Classification and Root-Cause Analyzing Tool
Der Schwerpunkt der CARAT liegt auf Mobilfunknetzen von 2G bis 5G. Die Analyse wird für Sprach- und Datentransaktionen durchgeführt, so dass ein umfassendes Ergebnis der aufgezeichneten Probleme berichtet wird. Die Analyse umfasst sowohl unvollständige (fehlgeschlagene oder abgebrochene) als auch erfolgreiche Transaktionen. Sie umfasst Korrektheit, Vollständigkeit und Qualität der Ereignisse.
Auf der Grundlage unseres Fachwissens über drahtlose Kommunikationsnetze identifizieren wir Muster in den Traces, die auf Probleme oder Ausfälle der Messgeräte oder des gemessenen Netzes hinweisen. Dies ermöglicht eine tiefgreifende Analyse des aufgezeichneten Verhaltens in den Traces und erlaubt es dem Benutzer, effizient an der Lösung der identifizierten Probleme zu arbeiten.

Klassifizierung
Mit der Analyse von CARAT könnten viele unterschiedliche Muster erkannt und den folgenden Klassen zugeordnet.
KI / ML in CARAT
Die Integration fortschrittlicherer maschineller Lernverfahren (KI/ML) in CARAT dient der Verbesserung der Fähigkeit, unbekannte Muster zu klassifizieren und die Klassifizierungsgenauigkeit zu erhöhen. Dies wird durch eine Kombination aus überwachten (supervised) und unüberwachten (unsupervised) ML-Algorithmen erreicht, wodurch wir das Beste aus beiden Welten erhalten. Während wir mit den unüberwachten (unsupervised) ML-Algorithmen die verborgenen Muster in den komplexen Datensätzen aufdecken wollen, gewährleistet der überwachte (supervised) Teil die Gültigkeit unserer Ergebnisse.

Datenquellen für die Analyse
- Drive/Walk-Test-Daten von Swissqual, Infovista, Focus Infocom …
- Crowd-Data (UE-basierte Messungen)
- Protokoll-Traces (PCAP) vom Core und RAN
- Anwendungs-Test Daten (Voice, Interactivity, Performance, Capacity, …)