論文の概要: Machine Learning-based Anomaly Detection in Optical Fiber Monitoring
- arxiv url: http://arxiv.org/abs/2204.07059v1
- Date: Sat, 19 Mar 2022 08:56:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-17 10:25:11.806710
- Title: Machine Learning-based Anomaly Detection in Optical Fiber Monitoring
- Title（参考訳）: 光ファイバモニタリングにおける機械学習に基づく異常検出
- Authors: Khouloud Abdelli, Joo Yeon Cho, Florian Azendorf, Helmut Griesser,
Carsten Tropschug, and Stephan Pachnicke
- Abstract要約: 本稿では,ファイバー切断や光盗聴攻撃を含む繊維異常を高精度かつ迅速に検出し,診断し,局所化するデータ駆動手法を提案する。
提案手法は,オートエンコーダに基づく異常検出と,アテンションに基づく双方向ゲートリカレント・ユニット・アルゴリズムを組み合わせた。
実験の結果, (i) オートエンコーダはF1スコア96.86%の繊維欠陥や異常を検知し, (ii) 注意に基づく双方向ゲート再帰単位アルゴリズムは検出された異常を平均98.2%の精度で識別する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Secure and reliable data communication in optical networks is critical for
high-speed Internet. However, optical fibers, serving as the data transmission
medium providing connectivity to billons of users worldwide, are prone to a
variety of anomalies resulting from hard failures (e.g., fiber cuts) and
malicious physical attacks (e.g., optical eavesdropping (fiber tapping)) etc.
Such anomalies may cause network disruption and thereby inducing huge financial
and data losses, or compromise the confidentiality of optical networks by
gaining unauthorized access to the carried data, or gradually degrade the
network operations. Therefore, it is highly required to implement efficient
anomaly detection, diagnosis, and localization schemes for enhancing the
availability and reliability of optical networks. In this paper, we propose a
data driven approach to accurately and quickly detect, diagnose, and localize
fiber anomalies including fiber cuts, and optical eavesdropping attacks. The
proposed method combines an autoencoder-based anomaly detection and an
attention-based bidirectional gated recurrent unit algorithm, whereby the
former is used for fault detection and the latter is adopted for fault
diagnosis and localization once an anomaly is detected by the autoencoder. We
verify the efficiency of our proposed approach by experiments under various
anomaly scenarios using real operational data. The experimental results
demonstrate that: (i) the autoencoder detects any fiber fault or anomaly with
an F1 score of 96.86%; and (ii) the attention-based bidirectional gated
recurrent unit algorithm identifies the the detected anomalies with an average
accuracy of 98.2%, and localizes the faults with an average root mean square
error of 0.19 m.
- Abstract（参考訳）: 光ネットワークにおけるセキュアで信頼性の高いデータ通信は高速インターネットにとって重要である。
しかし、世界中のユーザのビヨンへの接続を提供するデータ伝送媒体として機能する光ファイバーは、障害(例えば、繊維切断)や悪意のある物理的攻撃(例えば、光盗聴(ファイバタッピング))などによる様々な異常を生じやすい。
このような異常はネットワークの混乱を引き起こし、それによって膨大な財務的・データ的損失を招き、携帯データへの不正アクセスを得ることで光ネットワークの機密性を損なうか、あるいはネットワーク操作を徐々に劣化させる。
そのため,光ネットワークの可用性と信頼性を高めるために,効率的な異常検出,診断,局所化を実現することが求められている。
本稿では,繊維切断や光盗聴攻撃を含む繊維異常を正確にかつ迅速に検出し,診断し,局所化するためのデータ駆動アプローチを提案する。
提案手法は、オートエンコーダに基づく異常検出と注意に基づく双方向ゲート再帰単位アルゴリズムを組み合わせることで、故障検出に前者が用いられ、後者がオートエンコーダによって異常が検出されると、故障診断とローカライズに採用される。
実運用データを用いた各種異常シナリオ実験により,提案手法の有効性を検証した。
実験結果はこう示しています
(i)自動エンコーダは、f1スコア96.86%のファイバ障害又は異常を検出する。
(ii)注意に基づく双方向ゲート再帰単位アルゴリズムは、検出された異常を平均98.2%の精度で識別し、平均根平均二乗誤差0.19mで障害を局在化する。
関連論文リスト
- A Low-cost Strategic Monitoring Approach for Scalable and Interpretable
Error Detection in Deep Neural Networks [6.537257913467249]
深層コンピュータビジョンネットワークのための高能率ランタイムモニタリング手法を提案する。
ハードウェアメモリと入力障害の両方から発生するサイレントデータの破損を効率よく検出することができる。
論文 参考訳（メタデータ） (2023-10-31T10:45:55Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Gated Recurrent Unit based Autoencoder for Optical Link Fault Diagnosis
in Passive Optical Networks [0.0]
受動光ネットワークにおけるファイバ故障の同定と局所化のための深層学習手法を提案する。
実験の結果,提案手法は97%の精度で断層を検知し, RMSE0.18mでピンポイントし, 従来の手法より優れていた。
論文 参考訳（メタデータ） (2022-03-19T09:26:07Z) - Reflective Fiber Faults Detection and Characterization Using
Long-Short-Term Memory [0.0]
本研究では,長い短期記憶(LSTM)に基づく新たな学習モデルを提案し,繊維反射欠陥の反射率を検出し,検出し,推定する。
実験の結果,提案手法は短時間で優れた検出能力と高精度な位置推定を実現することができた。
論文 参考訳（メタデータ） (2022-03-19T08:45:45Z) - ML-based Anomaly Detection in Optical Fiber Monitoring [0.0]
本稿では,光ネットワークにおける異常検出と故障同定のためのデータ駆動手法を提案し,ファイバブレークや光タッピングなどの物理的攻撃を診断する。
実運用データを用いた各種攻撃シナリオを用いた実験により,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-02-23T19:43:37Z) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳（メタデータ） (2022-01-20T06:36:35Z) - Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。
ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文 参考訳（メタデータ） (2021-07-27T09:56:49Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z) - 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) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。