Capitolo 1
Introduzione
Questo elaborato nasce dalla partecipazione, nel periodo Marzo – Agosto 2010, al programma Junior Consulting, promosso dalla Consulting Academy del Consorzio ELIS e mirato a sviluppare iniziative formative centrate sulla metodologia dell’Action Learning, dove l'esperienza reale risulta l'ambito primario di apprendimento.
Junior Consulting è un programma formativo rivolto a studenti di laurea specialistica in discipline tecniche ed economiche delle università italiane e straniere, che si propone di massimizzare il valore del tempo dedicato alla stesura della tesi di laurea coniugandone ed esaltandone gli aspetti accademici con un'esperienza lavorativa di alto livello.
Linea guida del programma è il “training on the job”: far vivere agli studenti una reale esperienza di consulenza aziendale attraverso l’affiancamento ai professionisti della Consulting Academy e la realizzazione di un project work completo (ideazione, pianificazione, realizzazione, verifica e validazione) con la possibilità di utilizzare il materiale del progetto per realizzare la tesi.
Il programma Junior Consulting si fonda su reali progetti di consulenza i cui deliverables vengono pianificati, condivisi e periodicamente validati dalle aziende del consorzio ELIS e non.
Il progetto si chiude con la presentazione dei risultati raggiunti al committente aziendale.
La durata standard di un project work è di sei mesi, in cui si alternano momenti di formazione d’aula e sviluppo dei risultati concordati con le aziende committenti.
Tale progetto si pone come obiettivo l’elaborazione di un metodo per il monitoraggio delle criticità nella rete di accesso UMTS/HSDPA di Telecom Italia effettuato tramite l’utilizzo di reti neurali.
La piattaforma è composta da 5 Reti Neurali che analizzano le risorse di cella UMTS (Channel Elements, Codici e Potenza), l’interfaccia Iub e la qualità offerta all’utente HSDPA. Nel seguito ci si focalizzerà maggiormente su quest’ultima, essendo l’oggetto principale del presente lavoro di tesi. Una breve descrizione delle altre reti neurali è presente in Appendice A.
La tecnologia HSDPA (High Speed Downlink Packet Access) rappresenta un’evoluzione della tecnologia mobile UMTS in grado di consentire download ad elevato bitrate. Al fine di controllare il corretto funzionamento dell’infrastruttura di accesso UMTS/HSDPA sul territorio italiano, nonché di pianificare gli ampliamenti necessari a fronteggiare la crescita del traffico mobile, è a disposizione dei tecnici Telecom una grande quantità di dati statistici provenienti da contatori presenti su ciascun apparato di rete (Base Station, RNC, etc.).
Si pone pertanto un tipico problema di Data Mining: a partire da una gran mole di dati, si vogliono estrarre informazioni sintetiche attraverso metodi automatici o semiautomatici.
I fattori principali che hanno contribuito allo sviluppo del Data Mining sono: • le grandi accumulazioni di dati in formato elettronico;
• il basso costo del data storage;
• i nuovi metodi e tecniche di analisi (apprendimento automatico, riconoscimento di pattern).
In questo progetto si sono dovute affrontare una serie di problematiche, tra cui: • la disponibilità, in tecnologia Nokia-Siemens, di migliaia di contatori
statistici differenti, ognuno dei quali effettua una misurazione ogni 15 oppure ogni 60 minuti;
• l’assenza di uno strumento di analisi automatica dello stato delle celle (il personale Telecom effettua controlli periodici tramite foglio di calcolo Microsoft Excel);
• la dipendenza delle analisi dalla sensibilità e dall’esperienza del personale Telecom.
La prima fase di ricerca riguarda la scelta di un set sufficiente di KPI (Key Performance Indicator) per l’analisi delle criticità nelle celle HSDPA.
Il passo successivo riguarda l’implementazione della rete neurale: l’algoritmo scelto è l’LVQ (Learning Vector Quantization), particolarmente indicato per problemi di classificazione. Una rete neurale LVQ è composta da un livello competitivo (basato sul calcolo della distanza euclidea) ed uno lineare.
Scelta la topologia di rete, si è proceduto all’elaborazione delle osservazioni disponibili e alla selezione di un training set. La rete neurale è stata addestrata e validata tramite un insieme di dati differenti rispetto a quelli di training (validation test).
Infine, la classificazione ottenuta tramite rete neurale è stata confrontata con quella effettuata con i criteri utilizzati attualmente in Telecom Italia.
I risultati raggiunti da questo lavoro di tesi sono stati:
• la selezione di un insieme di KPI (Key Performance Indicator) significativi per la determinazione dello stato delle celle UMTS/HSDPA;
• la definizione di criteri di classificazione delle celle stesse;
• il progetto, l’addestramento e la validazione di una rete neurale per la classificazione automatica delle criticità.
La piattaforma è stata sviluppata prima in Matlab, poi in Java e si compone di un’applicazione client-server. Il server si occupa di estrarre i KPI dalle varie regioni del territorio italiano, li elabora mediante reti neurali e memorizza i possibili livelli di warning della rete UMTS/HSPA in un database. Quando il cliente, interagendo con un’applicazione web sviluppata mediante “ArcGIS Server”, richiede l’analisi di una cella il server posiziona sulla mappa geografica le eventuali criticità degli elementi di rete rilevate dalla rete neurale.
Il tool è oggi disponibile a livello prototipale e accessibile all’interno della intranet Telecom Italia.
La chiusura del progetto è avvenuta il 4 Agosto 2010 a Roma in presenza dell’Ing. Stefano Nocentini, Network Director di Telecom Italia.
Il Capitolo 2 descrive la rete UMTS/HSPA, specificandone algoritmi, parametri e sistemi.
Il Capitolo 3 entra nel merito degli algoritmi di business intelligence, ed in particolare degli algoritmi di Reti Neurali che si è deciso di adottare.
Nei Capitoli 4 e 5 si descrive lo sviluppo della rete neurale relativa al monitoraggio della qualità del servizio HSDPA, fornendo i risultati delle analisi di correlazione tra i KPI e illustrando la fase di progettazione e addestramento della rete.
Nel Capitolo 6 vengono descritte le implementazioni Matlab e Java della rete neurale, andando poi a confrontarle dal punto di vista degli input, degli output e dei parametri, visualizzando gli intervalli di confidenza.
Si conclude con il Capitolo 7, nel quale vengono presentate le conclusioni di questo lavoro di tesi.
