Интегрированная с API байесовская модель управления рисками на базовых станциях сети сотовой связи

В статье рассмотрен новый подход к управлению рисками возникновения нештатных ситуаций на базовых станциях сети сотовой связи. Многообразие нештатных ситуаций, возникающих на гетерогенном оборудовании под влиянием множества разнообразных внешних факторов делают задачу управления рисками критически важной. Новизна заключается в создании математической модели, учитывающей указанное многообразие. Это обеспечивает более точное и комплексное предсказание нештатных ситуаций. Модель построена на базе байесовской сети и генерирует оперативное решение в виде вероятностей возникновения нештатных ситуаций, показывает критические точки и потенциальные угрозы для работоспособности базовой станции в целом. Это помогает формировать рекомендации по снижению рисков нештатных ситуаций, определять приоритетные направления для внедрения улучшений и модернизации оборудования.

Для обеспечения эффективного взаимодействия с моделью осуществляется разработка и исследование API с использованием FastAPI и языка Python. API взаимодействует с байесовской моделью, созданной в BayesFusion GeNIe. Модель реализует новый способ интеграции созданной байесовской сети с существующими приложениями на принципах REST API. Тем самым реализуется новый подход к управлению рисками. Описаны процессы создания API, тестирования его производительности и развертывание. В результате применения API достигается возможность оперативного управления рисками, что помогает операторам предотвращать аварийные ситуации.

Интегрированная модель построена в исследовательских целях для мониторинга рискового фона базовых станциях сети сотовой связи. Применение этой модели позволяет значительно повысить уровень автоматизации процесса управления рисками в ходе эксплуатации базовых станций сети сотовой связи.

1. Бунцев И. А., Канев В. С. Системное управление рисками в телекоммуникациях (состояние проблемы, методы, модели, реализации). Вестник СибГУТИ. 2009. С. 26-52.

2. Diedrich, A., Deutschmann, P. and Junker, C. ServiceNavigator - a bayesian assistance system for diagnosing industrial production systems. In 2022 IEEE 5th International Conference on Industrial Cyber-Physical Systems (ICPS) (pp. 1-6).

3. Bogner, Justus & Fritzsch, Jonas & Wagner, Stefan & Zimmermann, Alfred. (2019). Microservices in Industry: Insights into Technologies, Characteristics, and Software Quality. doi: 10.1109/ICSA-C.2019.00041.

4. Beaulieu, Nicole & Dascalu, Sergiu & Hand, Emily. (2022). API-First Design: A Survey of the State of Academia and Industry. doi: 10.1007/978-3-030-97652-1_10.

5. Резединова Е. Ю., Кыркунов П. Н., Сергеев А. В. Выбор сервис-ориентированной архитектуры для создания сервиса по благоустройству города // SAEC. 2023. №3.

6. Галигузова Е. В., Илларионова Ю. Е. Язык запросов GraphQL как замена REST API. сравнение GraphQL и REST API// Символ науки. 2023. №1-2.

7. Zhang, H., Wang, Z. R., Wang, X. W., Lin, F. C. (2023). Practice and Research on FMEA of Telecommunication Satellite System. In: Sun, J., Wang, Y., Huo, M., Xu, L. (eds) Signal and Information Processing, Networking and Computers. Lecture Notes in Electrical Engineering, vol 917. Springer, Singapore. https://doi.org/10.1007/978-981-19-3387-5_110.

8. Alijanzadeh, M. R., Shayannia, S. A. & Movahedi, M. M. (2024). 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 , 11(1), pp. 125-142.

9. Carretero-Ayuso, M.J.; Sánchez-Barroso, G.; González-Domínguez, J.; García-Sanz-Calcedo, J. Failure Modes in Electricity and Telecommunication Facilities in Dwellings in Spain. Appl. Sci. 2021, 11, 5274. https://doi.org/10.3390/app11115274

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

11. Nalluri, V & Chen, L. (2022). Risk assessment for sustainability on telecom supply chain: A hybrid fuzzy approach. Uncertain Supply Chain Management, 10(2), pp. 559-576.

12. Цыганов В. В., Гурлев И. В. Когнитивное прогнозирование информационно-телекоммуникационной инфраструктуры крупномасштабного региона // ИТНОУ: информационные технологии в науке, образовании и управлении. 2020. №1 (15). С. 3-7.

13. Mishra, Arnuv & Kumar, Deepak & Shuaib, Mohd & Tyagi, Mohit & Singh, Ravi. (2021). Measurement of Critical Factors: A Case of Telecommunication Industry. doi: 10.1007/978-981-15-6017-0_16.

14. Bayas B, Zambrano C. (2021). Redes bayesianas aplicadas a la predicción de errores en las redes definidas por software. 13. pp. 419-429.

15. Думбрайс К. О., Глущенко О. М. Моделирование и анализ рисков ИТ-проектов // Наука и образование сегодня. 2021. №2 (61). pp. 26–33.

16. Демчук Д. А., Демчук К. А., Шевцова Ю. В., Полетайкин А. Н. Байесовский подход при численном расчете риска медицинской эвакуации автотранспортом. Вестник СибГУТИ. 2023;17(1):18-32. https://doi.org/10.55648/1998-6920-2023-17-1-18-32.

17. Adib, D., Safarzadeh, H., Mohammadi, M. (2023). '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, 14(1), pp. 723-738. doi: 10.22075/ijnaa.2022.26942.3456.

18. Chen, W.-K.; Nalluri, V.; Ma, S.; Lin, M.-M.; Lin, C.-T. An Exploration of the Critical Risk Factors in Sustainable Telecom Services: An Analysis of Indian Telecom Industries. Sustainability 2021, 13, 445. https://doi.org/10.3390/su13020445.

19. GeNIe Modeler. User's Manual: [Электронный ресурс] // BayesFusion, LLC. 2024 – URL: https://support.bayesfusion.com/docs/GeNIe.pdf (Avaiable at: 12.08.2024).

20. Gaag, Linda C. & Kjaerulff, Uffe. Making Sensitivity Analysis Computationally Efficient // Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence. 2000. pp. 317 – 325.