Giới thiệu dự án

Sự bùng nổ của mạng di động thế hệ mới, công nghệ Internet vạn vật (IoT - Internet of Things) và điện toán đám mây (Cloud Computing) đã làm thay đổi hoàn toàn bức tranh hạ tầng viễn thông toàn cầu. Theo báo cáo dự báo từ Cisco, trung bình mỗi người sở hữu khoảng 1,5 thiết bị di động kết nối mạng, trong đó điện thoại thông minh chiếm hơn 50% tổng lưu lượng truy cập toàn cầu. Tại Việt Nam và trên thế giới, các nhà mạng viễn thông như VNPT, Viettel, FPT Telecom đang phải đối mặt với áp lực kép: vừa phải tối ưu hóa hạ tầng vô tuyến phân tán để giảm thiểu độ trễ truy cập, vừa phải kiểm soát tỷ lệ khách hàng rời mạng (Customer Churn Rate) nhằm bảo vệ thị phần và doanh thu định kỳ.

Đồ án tốt nghiệp "Ứng dụng phân tích hành vi khách hàng viễn thông" (Tác giả: Nguyễn Khánh Nam; Giảng viên hướng dẫn: TS. Nguyễn Văn Thủy - Học viện Công nghệ Bưu chính Viễn thông, 2021) tập trung giải quyết triệt để hai bài toán cốt lõi trong vận hành viễn thông hiện đại:

  1. Bài toán tối ưu hóa phân bổ vị trí đám mây biên (Edge Cloud Placement): Giải quyết hiện tượng nghẽn cổ chai (bottleneck) băng thông mạng lõi và độ trễ giao tiếp bằng cách lựa chọn vị trí chiến lược đặt các cụm máy chủ biên (Mobile Edge Computing - MEC) tại các trạm thu phát gốc (Base Station - BS), cân bằng tải làm việc (workload balance) giữa các node tính toán.
  2. Bài toán phân tích và dự đoán tỷ lệ rời dịch vụ (Churn Prediction): Nhận diện sớm hành vi ngưng sử dụng dịch vụ của thuê bao dựa trên phân tích dữ liệu đa chiều, áp dụng thuật toán học máy tăng cường gradient tiên tiến để phát hiện các yếu tố chi phối quyết định của khách hàng.
                  +-----------------------------------------+
                  |  Dữ liệu viễn thông lớn (Big Data)     |
                  +--------------------+--------------------+
                                       |
                +----------------------+----------------------+
                |                                             |
                v                                             v
+-------------------------------+             +-------------------------------+
| Phân tích không gian & tải    |             | Phân tích hành vi thuê bao   |
| (7.2M bản ghi, 3.233 trạm BS) |             | (10.000 hồ sơ, 20 thuộc tính) |
+---------------+---------------+             +---------------+---------------+
                |                                             |
                v                                             v
+-------------------------------+             +-------------------------------+
| K-Means Clustering + MIQP     |             | Kiểm định KS + LightGBM GBDT |
| (IBM ILOG CPLEX Optimizer)    |             | (GOSS + EFB Tuning)           |
+---------------+---------------+             +---------------+---------------+
                |                                             |
                +----------------------+----------------------+
                                       |
                                       v
                  +-----------------------------------------+
                  |  Hệ thống Web Dashboard (Django MTV)    |
                  |  Trực quan hóa tải & Dự báo rời mạng    |
                  +-----------------------------------------+

Mục tiêu dự án

  1. Xây dựng mô hình toán học tối ưu hóa đa mục tiêu (Multi-objective Optimization) nhằm cực tiểu hóa đồng thời độ trễ truyền thông trung bình và phương sai khối lượng công việc giữa các đám mây biên.
  2. Thiết kế giải thuật xấp xỉ kết hợp giữa phân cụm K-Means và quy hoạch bậc hai số nguyên hỗn hợp (Mixed-Integer Quadratic Programming - MIQP), giải bằng bộ tối ưu hóa IBM ILOG CPLEX.
  3. Ứng dụng kiểm định thống kê hai mẫu Kolmogorov-Smirnov (KS-Test) và thuật toán LightGBM (Light Gradient Boosting Machine) để phát hiện các thuộc tính chính (Key Data Elements - KDE) dẫn tới hành vi churn.
  4. Triển khai phần mềm giao diện web hoàn chỉnh trên nền tảng Django (kiến trúc Model-Template-View) cho phép trực quan hóa dữ liệu và xuất báo cáo tự động.

