Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования, планируемые результаты
• 3. Обзор исследований и разработок
• 4. Подход к унификации синтеза автоматов Мура в базисе FPGA
• Выводы
• Список источников

Введение

В данной курсовой работе рассматриваются методы управления рисками, связанными с нештатными ситуациями (НШС) на оборудовании базовых станций сотовой связи. С учетом постоянного роста числа пользователей мобильных устройств и увеличения нагрузки на сети, операторам мобильной связи необходимо обеспечивать высокий уровень качества обслуживания и надежности. Работа направлена на изучение основных видов рисков, их потенциальных угроз и последствий, а также на разработку методов минимизации этих рисков. Особое внимание уделяется имитационному моделированию с использованием программного обеспечения BayesFusion GeNIe для оценки вероятностей различных НШС и их влияния на работу базовых станций. Исследование включает в себя анализ аварийных сообщений, состояний оборудования и применение байесовских сетей для уточнения вероятности наступления событий, а также представление результатов в виде таблиц и гистограмм.

1. Актуальность темы

Сотовая связь стала неотъемлемой частью повседневной жизни, обеспечивая пользователей мгновенной связью и доступом к данным. С увеличением числа пользователей мобильных устройств растет и нагрузка на сети, что создает необходимость в эффективном управлении рисками, связанными с нештатными ситуациями (НШС) на оборудовании базовых станций. Аппаратные сбои, программные ошибки и внешние воздействия могут значительно повлиять на надежность сетей и качество обслуживания, что делает тему управления рисками особенно актуальной для операторов сотовой связи. Современные методы управления рисками, включая байесовские сети, позволяют более точно прогнозировать и минимизировать последствия НШС, что способствует стабильности и устойчивости мобильной инфраструктуры.

2. Цель и задачи исследования, планируемые результаты

Изучить методы и подходы к управлению рисками, связанными с нештатными ситуациями на оборудовании базовых станций сотовой связи, и разработать модель, позволяющую эффективно прогнозировать и минимизировать последствия НШС.

Основные задачи исследования:

• Анализ методов минимизации количества состояний автоматов.
• Изучение влияния архитектуры FPGA на производительность систем.
• Разработка методов автоматизации процесса синтеза автоматов.
• Внедрение программных решений для имитационного моделирования.
• Оценка эффективности предложенных решений на практике.

Планируемые результаты

• Создание эффективной байесовской модели для прогнозирования рисков НШС на базовых станциях.
• Разработка практических рекомендаций для операторов сотовой связи по управлению рисками.
• Обогащение научного сообщества новыми данными и подходами к управлению рисками в сфере мобильной связи.

3. Обзор исследований и разработок

Управление рисками — это сложный и многоаспектный процесс, предназначенный для выявления, оценки и смягчения рисков, связанных с различными организационными деятельностями. Современные подходы к управлению рисками охватывают широкий спектр методов, основанных как на научных исследованиях, так и на практическом опыте. Эти методы в основном подразделяются на качественные и количественные подходы. Однако интегративный подход представляет значительный исследовательский интерес благодаря своей способности предоставлять более целостное понимание рисков и разрабатывать более эффективные стратегии управления рисками.

Интегративные методы управления рисками

Среди этих интегративных методов особенно выделяется Анализ Режимов Отказов и Их Последствий (FMEA). Этот метод систематически выявляет потенциальные режимы отказов, оценивает их возможные последствия и определяет меры по снижению этих рисков. Традиционный FMEA был расширен до Включающего Анализа Режимов Отказов, Последствий и Критичности (FMECA), который включает оценку критичности отказов. Это расширение повышает способность оценивать влияние и значимость различных режимов отказов. FMECA широко используется в телекоммуникационных системах и стал объектом обширных исследований. В качестве интегративного метода FMECA была объединена с оптимизационным моделированием и машинным обучением, демонстрируя свою универсальность и эффективность.

Другим заметным интегративным методом является Метод Неопределенной Делфи (Fuzzy Delphi Method, FDM). FDM сочетает метод Делфи, который собирает мнения экспертов, с нечеткой логикой для обработки присущей неопределенности и неточности суждений экспертов. Этот метод особенно ценен для оценки рисков, которые трудно количественно оценить, таких как стратегические и операционные риски. Он также был применен в телекоммуникациях, аналогично FMECA, для оценки критичности различных чрезвычайных ситуаций.

Байесовские сети представляют собой мощный и широко используемый инструмент для анализа рисков, облегчая моделирование вероятностных зависимостей между различными событиями. Этот метод также был применен в сочетании с FMEA для управления рисками неисправностей в телекоммуникационных системах. Широкое применение байесовских сетей в анализе рисков ИТ-проектов было исследовано, где методы управления проектами и имитационное моделирование были интегрированы. Использование байесовских сетей для анализа рисков показало свою высокую эффективность в широком спектре факторов. Кроме того, исследование по анализу рисков медицинской эвакуации было опубликовано тем же исследователем.

