論文の概要: DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN

• arxiv url: http://arxiv.org/abs/2003.10643v1
• Date: Tue, 24 Mar 2020 03:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:34:43.751518
• Title: DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN
• Title（参考訳）: DeepSIP: 一時マルチモーダルCNNによるネットワーク障害のサービス影響予測システム
• Authors: Yoichi Matsuo, Tatsuaki Kimura and Ken Nishimatsu
• Abstract要約: サービスへの影響は、障害を扱うネットワークオペレーターにとって不可欠な情報である。 深層学習に基づくサービスインパクト予測(DeepSIP)を提案する。 合成データセットを用いた他のNN法と比較して,DeepSIPとDeepSIPの予測誤差を約50%削減した。
• 参考スコア（独自算出の注目度）: 6.974144745755913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a failure occurs in a network, network operators need to recognize service impact, since service impact is essential information for handling failures. In this paper, we propose Deep learning based Service Impact Prediction (DeepSIP), a system to predict the time to recovery from the failure and the loss of traffic volume due to the failure in a network element using a temporal multimodal convolutional neural network (CNN). Since the time to recovery is useful information for a service level agreement (SLA) and the loss of traffic volume is directly related to the severity of the failures, we regard these as the service impact. The service impact is challenging to predict, since a network element does not explicitly contain any information about the service impact. Thus, we aim to predict the service impact from syslog messages and traffic volume by extracting hidden information about failures. To extract useful features for prediction from syslog messages and traffic volume which are multimodal and strongly correlated, and have temporal dependencies, we use temporal multimodal CNN. We experimentally evaluated DeepSIP and DeepSIP reduced prediction error by approximately 50% in comparison with other NN-based methods with a synthetic dataset.
• Abstract（参考訳）: ネットワークで障害が発生した場合、ネットワークオペレータはサービスへの影響を認識する必要がある。 本稿では、時間的マルチモーダル畳み込みニューラルネットワーク(CNN)を用いたネットワーク要素の故障による障害からの回復時間と交通量損失を予測するシステム、DeepSIP(Deep Learning Based Service Impact Prediction)を提案する。 復旧までの時間はサービスレベル合意(SLA)に有用な情報であり、交通量の減少は障害の深刻度に直接関連しているため、これらをサービスへの影響とみなす。 ネットワーク要素がサービスへの影響に関する情報を明示的に含まないため、サービスへの影響を予測するのは困難です。 そこで我々は,障害に関する隠れた情報を抽出することにより,syslogメッセージとトラフィック量からサービスへの影響を予測することを目的とする。 マルチモーダルで強い相関関係を持つsyslogメッセージとトラヒックボリュームから予測に有用な特徴を抽出するために,時間的マルチモーダルcnnを用いた。 合成データセットを用いた他のNN法と比較して,DeepSIPとDeepSIPの予測誤差を約50%削減する実験を行った。

関連論文リスト

• PCAPVision: PCAP-Based High-Velocity and Large-Volume Network Failure Detection [1.0485739694839669]
  コンピュータビジョンと畳み込みニューラルネットワーク(CNN)を用いてPCAPファイルの故障を検出する新しい手法であるPCAPVisionを提案する。 当社のアプローチは,障害検出に要する時間を大幅に削減する。
  論文  参考訳（メタデータ） (2024-07-01T13:52:17Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting [8.596556653895028]
  本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。 注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
  論文  参考訳（メタデータ） (2022-10-01T05:58:22Z)
• CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
  部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。 しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
  論文  参考訳（メタデータ） (2022-08-25T03:36:20Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Time-Distributed Feature Learning in Network Traffic Classification for Internet of Things [3.1744605242927797]
  本稿では,トラフィックデータを一連の画像として扱う新しいネットワークデータ表現を提案する。 ネットワークデータは、時間分散(TD)機能学習を利用するビデオストリームとして実現される。 実験結果から,ネットワーク分類性能を学習するTD機能は,性能を10%向上させることがわかった。
  論文  参考訳（メタデータ） (2021-09-29T20:01:40Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
  トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。 我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
  論文  参考訳（メタデータ） (2021-03-18T23:56:07Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Proactive Network Maintenance using Fast, Accurate Anomaly Localization and Classification on 1-D Data Series [2.8876310962094727]
  PNM(Proactive Network maintenance)は、ネットワークからのデータを使用してネットワークの障害を特定し、特定する概念である。 本稿では,Deep Convolutional Neural Networksを利用して,データ系列上の異常や事象を効率的かつ正確に検出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-17T04:27:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。