Resumen

El tráfico de datos de las telecomunicaciones ha aumentado significativamente en los últimos años, debido al desarrollo de dispositivos móviles 4G y otras máquinas de alta velocidad similares. La capacidad de identificar rápidamente datos de tráfico inesperados en esta corriente es crucial para los operadores móviles, ya que puede ser causada tanto por intrusiones fraudulentas como por problemas técnicos. Los modelos de agrupamiento pueden ayudar a identificar problemas mostrando patrones en los datos de la red, lo que permite detectar rápidamente anomalías y resaltar valores atípicos no vistos anteriormente. En este artículo, desarrollamos y comparamos modelos de agrupamiento para datos de las telecomunicaciones, centrándonos en aquellos que incluyen la gestión de información de marca de tiempo. Se presentan y se analizan en detalle dos modelos principales: Análisis Semántico Latente Probabilístico Gaussiano (GPLSA) y Modelos de Mezcla Gaussiana dependientes del tiempo (time-GMM). Estos modelos se comparan con otros modelos de agrupamiento diferentes, como el modelo gaussiano y GMM (que no contienen información de marca de tiempo). Realizamos cálculos tanto en datos de muestra como en datos de tráfico de telecomunicaciones para demostrar que la eficiencia y la robustez de GPLSA lo convierten en el método superior para detectar valores atípicos y proporcionar resultados automáticamente con pocos parámetros de ajuste o requisitos de experiencia.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Datos de telecomunicaciones; Modelos de agrupación; Datos de red; Anomalías; Análisis semántico latente probabilístico gaussiano; Modelos de mezclas gaussianas dependientes del tiempo.
• Keywords:Telecom data; Clustering models; Network data; Anomalies; Gaussian Probabilistic Latent Semantic Analysis; Time-dependent Gaussian Mixture Models