Telekomünikasyon sistemlerinde kullanılan transport sistemlerde arıza kök neden analizi için yapay zeka algoritmaları

Bu tez çalışmasında, telekomünikasyon sistemlerinde kullanılan transport sistemlerde arıza kök neden analizi için yapay zekâ uygulamaları anlatılmıştır. Elde edilen verilerde beş farklı sınıflandırma metodu ile analizler yapılmıştır. Çalışmalarda genetik algoritma (Genetic Algorithm) (GA) ve yapay azlık örnekleme tekniği (Synthetic Minority Oversampling Technique (Syntetic Minority Oversempling Technique) (SMOTE) modelleri de kullanılmıştır. Çalışma içerisinde; telekomünikasyon sistemlerinin transport katmanını oluşturan fiber optik kablo, transmisyon sistemlerinden yoğun dalga boyu bölmeli çoklayıcı (Dense Wavelength Division Multiplexing) (DWDM) sistemleri ve İnternet Protokolü Çok Protokollü Etiket Anahtarlama (Internet Protocol Multi-Protocol Label Switching) (IP-MPLS) katmanına ait cihazlardan alınan veriler birbirleri ile ilişkilendirilerek oluşturulan bir veri havuzuna ait analizler bulunmaktadır. Normal şartlarda birbirlerinden bağımsız veri toplama ve yönetim sistemleri olan bu katmanlarda envanter eşleştirmesi yapılması ve ardından domain uzmanlığı kullanılarak ilgili parametrelerin seçilmesi metodu ile veri havuzu içerisinden önemli görülen özellikler seçilmiş ve bu veriler üzerinden çalışmalar yapılmıştır. Veri havuzunun çıktısı olarak; telekomünikasyon sistemlerinde önemli bir problem olan ve müşteri servislerinin performans hatasına ya da çok yakın aralıklar ile kesilmesine neden olan "MPLS Flap", "Kısa Süreli Kesinti", "Uzun Süreli Kesinti" şeklinde 3 temel konu ele alınmıştır. Özellikle farklı ihtisas alanlarına ait ilişkinin sağlanması ve müşteriye yakın katmandaki hataların daha derin katmanlardaki veriler ile eşleştirilerek, hata kök nedeninin tespit edilmesi konusu, telekomünikasyon sistemlerinde müşteriye verilen servis hizmetinin kalitesini olumlu yönde etkilemesi nedeniyle oldukça önemli ve faydalı bir çıktı üretmiştir. Çalışmada yapay zekâ sınıflandırma metotları olarak; rastgele ormanlar (Random Forest) (RF), karar ağacı (Decision Tree) (DT), XGBoost (eXtreme Gradient Boosting), Naive Bayes (NB), K en yakın komşular (K-Nearest Neighbors) (KNN) metotları kullanılmıştır. Ortaya çıkan sonuçlar incelendiğinde, rastgele ormanlar (Random Forest) (RF), metodu sonuçlarının en doğru tahminleme yaptığı görülmüştür.