論文の概要: Machine Learning for Real-Time Anomaly Detection in Optical Networks
- arxiv url: http://arxiv.org/abs/2306.10741v1
- Date: Mon, 19 Jun 2023 07:17:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:58:04.675386
- Title: Machine Learning for Real-Time Anomaly Detection in Optical Networks
- Title（参考訳）: 光ネットワークにおけるリアルタイム異常検出のための機械学習
- Authors: Sadananda Behera, Tania Panayiotou, Georgios Ellinas
- Abstract要約: 本研究では,エンコーダ・デコーダ(ED)深層学習モデルの複数ステップ先進予測機能を利用したリアルタイム異常検出手法を提案する。
特に、エンコーダ・デコーダは、過去のQoT(Quality-of-Transmission)観測を分析して、長期の水平線(すなわち数日先)上でのソフトフェイル進化をモデル化するために用いられる。
- 参考スコア（独自算出の注目度）: 3.899824115379246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes a real-time anomaly detection scheme that leverages the
multi-step ahead prediction capabilities of encoder-decoder (ED) deep learning
models with recurrent units. Specifically, an encoder-decoder is used to model
soft-failure evolution over a long future horizon (i.e., for several days
ahead) by analyzing past quality-of-transmission (QoT) observations. This
information is subsequently used for real-time anomaly detection (e.g., of
attack incidents), as the knowledge of how the QoT is expected to evolve allows
capturing unexpected network behavior. Specifically, for anomaly detection, a
statistical hypothesis testing scheme is used, alleviating the limitations of
supervised (SL) and unsupervised learning (UL) schemes, usually applied for
this purpose. Indicatively, the proposed scheme eliminates the need for labeled
anomalies, required when SL is applied, and the need for on-line analyzing
entire datasets to identify abnormal instances (i.e., UL). Overall, it is shown
that by utilizing QoT evolution information, the proposed approach can
effectively detect abnormal deviations in real-time. Importantly, it is shown
that the information concerning soft-failure evolution (i.e., QoT predictions)
is essential to accurately detect anomalies.
- Abstract（参考訳）: 本研究では,エンコーダ・デコーダ(ED)深層学習モデルの複数ステップ先進予測機能を利用したリアルタイム異常検出手法を提案する。
特に、エンコーダデコーダは、過去のQoT(Quality-of-Transmission)観測を分析して、長期の水平線(すなわち数日先)上でのソフトフェイル進化をモデル化するために用いられる。
この情報はその後、QoTの進化を期待する知識によって予期せぬネットワークの振る舞いを捉えることができるため、リアルタイムな異常検出(例えば、攻撃事件)に使用される。
特に、異常検出には統計仮説テストスキームを使用し、通常はこの目的に適用される教師付き(SL)および教師なし学習(UL)スキームの制限を緩和する。
提案手法は,SLの適用時に必要となるラベル付き異常や,異常事例(UL)を特定するためのデータセット全体をオンライン解析する必要性を排除した。
全体として,QoT進化情報を利用することで,提案手法はリアルタイムに異常な偏差を効果的に検出できることが示されている。
重要なこととして,ソフトフェイルな進化(qot予測)に関する情報は,異常を正確に検出するために不可欠であることが示されている。
関連論文リスト
- Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。
本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
論文 参考訳（メタデータ） (2024-04-15T15:42:12Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳（メタデータ） (2022-12-05T14:29:16Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time
Series [14.236092062538653]
Masked Anomaly Detection (MAD) は多変量時系列異常検出のための汎用的な自己教師型学習タスクである。
入力の一部をランダムにマスキングしてモデルをトレーニングすることで、MADは従来の左から右への次のステップ予測(NSP)タスクよりも改善される。
実験の結果,MADは従来のNSP法よりも優れた異常検出率が得られることが示された。
論文 参考訳（メタデータ） (2022-05-04T14:55:42Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - SALAD: Self-Adaptive Lightweight Anomaly Detection for Real-time
Recurrent Time Series [1.0437764544103274]
本稿では,Long Short-Term Memory(LSTM)と呼ばれる特殊タイプのリカレントニューラルネットワークに基づく自己適応型軽量異常検出手法であるSALADを紹介する。
2つの実世界のオープンソース時系列データセットに基づく実験により、SALADは他の5つの最先端の異常検出アプローチよりも精度が高いことが示された。
さらに、結果はSALADが軽量であり、コモディティマシンにデプロイできることも示しています。
論文 参考訳（メタデータ） (2021-04-19T10:36:23Z) - LSTM for Model-Based Anomaly Detection in Cyber-Physical Systems [4.020523898765404]
異常検出は、与えられたコンテキストにおけるシステムの通常の振る舞いとは異なるデータを検出するタスクである。
LSTM(Long Short-Term Memory)ニューラルネットワークは、時系列を学習するのに特に有用であることが示されている。
私たちは、人工データと実データに対するアプローチを分析します。
論文 参考訳（メタデータ） (2020-10-29T15:26:08Z)
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。