With the increasing network topology complexity and continuous evolution of the new wireless technology, it is challenging to address the network service outage with traditional methods. In the long-term evolution (LTE) networks, a large number of base stations called eNodeBs are deployed to cover the entire service areas spanning various kinds of geographical regions. Each eNodeB generates a large number of key performance indicators (KPIs). Hundreds of thousands of eNodeBs are typically deployed to cover a nation-wide service area. Operators need to handle hundreds of millions of KPIs to cover the areas. It is impractical to handle manually such a huge amount of KPI data, and automation of data processing is therefore desired. To improve network operation efficiency, a suitable machine learning technique is used to learn and classify individual eNodeBs into different states based on multiple performance metrics during a specific time window. However, an issue with supervised learning requires a large amount of labeled dataset, which takes costly human-labor and time to annotate data. To mitigate the cost and time issues, we propose a method based on few-shot learning that uses Prototypical Networks algorithm to complement the eNodeB states analysis. Using a dataset from a live LTE network that consists of thousand of eNodeB, our experiment results show that the proposed technique provides high performance while using a low number of labeled data.

中文翻译：

---

用于 LTE 网络中服务水平保证的 eNodeB 日志分析的小样本学习和自训练

随着网络拓扑复杂度的增加和无线新技术的不断演进，传统方法难以解决网络服务中断问题。在长期演进（LTE）网络中，部署了大量称为eNodeB的基站来覆盖跨越各种地理区域的整个服务区域。每个 eNodeB 都会生成大量的关键性能指标 (KPI)。通常部署数十万个 eNodeB 以覆盖全国范围的服务区域。运营商需要处理数亿个KPI来覆盖这些领域。手动处理如此庞大的KPI数据是不切实际的，因此需要数据处理的自动化。为提高网络运行效率，使用合适的机器学习技术基于特定时间窗口内的多个性能指标来学习和将单个 eNodeB 分类为不同的状态。然而，监督学习的一个问题需要大量标记数据集，这需要昂贵的人力和时间来注释数据。为了减轻成本和时间问题，我们提出了一种基于小样本学习的方法，该方法使用原型网络算法来补充 eNodeB 状态分析。使用来自由数千个 eNodeB 组成的实时 LTE 网络的数据集，我们的实验结果表明，所提出的技术在使用少量标记数据的同时提供了高性能。监督学习的一个问题需要大量标记数据集，这需要昂贵的人力和时间来注释数据。为了减轻成本和时间问题，我们提出了一种基于小样本学习的方法，该方法使用原型网络算法来补充 eNodeB 状态分析。使用来自由数千个 eNodeB 组成的实时 LTE 网络的数据集，我们的实验结果表明，所提出的技术在使用少量标记数据的同时提供了高性能。监督学习的一个问题需要大量标记数据集，这需要昂贵的人力和时间来注释数据。为了减轻成本和时间问题，我们提出了一种基于小样本学习的方法，该方法使用原型网络算法来补充 eNodeB 状态分析。使用来自由数千个 eNodeB 组成的实时 LTE 网络的数据集，我们的实验结果表明，所提出的技术在使用少量标记数据的同时提供了高性能。