Belajar Telecom Engineer - Telecom Data Analytics & DPI

#Pendahuluan

Setelah di episode 23 kita menyatukan dunia fixed dan mobile lewat konvergensi, ada pertanyaan yang menggantung di setiap operator modern: jutaan sesi pelanggan menghasilkan gunung data setiap detik — siapa yang membacanya, dan untuk apa? Episode ini membahas dua alat utama menjawabnya: deep packet inspection (DPI) sebagai mata di titik lalu lintas, dan data analytics sebagai otak yang mengubah data menjadi keputusan.

Mengapa topik ini penting? Karena era "cukup lihat counter interface" sudah berakhir. Pelanggan menilai operator dari pengalaman aplikasi (video buffering? game lag?), bukan dari availability link. Quality assurance modern — QoE monitoring, root cause analysis cepat, penagihan SLA enterprise — semuanya bertumpu pada kemampuan melihat trafik secara dalam dan menganalisanya skala besar.

#Deep Packet Inspection: Apa dan Seberapa Dalam

DPI adalah kemampuan memeriksa payload paket melebihi header L2-L4:

L2-L4   : IP, port, TCP flags          → routing & firewall klasik
L7 DPI  : identifikasi protokol/aplikasi → YouTube vs TikTok vs Zoom
Behavior: pola trafik, fingerprint TLS  → klasifikasi tanpa payload terbaca

Realitas enkripsi: mayoritas trafik kini TLS/QUIC terenkripsi. DPI modern pun beradaptasi — bukan membaca isi pesan, melainkan menganalisis metadata: SNI pada ClientHello, ukuran/pacing paket, fingerprint JA3/JA4. Hasil klasifikasinya cukup untuk QoS dan analytics tanpa menyentuh konten.

Posisi DPI dalam jaringan operator:

#Pipeline Analytics Telecom

Data mentah saja tak berguna — nilai lahir dari pipeline:

Tiga keluarga sumber data yang wajib kalian pahami bedanya:

1. Counters/KPI (per-cell per-15-menit): agregat, murah, cocok trend.
2. Flow records (NetFlow/IPFIX/sFlow): per-sesi siapa-kemana-berapa-byte; sampling umum di backbone.
3. Packet-level probe (DPI): paling detail & mahal; dipasang selektif di chokepoint strategis.

Use case assurance yang didorong pipeline ini: deteksi degradasi video (rebuffer rate per BSSID), SLA reporting enterprise (availability + latency per VPN), fraud roaming (pola IMEI aneh), dan capacity planning presisi (top talker per peering).

#Praktik: Analisis Trafik End-to-End

#Langkah 1 — Tangkap dan klasifikasi

Di lab (episode 0), tangkap trafik lalu klasifikasi dengan tshark:

sudo tshark -i any -a duration:60 -w traffic.pcap 2>/dev/null
tshark -r traffic.pcap -q -z io,phs | head -25

Output io,phs memberi hierarki protokol persentase — versi mini dari laporan DPI komersial.

#Langkah 2 — Ekstrak flow ala NetFlow

tshark -r traffic.pcap -T fields \
  -e ip.src -e ip.dst -e frame.len \
  -e _ws.col.Protocol > flows.csv
wc -l flows.csv

#Langkah 3 — Analitik top-talker dan anomali

import pandas as pd
 
f = pd.read_csv("flows.csv", names=["src", "dst", "bytes", "proto"])
# bytes masih string hex dari tshark → konversi
f["bytes"] = f["bytes"].apply(lambda x: int(str(x), 16))
 
top_src = f.groupby("src").bytes.sum().nlargest(5)
print("Top talker:\n", top_src)
 
# Distribusi ukuran paket: indikator jenis aplikasi
f["size_bucket"] = pd.cut(f.bytes, [0, 200, 800, 1500],
                          labels=["kecil(signaling)", "sedang(web)", "penuh(media)"])
print(f.size_bucket.value_counts(normalize=True).round(3))

Interpretasi ala engineer: dominasi paket kecil = signaling-heavy (cek apakah normal); dominasi penuh-1500 = media streaming/bulk transfer.

#Langkah 4 — QoE proxy untuk video

Tanpa bisa mendekripsi, kita estimasi pengalaman video dari pola:

import numpy as np
 
def rebuffer_proxy(intervals_s):
    """Gap antar burst download besar = indikasi stall."""
    bursts = [t for t in intervals_s if t > 0]
    gaps = np.diff(sorted(bursts))
    stalls = gaps[gaps > 4]                 # jeda > 4 dtk antar chunk
    return len(stalls), float(np.sum(stalls)) if len(stalls) else 0.0
 
events, total_stall = rebuffer_proxy([1.2, 6.5, 1.1, 9.0, 1.3])
print(f"Indikasi stall: {events} kali, total {total_stall:.1f} s")

Metrik proxy seperti ini adalah cara operator memantau QoE video massal tanpa menyentuh konten — sekaligus patuh privasi (prinsip episode 20).

#Assurance Modern: Dari Alarm ke Pengalaman

Pergeseran paradigma monitoring:

Skor QoE gabungan (radio KPI + throughput probe + keluhan CRM + klasifikasi DPI) menjadi angka tunggal yang dilaporkan direksi — dan saat skor turun, RCA memakai pipeline analytics untuk memotong dimensi: area? operator? aplikasi? waktu?

#Common Pitfalls

• Sampling terlalu agresif di flow: sampling 1:1000 membuat analisis per-pelanggan mustahil — sesuaikan rasio dengan use case (trend boleh kasar, billing/SLA harus akurat).
• Clock skew antar probe: korelasi event lintas alat gagal karena waktu tidak sinkron — PTP/NTP disiplin adalah prasyarat pipeline (pelajaran episode 6).
• Menyimpan payload mentah: selain risiko privasi, storage meledak. Simpan metadata terstruktur; raw capture hanya on-demand dengan TTL pendek.

#Penutup

Inti yang harus dibawa pulang:

• DPI modern bekerja di era enkripsi: klasifikasi via metadata & behavior, bukan isi pesan.
• Pipeline analytics bernilai lewat rantainya: probe/flow/counters → ingest → lake → aksi (NOC, billing, remediation).
• QoE monitoring mengukur pengalaman, dengan metrik proxy yang patuh privasi.
• Kalian sudah praktik penuh: capture, konversi flow, analitik pandas, dan proxy rebuffering.

Di episode 25 kita bicara biaya operasi terbesar kedua: energy efficiency & green telecom — bagaimana menurunkan kWh tanpa menurunkan KPI. Sampai jumpa!