Phạm vi và giới hạn

  • Bộ dữ liệu vị trí & lưu lượng: Tập dữ liệu thực tế tại thành phố Thượng Hải gồm hơn 7,2 triệu bản ghi truy cập Internet qua 3.233 trạm thu phát gốc từ 9.481 thuê bao di động trong 6 tháng liên tiếp.
  • Bộ dữ liệu Churn: Gồm 20 trường thông tin (nhân khẩu học, gói cước, dịch vụ gia tăng, chi phí hàng tháng) trên gần 10.000 hồ sơ khách hàng.
  • Giới hạn: Giả định năng lực xử lý tính toán của mỗi đám mây biên là đồng nhất và vị trí các đám mây biên được đặt trực tiếp tại các trạm gốc hạ tầng sẵn có.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong hạ tầng điện toán biên truyền thống, việc lựa chọn vị trí đặt máy chủ biên thường dựa vào các phương pháp heuristic đơn lẻ: chọn trạm có lưu lượng cao nhất (Top-K), chọn ngẫu nhiên (Random), hoặc gom cụm không gian đơn thuần (K-Means). Những giải pháp này bộc lộ nhiều điểm hạn chế khi triển khai trên quy mô lớn:

Giải pháp hiện có Ưu điểm Nhược điểm Đánh giá so với giải pháp đề xuất
Top-K Base Stations Đơn giản, đảm bảo các trạm tải nặng nhất có máy chủ biên trực tiếp. Bỏ qua yếu tố phân bố địa lý; gây mất cân bằng tải nghiêm trọng cho các trạm lân cận. Kém hơn về độ trễ tổng thể ($D_a$) khi mật độ trạm mở rộng.
K-Means Clustering Cực tiểu hóa khoảng cách địa lý / độ trễ giao tiếp thuần túy. Hoàn toàn bỏ qua dung lượng tải ($W$), dẫn đến tình trạng máy chủ biên quá tải hoặc nhàn rỗi. Giải pháp đề xuất bổ sung bước giải MIQP giúp cân bằng phương sai tải $B_w$.
Random Placement Chi phí tính toán $O(1)$, dễ triển khai thử nghiệm. Không đảm bảo bất kỳ tiêu chuẩn chất lượng dịch vụ (QoS) nào; độ trễ và lệch tải rất cao. Bị loại bỏ trong môi trường mạng thực tế.
Hybrid K-Means + MIQP (Đề xuất) Cân bằng đa mục tiêu giữa độ trễ ($D_a$) và tải ($B_w$), tối ưu toàn cục. Độ phức tạp bài toán NP-Hard, cần chia pha tính toán xấp xỉ. Đạt giá trị hàm mục tiêu $F(T, C)$ tối ưu vượt trội trên dữ liệu thực tế.

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Giải thuật phân bổ trạm gốc vào đám mây biên bằng MIQP; Module huấn luyện LightGBM dự báo Churn; Giao diện bản đồ hiển thị mật độ phân bố trạm gốc Thượng Hải.
  • Should have: Kiểm định phân phối hai mẫu Kolmogorov-Smirnov cho các biến liên tục; Tùy chỉnh trọng số $\rho_w$ giữa tải và độ trễ.
  • Could have: Tích hợp công cụ trích xuất dữ liệu tự động từ cơ sở dữ liệu viễn thông thời gian thực.
  • Won't have: Tự động cấp phát tài nguyên ảo hóa (NFV/Kubernetes) động tại runtime (chuyển sang hướng phát triển sau).

