AI basierte Root Cause Analyse von CPD Störquellen in Docsis Netzen
HFC Coax-Netze leiden am Upstream unter Störungen durch Common Path Distortion (High Noise). Die notwendige Fehlereingrenzung ist zeitaufwändig und bedingt oft zusätzliche Unterbrechungen der Signalversorgung. Wir haben zunächst eine einfache Business Rule mit dem Wissen der Feldtechniker automatisiert (Änderungen der HF Parameter vor dem Incident). In einem zweiten Schritt vergleichen wir die Baseline Methode mit State-of-the-art AI Methoden und erreichen eine Verbesserung der Precision der Root-Cause-Identifikation um 2.3x. Das Ergebnis der Arbeit identifiziert den Netzabschnitt indem die Störquelle zu finden ist und unterstützt mit dieser Information die Techniker im Feld. Die Verringerung der Fehlerzeit und die Verkürzung der Einsatzdauer sind der Gewinn dieser Analyse.
For hybrid fiber-coaxial (HFC) networks, searching for upstream high noise in the past was cumbersome and time-consuming. Even with machine learning, the task remains challenging due to the heterogeneity of the network and its topological structure. We contribute a label generation process and data pipeline to train machine learning models and can advance 2.3 times over the baseline when applying machine learning models to the problem.
A draft of the currently work-in-progress scientific publication can be obtained in the currently work-in-progress HFC predictive maintenance publication.