Diseño de una herramienta y metodología para la detección, geolocalización y clasificación de sectores interferentes para la tecnología 4G basado en Machine Learning y Redes neuronales convolucionales

Abstract

Este trabajo de investigación presenta el diseño y desarrollo de una herramienta y metodología con la función de detectar, localizar y clasificar sectores interferentes en una red 4G. Este proyecto fue planteado con el objetivo de agilizar el proceso de solución de interferencias que consiste en la detección de señales interferentes, la identificación de su origen según sus patrones en espectrogramas y su reporte a las entidades reguladoras.

Para esto, se implementó un algoritmo de aprendizaje no supervisado (K-means) para la clasificación de sectores según su criticidad de interferencia. Con este algoritmo se logró dividir sectores en 5 clústeres (sin interferencia, bajo, medio, alto y critico).

Luego, 7000 imágenes de espectrogramas de sectores interferidos fueron etiquetados según su tipo de interferencia (Radio, CATV, PIM, Repetidor) para crear una base de datos. Con esta, se entrenó una red neuronal convolucional que se diseñó para clasificar los espectrogramas según su tipo de interferencia, consiguiendo una precisión del 95%.

Finalmente, se diseñó una herramienta web que permite ver métricas, realizar monitoreo y geolocalizar, mediante archivos .html y .kml, los sectores interferidos.

This research work presents the design and development of a tool and methodology aimed at detecting, locating, and classifying interfering sectors in a 4G network. This project was conceived with the goal of streamlining the interference resolution process, which involves the detection of interfering signals, identifying their source based on their patterns in spectrograms, and reporting them to regulatory entities.

To accomplish this, an unsupervised learning algorithm (K-means) was implemented for sector classification according to their interference severity. With this algorithm, the sectors were divided into 5 clusters (no interference, low, medium, high, and critical).

Subsequently, 7000 spectrogram images of interfered sectors were labeled according to their type of interference (Radio, CATV, PIM, Repeater) to create a database. Using this database, a convolutional neural network was trained to classify spectrograms based on their type of interference, achieving an accuracy of 95%.

Finally, a web tool was designed to view metrics, perform monitoring, and geolocate (using .html and .kml files) interfered sectors.