ДИАГНОСТИКА РАДИОТЕХНИЧЕСКИХ УСТРОЙСТВ И СИСТЕМ В СЕМАНТИЧЕСКОЙ СЕТИ

АННОТАЦИЯ

В статье представлены три практические кейса применения семантической экспертной системы для диагностики сложных технических систем: базовой станции 5G (gNodeB), VSAT-терминала и серверного кластера. Система основана на онтологической модели предметной области и использует гибридный подход к логическому выводу, сочетающий байесовские оценки, теорию Демпстера–Шафера и контекстно-зависимые эвристические правила. В каждом случае система не только генерирует диагностическое заключение, но и активно взаимодействует с операционной средой — запрашивая дополнительные данные у оператора или автоматически опрашивая оборудование через промышленные протоколы (OPC-UA). Продемонстрированы ключевые преимущества предложенной архитектуры: способность выявлять корневые причины отказов, работать с неполной и противоречивой информацией, а также адаптировать стратегию диагностики в зависимости от контекста. Примеры подтверждают высокую точность и практическую ценность системы в реальных сценариях эксплуатации инфраструктур связи и вычислительных систем.

Ключевые слова: семантическая диагностика, онтология, байесовский вывод, теория Демпстера–Шафера, гибридные экспертные системы, 5G, VSAT, серверный кластер, корневой анализ причин.

Введение

Современные телекоммуникационные и ИТ-инфраструктуры представляют собой сложные киберфизические системы, в которых отказ одного компонента может вызывать каскадные последствия в различных подсистемах. Традиционные системы мониторинга фиксируют симптомы, но не позволяют быстро идентифицировать корневую причину неисправности без участия высококвалифицированного персонала. В этих условиях возрастает роль интеллектуальных диагностических систем, способных интегрировать разнородные данные, применять формализованные знания и строить логически обоснованные гипотезы.

Настоящая работа демонстрирует применение гибридной семантической экспертной системы на трёх типовых объектах: базовой станции 5G, спутниковом VSAT-терминале и распределённом серверном кластере. В каждом случае рассматривается полный цикл диагностики: от первичного набора симптомов до выдачи рекомендаций с обоснованием. Особое внимание уделено выбору метода оценки достоверности гипотез — в зависимости от типа неопределённости и доступности статистических данных. Статья подчёркивает роль онтологического моделирования как основы для интероперабельности, логического вывода и адаптивного поведения системы.

Диагностика базовой станции 5G (gNodeB)

Контекст. В зоне покрытия базовой станции 5G зафиксированы жалобы абонентов на полное отсутствие сервиса (S5G_NO_SERVICE), одновременно с этим система мониторинга фиксирует аномально высокую загрузку CPU (S5G_HIGH_CPU).

Онтологическая модель. Используемая онтология включает классы gNodeB, RadioUnit, BasebandUnit и их компоненты, а также вероятностные связи между режимами отказов и наблюдаемыми симптомами. Например, отказ системы охлаждения (FM_COOLING_FAILURE) вызывает высокую температуру радиомодуля и может косвенно привести к отказу связи через троттлинг BBU.

Диагностический процесс. Система применяет байесовский подход к расчёту апостериорной вероятности гипотез. На первом этапе гипотеза FM_BBU_SW_FAILURE демонстрирует высокую совместимость с симптомами, однако её априорная вероятность мала (10%). Гипотеза FM_COOLING_FAILURE имеет более высокую апостериорную оценку (0.21), но не достигает порога уверенности. Срабатывает алгоритм активного обучения: система запрашивает у оператора показания датчика температуры. Подтверждение S5G_RADIO_TEMP_HIGH позволяет однозначно идентифицировать отказ охлаждения как корневую причину.

Диагностика VSAT-терминала

Контекст. Терминал не устанавливает связь со спутником: отсутствует несущая (VSAT_NO_CARRIER) и наблюдается высокая битовая ошибка даже до начала передачи данных (VSAT_HIGH_BER).

Диагностический процесс. В данном случае статистические данные о частоте отказов недостаточны или ненадёжны, поэтому используется теория Демпстера–Шафера для моделирования доверия к гипотезам. Гипотеза FM_BUC_FAILURE хорошо объясняет отсутствие несущей, но не согласуется с наличием высокой BER. Гипотеза FM_LNB_FAILURE объясняет оба симптома, но не согласуется с поведением передатчика. Гипотеза FM_ANTENNA_MISALIGN выглядит наиболее сбалансированной.

Система инициирует автоматический запрос через OPC-UA к терминалу и получает данные: низкий уровень приёма (RX_LEVEL_LOW) и повышенная выходная мощность (TX_POWER_HIGH). Это подтверждает расстройку антенны. Система формирует рекомендацию по юстировке, включая обоснование на основе собранных доказательств.

Диагностика серверного кластера

Контекст. Замедление приложений сопровождается одновременным ростом задержек дисковой подсистемы (SERV_HIGH_IO_LATENCY) и потерями сетевых пакетов (SERV_NETWORK_PACKET_LOSS).

Особенность диагностики. Здесь наблюдается симптоматическая конфликтность: оба симптома могут быть вызваны как сетевыми, так и дисковыми проблемами. Для разрешения конфликта используются контекстно-зависимые эвристические правила, заложенные в онтологию. Правило RULE_1 учитывает временной порядок возникновения симптомов: если задержки I/O предшествуют сетевым потерям, вероятна деградация хранилища.

Анализ временных меток подтверждает, что рост I/O latency начался на 5 минут раньше. Дополнительно система находит в логах оповещение SERV_RAID_DEGRADED_ALERT, что служит решающим доказательством. Таким образом, диагноз «деградация RAID-массива» принимается как первичная причина, а сетевые потери — как вторичный эффект.

Заключение

Приведённые примеры демонстрируют гибкость и эффективность семантической экспертной системы в диагностике разнородных инфраструктур. Ключевые особенности подхода:

• Адаптивный выбор метода оценки: байесовский вывод для статистически обоснованных гипотез, теория Демпстера–Шафера для условий неполной информации, эвристические правила для разрешения симптоматических конфликтов.
• Активное взаимодействие с окружением: система не пассивно анализирует данные, а целенаправленно запрашивает недостающую информацию — как у человека, так и у оборудования.
• Ориентация на корневые причины: диагностика выходит за рамки устранения симптомов, выявляя истинный источник проблемы.
• Интеграция с промышленными протоколами: поддержка OPC-UA и других стандартов обеспечивает практическую применимость в реальных ИТ- и телеком-инфраструктурах.

Результаты подтверждают, что онтологически управляемые гибридные экспертные системы способны значительно повысить скорость, точность и прозрачность технической диагностики, снижая зависимость от человеческого фактора и сокращая время простоя критически важных систем.

Список литературы:

1. 3GPP TS 38.141-1. (2023). NR Base Station Conformance Testing.
2. ITU-R S.2221. (2019). Performance and availability objectives for satellite earth stations.
3. Boutaba, R., et al. (2018). A Comprehensive Survey on Network Anomaly Detection. Telecommunication Systems, 69(2), 197–211.
4. Смирнов, А. В. (2022). Онтологические модели в интеллектуальных системах диагностики. Искусственный интеллект и принятие решений, № 3, с. 22–35.
5. Zhang Y., & van der Schaar M. (2021). Machine Learning in Networking: What Is It Good For? IEEE Journal on Selected Areas in Communications, 39(1), 5–15.
6. Боровиков, Е. А., & Кудрявцев, И. О. (2024). Гибридные экспертные системы для ИТ-инфраструктур: от теории к практике. Программные продукты и системы, № 1, с. 67–76.