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module tích hợp nền tảng web Django:

+-------------------------------------------------------------------------------+
|                       GIAO DIỆN NGƯỜI DÙNG (HTML5/CSS3/JS)                    |
|       [Bản đồ Heatmap Trạm gốc]  |  [Dashboard Phân tích Churn & Feature Importance] |
+---------------------------------------+---------------------------------------+
                                        | (HTTP / RESTful API)
+---------------------------------------v---------------------------------------+
|                    BACKEND CONTROLLER (Django 3.2 Framework)                  |
|    - Routing & View Handlers          - Preprocessing & Transformation Pipe   |
+---------------------------------------+---------------------------------------+
                                        |
          +-----------------------------+-----------------------------+
          |                                                           |
+---------v-------------------------+       +-------------------------v---------+
|    MODULE TỐI ƯU HẠ TẦNG BIÊN     |       |       MODULE DỰ BÁO CHURN         |
|  - K-Means Spatial Partitioner    |       |  - Two-sample KS Statistical Test |
|  - IBM ILOG CPLEX Optimizer       |       |  - LightGBM Ensemble Classifier   |
|    (MIQP Mathematical Solver)     |       |  - Scikit-Learn Metrics & Eval    |
+-----------------------------------+       +-----------------------------------+

Technology Stack

  • Ngôn ngữ cốt lõi: Python 3.8+ (xử lý dữ liệu toán học, ma trận và học máy).
  • Bộ tối ưu hóa quy hoạch toán học: IBM ILOG CPLEX Optimization Studio (phiên bản 12.10+ hỗ trợ giải quyết bài toán MIQP/MIQCP không lồi và lồi thông qua Outer Approximation và Spatial Branch-and-Bound).
  • Thư viện phân tích dữ liệu & Machine Learning: LightGBM 3.2+, Scikit-learn 0.24+, SciPy (Two-sample KS Test), Pandas 1.3+, NumPy 1.20+.
  • Web Framework: Django 3.2 LTS (kiến trúc Model-Template-View).

Implementation và kết quả

Development Process & Key Mathematical Formulations

1. Mô hình hóa bài toán Vị trí Đám mây biên (Edge Cloud Placement)

Gọi $V = {v_1, v_2, \dots, v_n}$ là tập hợp $n$ trạm gốc, $S$ là tập các vị trí ứng viên đặt máy chủ biên ($S = V$), và $k$ là số lượng máy chủ biên cần đặt ($k \le n$). Khối lượng công việc của trạm gốc $v_i$ là $w(v_i)$. Khi trạm $v_i$ được gán cho đám mây biên $d_l$, biến chỉ thị nhị phân $x_{i,l} \in {0, 1}$ xác định liên kết, và $y_l \in {0, 1}$ biểu thị việc có đặt máy chủ biên tại vị trí $l(v_l)$ hay không.

Khối lượng công việc của đám mây biên $d_l$: $$w(d_l) = \sum_{i=1}^{n} w(v_i) x_{i,l}$$

Độ cân bằng khối lượng công việc $B_w(T, C)$ (đo bằng phương sai tải): $$B_w(T, C) = \frac{\sum_{l=1}^{k} \left(w(d_l) - \overline{w(d)}\right)^2}{k}, \quad \text{với } \overline{w(d)} = \frac{\sum_{i=1}^{n} w(v_i)}{k}$$

Độ trễ truyền thông trung bình $D_a(T, C)$: $$D_a(T, C) = \frac{\sum_{d_l \in D} \sum_{v_i \in c_l} \delta(v_i, d_l)}{n}$$

Hàm mục tiêu chuẩn hóa kết hợp đa tiêu chí với trọng số $\rho_w \in [0, 1]$: $$\min F(T, C) = \rho_w \frac{B_w(T, C)}{B_{max}} + (1 - \rho_w) \frac{D_a(T, C)}{D_{max}}$$

Ràng buộc: $$\sum_{l=1}^{n} y_l = k, \quad \sum_{l=1}^{n} x_{i,l} = 1 ; (\forall i), \quad x_{i,l} \le y_l ; (\forall i, l), \quad x_{i,l}, y_l \in {0, 1}$$

# Trích đoạn code thiết lập bài toán MIQP với Docplex (IBM CPLEX Python API)
import numpy as np
from docplex.mp.model import Model

def solve_edge_placement_miqp(base_stations, k_clouds, rho_w=0.5):
    """
    base_stations: list dict chứa 'id', 'lat', 'lon', 'workload'
    k_clouds: số lượng đám mây biên cần đặt (k)
    rho_w: trọng số ưu tiên cân bằng tải
    """
    n = len(base_stations)
    mdl = Model(name='Edge_Cloud_Placement_MIQP')
    
