Н.К. Ванройе́1, В.О. Захарова2, В.А. Шахнов3

1–3 Московский государственный технический университет имени Н.Э. Баумана
(национальный исследовательский университет) (Москва, Россия)
1 nvanroje@mail.ru, 2 valeriyashe@yandex.ru, 3 saluev.evgeniy@gmail.com, 4 shakhnov@iu4.bmstu.ru

Постановка проблемы. Для быстрого принятия своевременных решений является актуальным обеспечение оперативного анализа данных, обрабатываемых в сетях операторов мобильной связи. Однако в силу сложности сетевой инфраструктуры анализ показателей по событиям требует проведения многомерного анализа по уровням иерархии в топологии сети в отличие от обработки линейных событий, не требующих иерархического расчета. В данном случае необходимаагрегации значений показателей по уровням топологии и локализации (географического расположения – от атомарной соты до уровня всей сети).

Архитектура пакетной обработки текущих систем управления производительностью не очень подходит для обработки потоков событий в реальном времени. В современных системах хранение и обработка информации осуществляется посредством баз данных или распределенных файловых систем типа Hadoop. Такие системы осуществляют подход на основе ETL (Extract Transform Load) и соотносят данные, используя модель пакетной обработки. До получения результатов систем может пройти несколько минут.

В системах обработки потоков событий в реальном времени важнее обработать и представить больше входящей информации как можно быстрее. При этом допускается потеря небольшой части входящих событий. Для обнаружения аномалий и оперативного реагирования большую ценность имеет видение полной картины мобильной сети, пусть с некоторыми потерями в точности данных, – но немедленно, нежели чем абсолютно точную картину о всех показателях мобильной сети, но со значительной задержкой. Для решения данной проблемы используются потоковые модели пространственно-временной агрегации показателей сети.

Цель. Исследовать методы и модели потоковой оценки пространственно-агрегированных показателей производительности и безопасности сети оператора мобильной связи.

Результаты. Предложен подход к управлению производительностью, заключающийся в том, что элементы сети периодически отправляют элементарные события в виде потока файлов технической статистики в системы управления сетью. Показано, что эти данные обрабатываются с применением интеллектуальных инструментов пакетной обработки для формирования на основе этих счетчиков и метрик отложенных ключевых показателей эффективности и качества сети. Однако отложенный характер расчета накопленной статистики позиционируется операторами мобильных сетей как недостаток. Это обуславливает необходимость создания методов и моделей для мониторинга сетей в режиме, близком к реальному времени.

Практическая значимость. Для реализации сценариев мониторинга реального времени целесообразно использовать модели интерактивной аналитической и потоковой обработки, которые позволяют предоставить агрегированные результаты с низкой задержкой. Данные отчеты важны для операторов мобильной связи и представляют собой числовые счетчики, такие как количество пользовательского оборудования, количество переключений или различных сбоев, а также физические измерения, например уровень сигнала пользовательского оборудования и т.п. На практике эти измерения производительности периодически генерируются и агрегируются в блоки ключевых показателей. Их совокупность предоставляет необходимую статистику операторам сети, помогая им определить ее состояние, например, перегруженные или недоиспользуемые участки сети, а также ее неисправные компоненты.

Ванройе́ Н.К., Захарова В.О., Шахнов В.А. Интеллектуальный механизм потокового расчета пространственно-агрегированных показателей производительности и безопасности сети оператора мобильной связи // Динамика сложных систем. 2023. Т. 17. № 4. С. 12−25. DOI: 10.18127/j19997493-202304-02

