Probabilistic graphical models : theory and applications to network diagnosis
Les modèles probabilistes graphiques : théorie et application au diagnostic réseau
Résumé
For any Internet service provider or network operator, it is crucial to quickly and efficiently diagnose the problems that occur on the network. The benefits of a good fault diagnosis system are mainly to minimize the costs of network and service operations and to enhance the customer's quality of experience. One major challenge for any diagnosis system concerns the discovery of new faults, that are unknown to the current version of the diagnosis system. The exploratory process for finding new faults can prove to be expensive and time consuming for internet service providers. In this thesis, we explore an alternative approach based on learning methods, in order to build learning-based diagnosis systems. Our study explores Probabilistic Graphical Models that are capable of clustering patterns of faults in an unsupervised and a semi-supervised manner. We demonstrate the efficiency of our models on real use-cases of large scale data, extracted from Fiber-to-the Home (FTTH) services based on Gigabit-capable Passive Optical Networks.
Pour tout fournisseur d'accès Internet ou opérateur de réseau, il est crucial d'identifier rapidement et efficacement les problèmes qui surviennent sur le réseau. Les avantages d'un bon système de diagnostic des pannes sont principalement de minimiser les coûts d'exploitation du réseau et d'améliorer la qualité de l'expérience du client. Un défi majeur pour tout système de diagnostic concerne la découverte de nouvelles pannes, inconnues de la version actuelle du système de diagnostic. Le processus exploratoire pour trouver de nouvelles pannes peut s'avérer coûteux et long pour les fournisseurs de services Internet. Dans cette thèse, nous explorons une approche alternative basée sur des méthodes d'apprentissage, afin de construire des systèmes de diagnostic autonomes. Notre étude explore des modèles graphiques probabilistes capables de regrouper des motifs de pannes de manière non supervisée et semi-supervisée. Nous démontrons l'efficacité de nos modèles sur des cas d'utilisation réels de données à grande échelle, extraites de réseaux et de services 'Fiber-to-the-Home' (FTTH).
| Origine | Version validée par le jury (STAR) |
|---|