    # Biến quyết định
    y = mdl.binary_var_list(n, name='y') # y[l] = 1 nếu đặt edge cloud tại trạm l
    x = mdl.binary_var_matrix(n, n, name='x') # x[i, l] = 1 nếu trạm i gán vào cloud l
    
    # Ràng buộc 1: Đúng k đám mây biên được chọn
    mdl.add_constraint(mdl.sum(y[l] for l in range(n)) == k_clouds)
    
    # Ràng buộc 2: Mỗi trạm gốc chỉ gán vào duy nhất 1 đám mây biên
    for i in range(n):
        mdl.add_constraint(mdl.sum(x[i, l] for l in range(n)) == 1)
        
    # Ràng buộc 3: Trạm chỉ được gán vào vị trí có đặt đám mây biên
    for i in range(n):
        for l in range(n):
            mdl.add_constraint(x[i, l] <= y[l])
            
    # Tính toán tải trung bình và độ trễ khoảng cách ma trận
    total_workload = sum(bs['workload'] for bs in base_stations)
    avg_workload = total_workload / k_clouds
    
    # Hàm mục tiêu bậc hai (Quadratic Objective)
    workload_variance = mdl.sum(
        (mdl.sum(base_stations[i]['workload'] * x[i, l] for i in range(n)) - avg_workload) ** 2
        for l in range(n)
    ) / k_clouds
    
    mdl.minimize(workload_variance)
    solution = mdl.solve(log_output=False)
    return solution

2. Phân tích Churn với LightGBM và Thuật toán GOSS/EFB

Để khắc phục hạn chế về thời gian huấn luyện và hiện tượng quá khớp (overfitting) trên tập dữ liệu viễn thông lớn, mô hình sử dụng LightGBM với cơ chế:

  • Gradient-based One-Side Sampling (GOSS): Giữ lại toàn bộ các mẫu có gradient lớn và lấy mẫu ngẫu nhiên trên các mẫu có gradient nhỏ, giúp bảo toàn độ chính xác thông tin phân phối.
  • Exclusive Feature Bundling (EFB): Gom cụm các đặc trưng rời rạc xung đột lẫn nhau nhằm giảm chiều không gian đặc trưng mà không làm mất mát thông tin.
# Trích đoạn cấu hình huấn luyện mô hình LightGBM cho bài toán Churn
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score, classification_report

def train_churn_model(X, y):
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42, stratify=y
    )
    
    train_data = lgb.Dataset(X_train, label=y_train)
    val_data = lgb.Dataset(X_test, label=y_test, reference=train_data)
    
    params = {
        'objective': 'binary',
        'boosting_type': 'gbdt',
        'metric': 'auc',
        'learning_rate': 0.05,
        'num_leaves': 31,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 5,
        'verbose': -1
    }
    
    clf = lgb.train(
        params,
        train_data,
        num_boost_round=1000,
        valid_sets=[train_data, val_data],
        callbacks=[lgb.early_stopping(stopping_rounds=50)]
    )
    
    preds = clf.predict(X_test, num_iteration=clf.best_iteration)
    print(f"Test ROC-AUC Score: {roc_auc_score(y_test, preds):.4f}")
    return clf

Testing và validation

Đánh giá hiệu năng thuật toán tối ưu vị trí (Shanghai Telecom Dataset)

Thực nghiệm so sánh phương pháp đề xuất (Our Approach: K-Means + MIQP) với ba phương pháp cơ sở (K-Means, Top-K, Random) trên hai kịch bản:

Kịch bản 1: Cố định $n = 200$ trạm gốc, biến thiên số lượng máy chủ biên $k \in [5, 30]$

  • Khi $k = 5$: Top-K đạt độ cân bằng tải tạm thời do số cụm quá nhỏ, nhưng khi tăng $k \ge 10$, thuật toán đề xuất đạt giá trị hàm mục tiêu tổng thể tốt nhất ($F(T, C)$ thấp nhất, trung bình cải thiện 18.4% so với K-Means thuần túy và 24.6% so với Random).
  • Độ trễ giao tiếp $D_a$ tiệm cận sát với thuật toán K-Means tối ưu khoảng cách thuần túy, nhưng phương sai tải $B_w$ giảm hơn 35% so với K-Means.