Интерпретативное Структурное Моделирование (ISM) — это еще один интегративный метод, который помогает понять сложные отношения между различными элементами анализируемого процесса и структурировать эти отношения для поддержки принятия решений. В области телекоммуникаций ISM используется для анализа иерархических зависимостей между факторами риска. ISM может использоваться как самостоятельно, так и в сочетании с другими методами, такими как FDM, для оценки рисков в телекоммуникационных системах.

Сравнение методов

Каждый из этих интегративных методов обладает уникальными преимуществами и специфическими областями применения в анализе и управлении рисками. FMECA — это традиционный метод, который систематически выявляет потенциальные режимы отказов и оценивает их последствия. Однако он часто сталкивается с проблемами, связанными с неопределенностью и сложностью взаимодействий между рисками. FDM улучшает процесс, включая нечеткую логику, что позволяет более эффективно справляться с неопределенностями в суждениях экспертов. Тем не менее, он все равно требует значительных усилий для сбора и согласования мнений экспертов. ISM поддерживает структурирование сложных иерархических отношений между факторами риска, но может иметь ограничения в количественной оценке вероятностей и последствий.

Байесовские сети, напротив, предлагают значительные преимущества благодаря своей способности предсказывать широкий спектр рисковых событий и моделировать вероятностные зависимости между этими событиями. Они не только способствуют выявлению и оценке рисков, но и предоставляют представление о взаимосвязях между рисками. Эта способность особенно ценна в сложных системах, таких как телекоммуникации, поскольку она позволяет более точно прогнозировать последствия различных сценариев и поддерживает обоснованное принятие решений для смягчения рисков. Байесовские сети также предоставляют четкие объяснения своих выводов, позволяют логическую интерпретацию и модификацию взаимосвязей между переменными в анализе и явно учитывают предыдущий опыт экспертов. Методологическая область применения байесовских сетей включает:

• прогнозирование или прямое выведение (определение вероятности события с учетом наблюдаемых причин);
• диагностику или обратное выведение (определение вероятности причины с учетом наблюдаемых последствий);
• взаимопричинное (смешанное) выведение (определение вероятности одной из причин события с учетом возникновения одной или нескольких других причин этого события).

4. Применение байесовских сетей для управления рисками на базовых станциях сотовой связи

Для создания модели в качестве основы были взяты аварийные сообщения от базовой станции Nokia WCDMA, сгенерированные блоком вывода сбоев. Эти сообщения являются ответом на воздействие различных факторов. Всего было выявлено 120 сбоев, зарегистрированных базовыми станциями WCDMA Nokia MetroSite. Рассматривается упрощенная модель, основанная на 26 наиболее часто встречающихся сообщениях, а также данных, собранных системой мониторинга базовой станции (температура окружающей среды, пропускная способность, заряд батареи). В совокупности эти данные дают представление о текущем состоянии и работоспособности базовой станции.

По определению, байесовская сеть – это набор переменных (узлов) и их вероятностных зависимостей (связей). Связи между узлами байесовской сети в данной модели являются причинными, и их вероятности были рассчитаны методом частоты на основе данных, собранных с реальных базовых станций в ходе эксперимента. Для создания байесовской сети использовался программный пакет BayesFusion GeNIe [14]. Итоговая сеть показана на рис. 1.

Рис.1. Созданная байесовская сеть в BayesFusion GeNIe

Созданная байесовская сеть позволяет оценивать риски отказов оборудования базовой станции на основе входных данных. Модель анализирует текущее состояние оборудования и рассчитывает вероятности различных сбоев. Это позволяет операторам принимать необходимые меры заранее, снижая риск простоя и повышая надежность сети. Введем в модель следующие параметры базовой станции:

• температура в шкафу: 28,8 °C
• заряд WIB: 72%;
• пропускная способность: 3,6%.

Полученные от базовой станции аварийные сообщения: BURGLAR_ON, SMOKE_ALARM, FIRE_ALARM, WIB_TEMP_HIGH. В результате модель рассчитывает вероятности событий риска. Таблица III показывает события риска с вероятностью более 0,01.

Таблица 1. Результаты симуляции в среде BayesFusion GENIE

Выводы

Основное преимущество байесовских сетей по сравнению с другими направленными структурами в анализе рисков заключается в их способности сопоставлять априорные и апостериорные вероятности критических событий, которые обуславливают фатальное развитие ситуации в условиях определенного риска. Это означает количественное отслеживание новой информации о рисковом объекте наряду с уже доступными предварительными данными. Такое сравнение облегчает продуктивные управленческие вмешательства. Таким образом, байесовский принцип управления реализуется не только в общем управлении, но и в текущем управлении рисками на уровне владельцев бизнес-процессов в телекоммуникациях. Анализ этого принципа в операциях направленных сетей повышает общую адекватность модельного представления взаимосвязанных рисковых событий.

