論文の概要: An Influence-based Approach for Root Cause Alarm Discovery in Telecom Networks

• arxiv url: http://arxiv.org/abs/2105.03092v1
• Date: Fri, 7 May 2021 07:41:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 12:23:21.822853
• Title: An Influence-based Approach for Root Cause Alarm Discovery in Telecom Networks
• Title（参考訳）: テレコムネットワークにおけるルート原因アラーム発見に対する影響に基づくアプローチ
• Authors: Keli Zhang, Marcus Kalander, Min Zhou, Xi Zhang and Junjian Ye
• Abstract要約: 実際には、正確で自己調整可能なアラームの根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。 因果推論とネットワーク埋め込み技術を組み合わせたルート原因警報定位のためのデータ駆動型フレームワークを提案する。 人工データと現実世界の通信データについて評価し,最適なベースラインに対して有意な改善を示した。
• 参考スコア（独自算出の注目度）: 7.438302177990416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alarm root cause analysis is a significant component in the day-to-day telecommunication network maintenance, and it is critical for efficient and accurate fault localization and failure recovery. In practice, accurate and self-adjustable alarm root cause analysis is a great challenge due to network complexity and vast amounts of alarms. A popular approach for failure root cause identification is to construct a graph with approximate edges, commonly based on either event co-occurrences or conditional independence tests. However, considerable expert knowledge is typically required for edge pruning. We propose a novel data-driven framework for root cause alarm localization, combining both causal inference and network embedding techniques. In this framework, we design a hybrid causal graph learning method (HPCI), which combines Hawkes Process with Conditional Independence tests, as well as propose a novel Causal Propagation-Based Embedding algorithm (CPBE) to infer edge weights. We subsequently discover root cause alarms in a real-time data stream by applying an influence maximization algorithm on the weighted graph. We evaluate our method on artificial data and real-world telecom data, showing a significant improvement over the best baselines.
• Abstract（参考訳）: アラーム根本原因分析は, 日々の遠隔通信ネットワーク維持において重要な要素であり, 効率的かつ正確な故障局所化と故障復旧に重要である。 実際、正確で自己調整可能なアラーム根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。 障害根本原因同定の一般的なアプローチは,イベント共起テストあるいは条件独立テストのいずれかに基づいて,近似エッジを持つグラフを構築することだ。 しかし、エッジの刈り取りには熟練した知識が必要となる。 本稿では,根本原因アラームの局所化に因果推論とネットワーク埋め込みを併用した新しいデータ駆動型フレームワークを提案する。 本研究では,Hawkesプロセスと条件付き独立性テストを組み合わせたハイブリッド因果グラフ学習法 (HPCI) を設計し,エッジ重みを推定するための新しい因果伝搬型埋め込みアルゴリズム (CPBE) を提案する。 次に,重み付きグラフに影響最大化アルゴリズムを適用し,リアルタイムデータストリーム内の根本原因アラームを検出する。 提案手法を人工データと実世界のテレコムデータで評価し,最高のベースラインよりも大幅に改善したことを示す。

関連論文リスト

• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとした中毒やバックドア攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• KGroot: Enhancing Root Cause Analysis through Knowledge Graphs and Graph Convolutional Neural Networks [14.336830860792707]
  KGrootはイベント知識とイベント間の相関を使って根本原因推論を行う。 実験では、KGrootは第2レベルにおいて93.5%の確率で根本原因を特定できることを示した。
  論文  参考訳（メタデータ） (2024-02-11T10:30:38Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
  グラフニューラルネットワークを用いた新しい故障検出手法を提案する。 AIと現実世界のメカニカルシステムの間に橋を架けている。 提案手法は, 通常の対象領域に混在する異常物体を検出する。
  論文  参考訳（メタデータ） (2022-04-24T08:54:55Z)
• NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
  ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。 この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。 ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
  論文  参考訳（メタデータ） (2022-02-23T02:03:35Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。