Kịch bản 2: Cố định $k = 10$ đám mây biên, biến thiên số lượng trạm gốc $n \in [20, 200]$

  • Với quy mô mạng nhỏ ($n = 20, 40$), Top-K có ưu thế cục bộ. Tuy nhiên, khi quy mô tăng lên ($n = 80 \dots 200$), độ trễ của Top-K tăng vọt phi tuyến.
  • Thuật toán đề xuất duy trì sự ổn định vượt trội trên cả hai chỉ số $B_w$ và $D_a$.
Biến thiên hàm mục tiêu F(T, C) theo số lượng trạm gốc (n = 20 -> 200, k = 10):
Giá trị F(T, C) càng thấp -> Hiệu năng càng cao

F(T,C)
 0.8 |                                      [Random]
 0.7 |                                 .--'
 0.6 |                           [Top-K]
 0.5 |                      .--'       [K-Means]
 0.4 |                 .--'       .---'
 0.3 |            .---'      .---'   [Đề xuất: K-Means + MIQP]
 0.2 |       .---'      .---'
 0.1 +------'----------'-----------------------------> Quy mô n
     20     40        80        120       160       200

Đánh giá mô hình dự báo Churn

  • Kiểm định Kolmogorov-Smirnov chỉ ra 3 thuộc tính định lượng có phân phối khác biệt rõ rệt nhất giữa nhóm rời mạng và nhóm duy trì: tenure ($p < 0.001$), MonthlyCharges ($p < 0.001$), và TotalCharges ($p < 0.001$).
  • Mô hình LightGBM đạt diện tích dưới đường cong ROC-AUC đạt 0.846, độ chính xác tổng thể (Accuracy) đạt 81.2%, vượt qua các mô hình chuẩn như Decision Tree đơn lẻ (AUC: 0.712) và Logistic Regression (AUC: 0.785).

Đổi mới và đóng góp

  1. Thuật toán phân cụm lai 2 pha (Two-phase Hybrid Placement Heuristic): Thay vì giải bài toán MINLP/MIQP nguyên bản vốn là NP-Hard không thể giải trực tiếp trên không gian 3.233 trạm trong thời gian thực, nghiên cứu đề xuất phân tách: Pha 1 dùng K-Means định vị không gian ban đầu để giảm miền tìm kiếm, Pha 2 dùng MIQP với IBM CPLEX giải quyết bài toán tái phân bổ trạm nhằm cân bằng tải tuyệt đối.
  2. Khung đánh giá đa mục tiêu chuẩn hóa: Xây dựng hàm mục tiêu $F(T, C)$ có khả năng co giãn (scalable) với trọng số $\rho_w$, cho phép nhà khai thác mạng chủ động điều chỉnh giữa ưu tiên tiết kiệm tài nguyên máy chủ hay ưu tiên giảm độ trễ trải nghiệm (QoE) cho người dùng 5G.
  3. Phát hiện tri thức từ dữ liệu thực tế lớn: Phân tích toàn diện hành vi lưu lượng trên hơn 7,2 triệu bản ghi tại đô thị Thượng Hải, cung cấp bằng chứng thực nghiệm về tính chất mất cân bằng tải nghiêm trọng giữa các trạm vô tuyến tại các khung giờ cao điểm.
Tiêu chí so sánh Phương pháp truyền thống (Top-K / Greedy) Phân cụm hình học (K-Means thuần túy) Giải pháp đề xuất (K-Means + MIQP + LightGBM)
Cân bằng tải giữa các node Kém (dễ nghẽn tại trung tâm) Rất kém (chỉ xét khoảng cách) Tối ưu (sai số tải < 8.5%)
Độ trễ truyền thông Trung bình Tối ưu hình học cục bộ Tiệm cận tối ưu toàn cục
Khả năng dự báo rời mạng Báo cáo thống kê mô tả Rule-based tĩnh Học máy tăng cường GBDT (AUC 0.846)
Khả năng mở rộng quy mô Thấp Cao Rất cao (tối ưu qua CPLEX)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong ngành viễn thông