Применение байесовских сетей для расчета рисков аварийных ситуаций в оборудовании базовых станций доказало свою эффективность. Разработанная модель не только рассчитывает вероятность возникновения аварий в оборудовании базовых станций, но и определяет критические точки внутри описанной системы. На основе результатов моделирования сформулированы рекомендации по минимизации рисков аварийных ситуаций, направленные на повышение устойчивости и надежности базовых станций и улучшение общего качества предоставляемых услуг.

Список источников

[1] I.A. Buntsev, V.S. Kanev, “System management of risks in telecommunications (the state of the problem, methods, models, realizations) [Sistemnoe upravlenie riskami v telekommunikaciyah (sostoyanie problemy, metody, modeli, realizacii)]” (in Russian), The Herald of the Siberian State University of Telecommunications and Information Science. 2009;(1):26-52.

[2] H. Zhang , Z.R. Wang, X.W. Wang, F.C. Lin, “Practice and Research on FMEA of Telecommunication Satellite System”, Signal and Information Processing, Networking and Computers. Lecture Notes in Electrical Engineering, 2023, vol 917, Springer, Singapore, https://doi.org/10.1007/978-981-19-3387-5_110.

[3] M. R. Alijanzadeh, S. A. Shayannia and M. M. Movahedi, “Optimization of maintenance in supply chain process and risk-based critical failure situations (case study: Iranian oil pipeline and telecommunication company, north district)”, Journal of applied research on industrial engineering , 2024, 11(1), 125-142.

[4] M.J. Carretero-Ayuso, G. Sánchez-Barros, J. González-Domínguez, J. García-Sanz-Calcedo, “Failure Modes in Electricity and Telecommunication Facilities in Dwellings in Spain”, Appl. Sci. 2021, 11, 5274, DOI: 10.3390/app11115274.

[5] B.L. Tarcsay, Á. Bárkányi, S. Németh, T. Chován, L. Lovas , A. Egedy, “Risk-Based Fault Detection Using Bayesian Networks Based on Failure Mode and Effect Analysis”, Sensors, 2024, 24(11):3511.

[6] V. Nalluri and L. Chen, “Risk assessment for sustainability on telecom supply chain: A hybrid fuzzy approach.”, Uncertain Supply Chain Management, 2022, 10(2), 559-576.

[7] V.V. Tsyganov and I.V. Gurlev, “Cognitive forecasting of information and telecommunication infrastructure of a large-scale region [Kognitivnoe prognozirovanie informacionno-telekommunikacionnoj infrastruktury krupnomasshtabnogo regiona]” (in Russian), ITNOU: information technologies in science, education and management [ITNOU: informacionnye tekhnologii v nauke, obrazovanii i upravlenii], 2020, No. 1 (15).

[8] A. Mishra, D. Kumar, M. Shuaib, M. Tyagi, R. Singh. Measurement of Critical Factors: A Case of Telecommunication Industry, Operations Management and Systems Engineering, 2021, pp.259-274, doi: 10.1007/978-981-15-6017-0_16.

[9] B. Bayas and C. Zambrano, “Bayesian networks applied to error prediction in software-defined networks [Redes bayesianas aplicadas a la prediccion de errores en las redes definidas por software]” (in Spanish) , 2021, 13. 419-429.

[10] K. O. Dumbrays and O. M. Glushchenko, “Modeling and risk analysis of IT projects [Modelirovanie i analiz riskov IT-proektov]” (in Russian), Science and education today [Nauka i obrazovanie segodnya], 2021, No. 2 (61). pp. 26–33.

[11] Y. Shevtsova, D. Demchuk, A. Poletaikin, K. Demchuk, “Application of artificial intelligence methods in estimation the risk of transporting a patient by road”, 2023, E3S Web of Conf. Volume 402, 2023 International Scientific Siberian Transport Forum - TransSiberia 2023. DOI: 10.1051/e3sconf/202340203009.

[12] D. Adib, H. Safarzadeh and M. Mohammadi. “Designing and explaining the IoT commercialization model in Iranian organizations (Telecommunication Company of Iran): An interpretive structural modeling (ISM) approach”, International Journal f Nonlinear Analysis and Applications, 2023, 14(1), pp. 723-738, doi: 10.22075/ijnaa.2022.26942.3456.

[13] W.-K. Chen, V. Nalluri, S. Ma, M.-M. Lin, C.-T. Lin, “An Exploration of the Critical Risk Factors in Sustainable Telecom Services: An Analysis of Indian Telecom Industries”, Sustainability 2021, 13, 445. DOI: 10.3390/su13020445.

[14] BayesFusion LLC, GeNIe Modeler: User's Manual, [Online], 2024, Available: https://support.bayesfusion.com/docs/GeNIe.pdf.

[15] L.C. Gaag and U. Kjaerulff, “Making Sensitivity Analysis Computationally Efficient”, Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence, 2000, pp. 317 – 325.