Automation of anomaly detection in base stations of cellular networks with machine learning

Abstract

Niniejsza rozprawa, zrealizowana w ramach doktoratu wdrożeniowego w firmie NOKIA, podejmuje wyzwania zapewnienia jakości oprogramowania w złożonych systemach stacji bazowych 4G/5G. Celem pracy jest automatyzacja procesów przedwdrożeniowego wykrywania i zarządzania anomaliami (wadami oprogramowania) w cyklu CI/CD przy użyciu uczenia maszynowego (ML). Główne wkład naukowy i praktyczny obejmuje dwa systemy: 1. LMLDA: Autorski system optymalizacji kolejki testów (TSO). Poprzez integrację danych o kodzie i opisach testów, system priorytetyzuje testy o najwyższym prawdopodobieństwie wykrycia błędu. Rozwiązanie to stanowi efektywną alternatywę dla modeli LLM, skracając średni czas wykrycia błędu o 8 godzin i przyspieszając proces dostarczania poprawek. 2. Dwuetapowy system Bayesowski: Przeznaczony do automatycznego kierowania zgłoszeń o błędach. System wykorzystuje technikę LoRA do dostrajania modeli językowych oraz Bayesowską głowicę klasyfikacyjną do oceny niepewności epistemicznej. Dzięki mechanizmowi Human-in- the-Loop (HITL), system automatyzuje blisko 40% zgłoszeń z precyzją 98%, przekazując przypadki niepewne do analizy eksperckiej. Praca dowodzi, że w zastosowaniach przemysłowych kluczowe jest przejście od prostej maksymalizacji dokładności ku budowie systemów niezawodnych, interpretowalnych i świadomych własnej niepewności. This dissertation, resulting from an industrial doctorate at NOKIA, addresses software quality assurance challenges in complex 4G/5G base station systems. The research focuses on automating pre-shipment anomaly detection and management within CI/CD pipelines using machine learning (ML), defining anomalies as defects identified during pre-deployment testing. The work provides two primary contributions: 1. LMLDA: A proprietary framework for Test Set Optimization (TSO). By integrating code modifications with textual test case descriptions, it prioritizes tests with the highest probability of detecting bugs. This resource-efficient alternative to standard LLMs reduced the average time-to- bug-discovery by 8 hours, significantly accelerating the resolution cycle. 2. Two-Stage Bayesian Framework: An automated ticket routing system for identified anomalies. It utilizes LoRA for fine-tuning LLMs on domain¬specific data and a Bayesian classification head to quantify epistemic uncertainty. Incorporating a Human-in-the-Loop (HITL) approach, the system automates nearly 40% of reports with 98% precision, escalating low-confidence cases to experts. The research demonstrates that in industrial settings, shifting focus from pure accuracy to building reliable, uncertainty-aware, and interpretable ML systems provides substantial time and cost savings for telecommunication software development.