Improving the Reliability of Cable Broadband Networks via Proactive Network Maintenance

要約

ケーブル ブロードバンド ネットワークは、米国で広く利用できる数少ない「ラスト マイル」ブロードバンド テクノロジの 1 つです。残念ながら、数十年にわたって導入されてきたため、信頼性が低くなります。
ケーブル業界は、ケーブル ネットワークを診断するためのプロアクティブ ネットワーク メンテナンス (PNM) と呼ばれるフレームワークを提案しました。
しかし、これらのデータを使用してケーブル ネットワークの問題を検出し、位置を特定する方法に関する公的知識や体系的な研究はほとんどありません。
パブリックドメインの既存のツールは、誤検知率が法外に高くなります。
この論文では、機械学習技術を PNM データに適用してケーブル ブロードバンド ネットワークの信頼性を向上させる初のパブリック ドメイン システムである CableMon を提案します。
CableMon は、ケーブル ISP が直面する 2 つの重要な課題、つまり障害を正確に検出すること、および障害がネットワーク内で発生したのか加入者の構内で発生したのかを区別することに取り組みます。
CableMon は、統計モデルを使用して時系列データから特徴を生成し、顧客のトラブル チケットをヒントとして使用して、生成された特徴の異常/障害のしきい値を推測します。
さらに、CableMon は、教師なし学習モデルを採用して、同様の異常パターンを共有するケーブル デバイスをグループ化し、ケーブル ネットワーク内で発生する障害と加入者の構内で発生する障害を効果的に特定します。これら 2 つの異なる障害は、修復に異なる種類の技術者が必要となるためです。
CableMon のパフォーマンスを評価するために、8 か月分の PNM データと、ISP および実験的な展開からの顧客のトラブル チケットを使用します。
私たちの評価結果は、CableMon が PNM データから障害を効果的に検出および区別できること、および既存のパブリック ドメイン ツールを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Cable broadband networks are one of the few ‘last-mile’ broadband technologies widely available in the U.S. Unfortunately, they have poor reliability after decades of deployment. The cable industry proposed a framework called Proactive Network Maintenance (PNM) to diagnose the cable networks. However, there is little public knowledge or systematic study on how to use these data to detect and localize cable network problems. Existing tools in the public domain have prohibitive high false-positive rates. In this paper, we propose CableMon, the first public-domain system that applies machine learning techniques to PNM data to improve the reliability of cable broadband networks. CableMon tackles two key challenges faced by cable ISPs: accurately detecting failures, and distinguishing whether a failure occurs within a network or at a subscriber’s premise. CableMon uses statistical models to generate features from time series data and uses customer trouble tickets as hints to infer abnormal/failure thresholds for these generated features. Further, CableMon employs an unsupervised learning model to group cable devices sharing similar anomalous patterns and effectively identify impairments that occur inside a cable network and impairments occur at a subscriber’s premise, as these two different faults require different types of technical personnel to repair them. We use eight months of PNM data and customer trouble tickets from an ISP and experimental deployment to evaluate CableMon’s performance. Our evaluation results show that CableMon can effectively detect and distinguish failures from PNM data and outperforms existing public-domain tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google