티컬 장애 이장 시간을 조건으로 기지국의 장애 발생 가능성을 예측하도록 구성된 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 장치.
  5. 기지국의 관리 데이터를 수집하는 제 1 단계와;
    상기 제 1 단계에서 수집된 기지국의 관리 데이터를 신경망으로 처리하는 제 2 단계와;
    상기 제 2 단계에서 처리된 결과에서 기지국의 장애발생 가능성을 추출하여 출력시키는 제 3 단계를 포함하여 수행하는 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 방법.
  6. 제 5 항에 있어서, 상기 제 1 단계는,
    기지국의 하드웨어 정보, 기지국의 소프트웨어 정보, 기지국의 수리내역 정보, 기지국의 성능 정보, 기지국의 장애 정보, 티켓 발행 내역 정보를 포함하여 입력받아 수집하여 신경망에 의해 기지국에서의 장애발생 가능성을 예측할 수 있도록 수행하는 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 방법.
  7. 제 5 항에 있어서, 상기 제 2 단계는,
    성능지표 분류기준, 장애지표 분류기준, 기지국 용량산출, 운용자 조치내용분류를 이용하여 기지국에서의 장애발생 가능성을 예측하도록 수행하는 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 방법.
  8. 제 5 항에 있어서, 상기 제 2 단계는,
    티켓 건수와 크리티컬 장애 이장 시간을 조건으로 기지국의 장애 발생 가능성을 예측하도록 수행하는 것을 특징으로 하는 신경망을 이용한 기지국 장애예측 방법.
KR10-2001-0059965A 2001-09-27 2001-09-27 신경망을 이용한 기지국 장애예측 장치 및 그 방법 KR100439674B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR10-2001-0059965A KR100439674B1 (ko) 2001-09-27 2001-09-27 신경망을 이용한 기지국 장애예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR10-2001-0059965A KR100439674B1 (ko) 2001-09-27 2001-09-27 신경망을 이용한 기지국 장애예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20030028054A true KR20030028054A (ko) 2003-04-08
KR100439674B1 KR100439674B1 (ko) 2004-07-12

Family

ID=29562509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2001-0059965A KR100439674B1 (ko) 2001-09-27 2001-09-27 신경망을 이용한 기지국 장애예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR100439674B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101027242B1 (ko) * 2008-12-24 2011-04-07 포항공과대학교 산학협력단 공정 제어 네트워크에서의 장애 예측 방법 및 장치
GB2496731A (en) * 2011-11-16 2013-05-22 Ibm Mitigating effects of predicted failures in a mobile network basestation due to weather
US8493898B2 (en) 2011-09-15 2013-07-23 International Business Machines Corporation Macro diversity in a mobile data network with edge breakout
US8837318B2 (en) 2011-09-15 2014-09-16 International Business Machines Corporation Mobile network services in a mobile data network
KR200487410Y1 (ko) 2017-05-24 2018-09-12 정현종 마네킹의 요소 연결기구
CN109618361A (zh) * 2019-01-22 2019-04-12 北京市天元网络技术股份有限公司 一种4g基站隐性故障排查方法及装置
CN111163484A (zh) * 2018-11-07 2020-05-15 ***通信集团湖南有限公司 基站故障的预测方法及装置
CN112367129A (zh) * 2020-07-27 2021-02-12 南京邮电大学 一种基于地理信息的5g参考信号接收功率预测方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102291615B1 (ko) 2017-05-29 2021-08-18 주식회사 케이티 통신망의 장애를 예측하는 장치 및 방법
US11550682B2 (en) 2020-10-20 2023-01-10 International Business Machines Corporation Synthetic system fault generation

