Le 18 juillet 2023, Michel Kamel, doctorant au laboratoire LIMOS, a brillamment soutenu sa thèse de doctorat intitulée : « Advanced Probabilistic & Statistical/Machine learning Models For Anomaly Detection: Application in Telecommunication Industry ».
Toutes nos félicitations !!!
Son jury était composé de :
- M. Stéphane Chrétien, Professeur, Université Lyon 2, Président
- M. Gille Ducharme, Professeur, Université Montpellier, Rapporteur
- M. Stéphane Girard, Directeur de recherche, INRIA Grenoble, Rapporteur
- Mme Mireille Batton-Hubert, Professeur, Mines Saint-Etienne, Directrice de thèse
- M. Anis Hoayek, Maitre de conférence, Mines Saint-Etienne, Examinateur
- Mme Aline Mefleh, Docteur, Université Libanaise, Invitée
- M. Kinan Jarrah, Ingénieur, B-yond, Invité
Résumé
La croissance exponentielle des réseaux de dispositifs connectés dans le monde entier signifie que les opérateurs de télécommunications ont besoin de systèmes intelligents et performants pour aider à maintenir leurs réseaux vastes et complexes. Pour répondre aux limites des modèles de détection d’anomalies (DA) les plus populaires, les auteurs proposent un nouveau modèle géométrique multidimensionnel probabiliste pour rechercher les comportements anormaux dans l’espace de données, générer des scores d’anomalie et quantifier les facteurs d’anomalie. Ils introduisent également un algorithme pour générer un score final basé sur quatre caractéristiques dérivées des données historiques pour les données d’alarme. En outre, ils présentent un algorithme pour aider à prétraiter les données textuelles, les regrouper en classes et étiqueter dynamiquement chaque classe comme une anomalie ou non. Enfin, ils proposent une méthode qui réduit la dimensionnalité et propose un système de score d’anomalies basé sur la théorie des records. Dans l’ensemble, leurs recherches fournissent des méthodes innovantes pour détecter et prioriser les anomalies dans les réseaux de télécommunications et fournir des outils puissants pour l’analyse de données et la maintenance du réseau.
Summary
The exponential growth of connected device networks worldwide means that telecommunications operators need intelligent and efficient systems to help maintain their vast and complex networks. To address the limitations of the most popular anomaly detection (AD) models, the authors propose a new multidimensional probabilistic geometric model to search for abnormal behaviors in the data space, generate anomaly scores, and quantify anomaly factors. They also introduce an algorithm to generate a final score based on four features derived from historical data for alarm data. Additionally, they present an algorithm to assist in preprocessing textual data, clustering them into classes, and dynamically labeling each class as an anomaly or not. Finally, they propose a method that reduces dimensionality and provides an anomaly score system based on the theory of records. Overall, their research provides innovative methods for detecting and prioritizing anomalies in telecommunications networks and provides powerful tools for data analysis and network maintenance.