Resumen

El tráfico de datos de las telecomunicaciones ha aumentado considerablemente 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 red, lo que puede detectar rápidamente anomalías y resaltar valores atípicos previamente no vistos. En este artículo, desarrollamos y comparamos modelos de agrupamiento para datos de telecomunicaciones, centrándonos en aquellos que incluyen gestión de información de marcas de tiempo. Se presentan y analizan en detalle dos modelos principales: Análisis Semántico Latente Probabilístico Gaussiano (GPLSA) y Modelos de Mezcla Gaussiana Dependientes del Tiempo (GMM temporal). Estos modelos se comparan luego con otros modelos de agrupamiento diferentes, como el modelo Gaussiano y GMM

• 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