Inteligência proativa: Um sistema para deteção e prevenção de falhas

Abstract

A crescente complexidade das redes de telecomunicações e a sua importância estratégica para as operações empresariais exigem soluções avançadas para monitorização e prevenção de falhas. Esta dissertação apresenta um sistema inteligente de monitorização de redes, baseado em técnicas de aprendizagem automática e análise preditiva, com o objetivo de detetar anomalias e antecipar falhas em tempo real. Utilizando a Arquitetura Lógica em Camadas (LLA) como base conceptual, o estudo integra dois conjuntos de dados distintos, Dados Iranian Churn e dados Telstra Recruiting Network, que permitem uma abordagem abrangente à gestão de redes, desde os elementos físicos até à tomada de decisão empresarial. Foram aplicados modelos de redes neuronais e árvores de decisão, avaliados com métricas como a precisão, sensibilidade e pontuação F1, demonstrando a eficácia da abordagem proposta. Os resultados evidenciam que a combinação de técnicas de aprendizagem automática contribui para uma gestão proativa, resiliente e escalável das redes, promovendo a continuidade dos serviços e a satisfação dos utilizadores.

The increasing complexity of telecommunications networks and their strategic importance to business operations demand advanced solutions for fault monitoring and prevention. This dissertation presents an intelligent network monitoring system based on machine learning and predictive analytics techniques, aiming to detect anomalies and anticipate failures in real time. Using the Logical Layered Architecture (LLA) as a conceptual foundation, the study integrates two distinct datasets, Iranian Churn Dataset and Telstra Recruiting Network Dataset, enabling a comprehensive approach to network management, from physical elements to business-level decision-making. Neural networks and decision tree models were applied and evaluated using metrics such as precision, recall, and F1 score, demonstrating the effectiveness of the proposed approach. The results show that combining machine learning techniques contributes to proactive, resilient, and scalable network management, ensuring service continuity and user satisfaction.