1. Муравьев К.А., Федоров Р.А. Развитие сети связи шестого поколения // Технологии инженерных и информационных систем. 2022. № 2. С. 34–45.
2. Адамов А.П., Адамова А.А. О новых услугах сетей сотовой связи и проблемах их внедрения в России // Сервис: проблемы и пути развития в условиях рыночной экономики. Тезисы докладов региональной науч.-практ. конф. 2005. С. 9–10.
3. Карпунин А.А., Муравьев К.А. Методика оценки ключевых показателей эффективности телекоммуникационных систем // В сб.: Энергосбережение и эффективность в технических системах. Материалы IX Междунар. науч.-техн. конф. студентов, молодых ученых и специалистов. 2022. С. 128–130.
4. Леонидов В.В., Муравьев К.А. Подходы к анализу качества в телекоммуникационной сфере// В сб.: Энергосбережение и эффективность в технических системах. Матер. IX Межд. науч.-техн. конф. студентов, молодых ученых и специалистов. 2022. С.137–138.
5. Власов А.И. Визуальное моделирование эффективности сервисов киберфизических систем // В сб.: Энергосбережение и эффективность в технических системах. Матер. IX Всерос. науч.-техн. конф. с междунар. участием для студентов, молодых ученых и специалистов. 2022. С. 26–27.
6. Carbone P., Ewen S., Haridi S., Katsifodimos A., Markl V., Tzoumas K. Apache flink: Stream and batch processing in a single engine. IEEE Data Engineering Bulletin. 2015.
7. Vlasov A.I., Muraviev K.A., Prudius A.A., Uzenkov D.A. Load balancing in big data processing systems. International Review of Automatic Control. 2019. V. 12. № 1. P. 42–47.
8. Власов А.И., Крамарь Д.Н., Цветков А.А. Анализ методов хранения и визуальных моделей данных при разработке приложений для ОС ANDROID // Автоматизация. Современные технологии. 2023. Т. 77. № 4. С. 181–187.
9. Власов А.И., Иванов В.В., Косолапов И.А. Методы упреждающего прогнозирования состояния широкополосной сети связи // Программные продукты и системы. 2011. № 1. С. 3–6.
10. Муравьев К.А., Терехов В.В. Анализ показателей качества систем передачи данных // Труды международного симпозиума «Надежность и качество». 2018. Т. 1. С. 128–133.
11. Муравьев К.А., Демин А.А., Карпунин А.А. Вопросы обеспечения качества программных систем // В сб.: Энергосбережение и эффективность в технических системах. Матер. IX Междунар. науч.-техн. конфер. студентов, молодых ученых и специалистов. 2022. С. 41–42.
12. Дудко В.Г., Верейнов К.Д., Власов А.И., Тимошкин А.Г. Современные методы и средства обеспечения качества в условиях комплексной автоматизации // Вопросы радиоэлектроники. 1994. № 1. С. 71–89.
13. Муравьев К.А., Жалнин В.П., Спиричев И.И., Метелкин А.В., Еремин М.Ю. Анализ показателей качества беспроводных сенсорных сетей // Труды Международного симпозиума «Надежность и качество». 2021. № 2. С. 142–147.
14. Свидетельство о регистрации программы для ЭВМ 2022665632. Комплекс предиктивного мониторинга распределенных сенсорных сетей / К.В. Селиванов, А.И. Власов, В.С. Климачев. 2022.
15. Тихвинский В., Байкенов А., Солошенко А. Автоматическое управление сетями 4G/5G с использованием технологий и алгоритмов SON // Первая миля. 2019. № 3. С. 80–91.
16. Власов А.И., Невзоров И.В. Анализ архитектур и технологий хранилищ данных (обзор) // Информационные технологии в проектировании и производстве. 2021. № 4 (184). С. 13–21.
17. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
18. Аверьянихин А.Е., Муравьев К.А. Анализ моделей тестирования сложных программных систем и их влияние на показатели качества // В сб.: Энергосбережение и эффективность в технических системах. Матер. V Междунар. научно-технической конференции студентов, молодых ученых и специалистов. 2018. С. 313–314.
19. Нестеров Ю.И., Власов А.И., Першин Б.Н. Виртуальный измерительный комплекс // Датчики и системы. 2000. № 4. С. 12–22.
20. Власов А.И., Колосков С.В., Пакилев А.Е. Нейросетевые методы и средства обнаружения атак на сетевом уровне // 2-я Всерос. науч.-техн. конф. «Нейроинформатика-2000»: сб. науч. трудов в 2 частях. Сер. «Научная сессия МИФИ-2000». 2000. С. 30–40.
21. Власов А.И., Захаров Е.Р., Захарова В.О. Нейросетевая система обнаружения и нейтрализации удаленного несанкционированного вмешательства в компоненты интернета вещей // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 63–80.
22. Technical Specification Group Services and System Aspects. Management and orchestration. 5G end to end Key Performance Indicators (KPI) – 3rd Generation Partnership Project (Release 16).
23. Marcu O.-C., Costan A., Antoniu G., Perez M.S. Spark versus flink: Understanding performance in big data analytics frameworks. Proc. in Cluster 2016 – The IEEE 2016 International Conference on Cluster Computing, 2016.
24. Адамова А.А. Препроцессинг и агрегация исходных данных для управления технологичностью в приборостроении // Труды Международного симпозиума «Надежность и качество». 2022. № 2. С. 142–148.
25. Vaibhav Pandey, Amarjeet Kaur, Narottam Chand A Review on Data Aggregation Techniques in Wireless Sensor Network. Journal of Electronic and Electrical Engineering. 2010. V. 1. Is. 2.
26. Gulisano V., Tudor V., Almgren M., Papatriantafilou M. Bes: Differentially private and distributed event aggregation in advanced metering infrastructures. Proceedings of the 2nd ACM International Workshop on Cyber-Physical System Security. Xi'an, China: ACM. 2016. P. 59–69.
27. Шеремет. Рекурсивные мультимножества и их приложения. М.: Наука. 2010. 291 с.
28. Абасов Р.К., Силла А.А., Власов А.И. Формализация конструкторско-технологической информации с использованием обработки мультимножеств // Информационные технологии в проектировании и производстве. 2017. № 3 (167). С. 34–43.
29. Tyler Akidau, Robert Bradshaw, Craig Chambers, Slava Chernyak, Rafael J Fernndez-Moctezuma, Reuven Lax, Sam McVeety, Daniel Mills, Frances Perry, Eric Schmidt et al. The dataflow model: a practical approach to balancing correctness, latency, and cost in massive-scale, unbounded, out-of-order data processing. 2015.
30. Kamburugamuve S., Fox G., Leake D., Qiu J. Survey of distributed stream processing for large stream sources. Grids Ucs Indiana Edu, School Inform. Comput., Indiana Univ., Bloomington, IN. USA. Tech. Rep. 2013.
31. Власов А.И., Крамарь Д.Н., Цветков А.А. Анализ методов хранения и визуальных моделей данных при разработке приложений для ОС ANDROID // Автоматизация. Современные технологии. 2023. Т. 77. № 4. С. 181–187.
32. Apache spark: Spark streaming programming guide. https://spark.apache. org/docs/latest/streaming-programming-guide.html, 2021.