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101027242B1 (ko) * 2008-12-24 2011-04-07 포항공과대학교 산학협력단 공정 제어 네트워크에서의 장애 예측 방법 및 장치
US9014023B2 (en) 2011-09-15 2015-04-21 International Business Machines Corporation Mobile network services in a mobile data network
US8493898B2 (en) 2011-09-15 2013-07-23 International Business Machines Corporation Macro diversity in a mobile data network with edge breakout
US8619647B2 (en) 2011-09-15 2013-12-31 International Business Machines Corporation Macro diversity in a mobile data network with edge breakout
US8837318B2 (en) 2011-09-15 2014-09-16 International Business Machines Corporation Mobile network services in a mobile data network
GB2496731B (en) * 2011-11-16 2014-06-11 Ibm Mitigating effects of predicted failures in a mobile network basestation due to weather
GB2496731A (en) * 2011-11-16 2013-05-22 Ibm Mitigating effects of predicted failures in a mobile network basestation due to weather
US9681317B2 (en) 2011-11-16 2017-06-13 International Business Machines Corporation Mitigating effects of predicted failures in a mobile network basestation due to weather
US9693241B2 (en) 2011-11-16 2017-06-27 International Business Machines Corporation Mitigating effects of predicted failures in a mobile network basestation due to weather
KR200487410Y1 (ko) 2017-05-24 2018-09-12 정현종 마네킹의 요소 연결기구
CN111163484A (zh) * 2018-11-07 2020-05-15 ***通信集团湖南有限公司 基站故障的预测方法及装置
CN111163484B (zh) * 2018-11-07 2022-06-14 ***通信集团湖南有限公司 基站故障的预测方法及装置
CN109618361A (zh) * 2019-01-22 2019-04-12 北京市天元网络技术股份有限公司 一种4g基站隐性故障排查方法及装置
CN112367129A (zh) * 2020-07-27 2021-02-12 南京邮电大学 一种基于地理信息的5g参考信号接收功率预测方法

Also Published As

Publication number Publication date
KR100439674B1 (ko) 2004-07-12

Similar Documents

Publication Publication Date Title
US5872911A (en) Method and system of service impact analysis in a communications network
CN105325023B (zh) 用于小区异常检测的方法和网络设备
CN111132190A (zh) 基站负荷预警方法、装置
WO1997024839A9 (en) Fault impact analysis
CN107249200B (zh) 一种应用模糊预测模型的切换方法
CN101442762B (zh) 网络性能分析以及网络故障定位方法和装置
CN109872003A (zh) 对象状态预测方法、***、计算机设备及存储介质
KR100439674B1 (ko) 신경망을 이용한 기지국 장애예측 장치 및 그 방법
EP3923517A1 (en) System and method for predicting and handling short-term overflow
CN114301516B (zh) 多波束卫星通信柔性转发器交换矩阵预配置方法及***
CN112787878B (zh) 一种网络指标的预测方法及电子设备
CN109842521A (zh) 一种移动终端宕机预测***及方法
Asghar et al. Correlation-based cell degradation detection for operational fault detection in cellular wireless base-stations
CN104054365A (zh) 通信的方法和网络实体
KR20070013442A (ko) 데이터 마이닝 기법을 이용한 이동통신 시스템 메시지 분석방법
Mahrez et al. Benchmarking of anomaly detection techniques in O-RAN for handover optimization
JP3470683B2 (ja) ネットワーク運用管理システム及び装置故障確率管理方法
Snow et al. Assessing dependability of wireless networks using neural networks
CN114615693B (zh) 网络容量预测方法、装置、电子设备及计算机存储介质
CN115334560A (zh) 基站异常的监测方法、装置、设备及计算机可读存储介质
EP3836599B1 (en) Method for detecting permanent failures in mobile telecommunication networks
KR102247696B1 (ko) 노드 상태 예측 시스템 및 방법
CN113923096A (zh) 网元故障预警方法、装置、电子设备及存储介质
Christian et al. Network Traffic Prediction Of Mobile Backhaul Capacity Using Time Series Forecasting
CN113542054B (zh) 一种面向sdn的移动网络可靠性评估及加固方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20100513

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20130515

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20160525

Year of fee payment: 15