  1. Quy hoạch hạ tầng mạng 5G Open-RAN & MEC: Cho phép các kỹ sư viễn thông tải lên tọa độ và lưu lượng trạm BTS hiện hữu, hệ thống sẽ tự động đề xuất số lượng và vị trí đặt các tủ rack máy chủ MEC tối ưu nhất về chi phí đầu tư (CAPEX) và chi phí vận hành (OPEX).
  2. Hệ thống cảnh báo sớm thuê bao Churn (Retention Automation): Định kỳ quét cơ sở dữ liệu cước hàng tháng; khi chỉ số xác suất Churn của thuê bao vượt ngưỡng 0.7, hệ thống kích hoạt API gửi gói khuyến mãi giữ chân cá nhân hóa (data voucher, giảm cước gói cước dài hạn).
                                QUY TRÌNH DEPLOY DOCKER CONTAINER
+-----------------------------------------------------------------------------------------------+
| [Client Web/App]                                                                              |
|        |                                                                                      |
|        v (HTTPS / Nginx Reverse Proxy)                                                        |
| +-------------------------------------------------------------------------------------------+ |
| | Docker Container 1: Django Application Server (Gunicorn WSGI, Port 8000)                  | |
| +-------------------------------------------------------------------------------------------+ |
|        |                                              |                                       |
|        v                                              v                                       |
| +------------------------------------+     +------------------------------------------------+ |
| | Docker Container 2: PostgreSQL DB  |     | Docker Container 3: Redis Cache (Task Queue)   | |
| | (Lưu dữ liệu trạm BTS & Thuê bao)  |     | (Quản lý các Job giải quy hoạch CPLEX nặng)    | |
| +------------------------------------+     +------------------------------------------------+ |
+-----------------------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

  • Tiết kiệm chi phí đầu tư phần cứng: Giảm trung bình 15-20% số lượng máy chủ biên cần trang bị nhờ cơ chế cân bằng tải thông minh, tránh lãng phí tài nguyên dư thừa.
  • Giảm tỷ lệ mất khách hàng: Giảm tỷ lệ churn từ 2.5%/tháng xuống còn 1.8%/tháng trên quy mô 1 triệu thuê bao giúp bảo toàn hàng tỷ đồng doanh thu cước mỗi năm.
  • Thời gian hoàn vốn (ROI): Ước tính từ 6 đến 9 tháng sau khi tích hợp toàn diện vào hệ thống tính cước và chăm sóc khách hàng (BSS/OSS).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính chất tĩnh của dữ liệu trạm: Mô hình hiện tại giải quyết bài toán quy hoạch tĩnh trên ảnh chụp dữ liệu (snapshot) theo chu kỳ ngày/tháng, chưa thích ứng tức thời theo biến động lưu lượng tức thời (real-time dynamic traffic shifts) trong từng phút.
  • Ràng buộc đồng nhất về năng lực biên: Giả định mọi máy chủ biên có cấu hình CPU/RAM giống hệt nhau; chưa xét đến bài toán đám mây biên không đồng nhất (Heterogeneous Edge Computing).

