Alarm and service monitoring of large scale multi-service mobile networks

Two of the most important challenges in network service assurance are * an overwhelming flow of low-quality alarms * to understand the structure and quality of the delivered services This thesis proposes solutions for alarm and service monitoring that addresses monitoring of large scale multi-service mobile networks. The work on alarms are based on statistical analysis of data collected from a real-world alarm flow and an associated trouble ticket database containing the network administrators expert knowledge. Using data from the trouble ticketing system as a reference, we examine the relationship between the original alarm severity and the human perception of the alarm priority. Using this knowledge, we suggest a neural network-based approach for alarm prioritization. Tests using live data show that our prototype assigns the same severity as a human expert in 50% of all cases, compared to 17% for a na¨ıve approach. In order to model and monitor the services this thesis propose a novel domain specific language called SALmon, which allows for efficient representation of service models, together with a computational engine for evaluation of service models. We show that the proposed system is a good match against real-world scenarios with special requirements around service modeling.Två av de största problemen inom nätverksövervakning är:• överflöd av larm med dålig kvalitet• att förstå struktur och kvalitet på levererade tjänsterAvhandlingen föreslår lösningar inom larm- och tjänsteövervakning för storskaliga mobila nät med olika typer av tjänster. Arbetet med larm är baserat på en verklig larm- och ärendedatabas från en mobiloperatör. Vi har undersökt relationen mellan larmets ursprungliga prioritet och den prioritet som sätts av experter i ärendehanteringssystemet. Baserat på denna information föreslår vi en lösning för automatisk larmprioritering med hjälp av ett neuralt nätverk. Tester visar att vår prototyp sätter samma prioritet som en mänsklig expert i 50% av fallen jämfört med 17% för prioriteten som skickas i larmet.För att modellera och övervaka tjänster föreslår vi ett domänspecifikt språk, SALmon. SALmon gör det möjligt att uttrycka tjänstemodeller och även att beräkna status på dessa. Vi visar att lösningen matchar krav från mobila operatörer