Hướng phát triển trong tương lai

  • Áp dụng kỹ thuật học tăng cường sâu (Deep Reinforcement Learning - DRL) để tự động điều phối tải động theo thời gian thực giữa các node mạng.
  • Tích hợp kỹ thuật giải thích mô hình AI (XAI - Explainable AI) với SHAP (SHapley Additive exPlanations) giúp diễn giải chi tiết lý do từng thuê bao cụ thể bị dự đoán là có xu hướng rời mạng.
  • Mở rộng kiến trúc sang mô hình Microservices trên nền tảng Kubernetes để tự động co giãn tài nguyên xử lý.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Nắm bắt phương pháp luận nghiên cứu kết hợp giữa toán tối ưu hóa quy hoạch số nguyên (MIQP) và kỹ thuật học máy phân loại hiện đại; có mã nguồn tham khảo mẫu trên nền tảng Python/Django.
  • Kỹ sư phát triển phần mềm & Data Scientist: Tiếp cận mẫu thiết kế (design pattern) tích hợp các bộ giải toán thương mại mạnh mẽ (CPLEX) vào web service; kỹ thuật xử lý tập dữ liệu lớn với LightGBM.
  • Doanh nghiệp viễn thông & ISP: Sở hữu công cụ định lượng khoa học để tối ưu hóa ngân sách triển khai trạm điện toán biên và quy trình giữ chân khách hàng hiệu quả cao.
  • Các nhà nghiên cứu: Kế thừa công thức toán học và tập chỉ số thực nghiệm trên bộ dữ liệu Thượng Hải để phát triển các giải thuật tối ưu hóa thế hệ mới.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu 20.04 LTS trở lên), tối thiểu 8 Cores CPU, 16GB RAM (khuyến nghị 32GB RAM khi chạy tập dữ liệu trên 5.000 trạm), ổ cứng SSD 50GB trống và cài đặt sẵn bản quyền IBM ILOG CPLEX Optimization Studio (hỗ trợ bản Academic hoặc Commercial).

2. Khi số lượng trạm gốc vượt quá 10.000, thuật toán MIQP có bị quá tải không?

Do bài toán MIQP thuộc lớp NP-Hard, nếu số lượng trạm gốc quá lớn, thời gian tìm kiếm nghiệm tối ưu toàn cục sẽ tăng theo cấp số nhân. Giải pháp là áp dụng chia vùng địa lý (Spatial Partitioning) trước bằng K-Means hoặc Voronoi Diagram, sau đó chạy bộ giải CPLEX cục bộ trên từng phân vùng, giữ thời gian xử lý dưới 60 giây.

3. Làm thế nào để tích hợp module dự đoán Churn vào hệ thống CRM sẵn có của nhà mạng?

Backend Django cung cấp sẵn các RESTful API endpoint chuẩn JSON. Hệ thống CRM/BSS có thể định kỳ đẩy dữ liệu thuộc tính thuê bao thông qua giao thức HTTPS POST /api/v1/predict-churn/ để nhận về xác suất rời mạng cùng danh sách các yếu tố nguy cơ.

4. Hệ thống cần bảo trì và tái huấn luyện mô hình (Retrain) định kỳ như thế nào?

Mô hình LightGBM nên được huấn luyện lại (retrain) theo chu kỳ mỗi tháng một lần với dữ liệu cước mới nhất để nắm bắt các biến động về hành vi tiêu dùng và chính sách giá cước mới của thị trường.

5. Tại sao không sử dụng trực tiếp mô hình Deep Learning (như MLP hay LSTM) cho bài toán dự báo Churn?

Dữ liệu bảng viễn thông (tabular data) có cấu trúc đặc thù với nhiều biến phân loại và giá trị ngoại lai. Các nghiên cứu chuẩn hóa đã chỉ ra rằng các thuật toán cây quyết định tăng cường gradient như LightGBM hay XGBoost vượt trội hơn mạng nơ-ron sâu về cả độ chính xác, tốc độ huấn luyện lẫn khả năng tránh overfitting trên dạng dữ liệu này.

Kết luận

Đồ án "Ứng dụng phân tích hành vi khách hàng viễn thông" của sinh viên Nguyễn Khánh Nam đã giải quyết xuất sắc bài toán kép mang tính thực tiễn cao của ngành công nghệ viễn thông. Bằng việc kết hợp nhuần nhuyễn giữa giải thuật phân cụm K-Means, mô hình tối ưu quy hoạch bậc hai số nguyên hỗn hợp MIQP trên IBM CPLEX và mô hình phân loại tăng cường LightGBM, nghiên cứu không chỉ mang lại lời giải tối ưu về mặt lý thuyết toán học mà còn xây dựng thành công một giải pháp công nghệ hoàn chỉnh, sẵn sàng ứng dụng vào thực tiễn hạ tầng mạng 5G và hệ thống quản trị dữ liệu khách hàng hiện đại.