論文の概要: Fault Detection in Telecom Networks using Bi-level Federated Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2311.14469v1
• Date: Fri, 24 Nov 2023 13:23:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 14:57:42.093389
• Title: Fault Detection in Telecom Networks using Bi-level Federated Graph Neural Networks
• Title（参考訳）: Bi-level Federated Graph Neural Networks を用いた通信ネットワークの故障検出
• Authors: R. Bourgerie, T. Zanouda
• Abstract要約: テレコムネットワークの複雑さと多様性は、メンテナンスと運用の努力に負担を掛けている。 厳格なセキュリティとプライバシ要件は、モバイルオペレータがネットワークデータを活用する上での課題である。 本稿では,二値グラフニューラルネットワークの異常検出と診断モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 5G and Beyond Networks become increasingly complex and heterogeneous, with diversified and high requirements from a wide variety of emerging applications. The complexity and diversity of Telecom networks place an increasing strain on maintenance and operation efforts. Moreover, the strict security and privacy requirements present a challenge for mobile operators to leverage network data. To detect network faults, and mitigate future failures, prior work focused on leveraging traditional ML/DL methods to locate anomalies in networks. The current approaches, although powerful, do not consider the intertwined nature of embedded and software-intensive Radio Access Network systems. In this paper, we propose a Bi-level Federated Graph Neural Network anomaly detection and diagnosis model that is able to detect anomalies in Telecom networks in a privacy-preserving manner, while minimizing communication costs. Our method revolves around conceptualizing Telecom data as a bi-level temporal Graph Neural Networks. The first graph captures the interactions between different RAN nodes that are exposed to different deployment scenarios in the network, while each individual Radio Access Network node is further elaborated into its software (SW) execution graph. Additionally, we use Federated Learning to address privacy and security limitations. Furthermore, we study the performance of anomaly detection model under three settings: (1) Centralized (2) Federated Learning and (3) Personalized Federated Learning using real-world data from an operational network. Our comprehensive experiments showed that Personalized Federated Temporal Graph Neural Networks method outperforms the most commonly used techniques for Anomaly Detection.
• Abstract（参考訳）: 5GとBeyond Networksはますます複雑でヘテロジニアスになり、さまざまな新興アプリケーションから多種多様で高い要件が求められている。 テレコムネットワークの複雑さと多様性は、メンテナンスと運用の努力に負担を掛けている。 さらに、厳格なセキュリティとプライバシ要件は、モバイルオペレータがネットワークデータを活用する上での課題である。 ネットワーク障害を検出し、将来の障害を軽減するために、従来のML/DLメソッドを活用してネットワーク内の異常を見つけることに注力した。 現在のアプローチは強力だが、組み込みおよびソフトウェア集約型無線アクセスネットワークシステムの相互接続性は考慮していない。 本稿では,通信コストを最小化しつつ,通信ネットワークの異常をプライバシ保存的に検出できるバイレベルフェデレーショングラフニューラルネットワーク異常検出および診断モデルを提案する。 本手法は,双方向時間グラフニューラルネットワークとして通信データを概念化する。 第1のグラフは、ネットワーク内の異なるデプロイメントシナリオに暴露される異なるRANノード間のインタラクションをキャプチャし、各Radio Access Networkノードは、そのソフトウェア(SW)実行グラフにさらに詳しく記述されている。 さらに、私たちはプライバシーとセキュリティの制限に対処するために連合学習を使用します。 さらに,(1)集中型(2)フェデレーション学習,(3)実世界データを用いたパーソナライズされたフェデレーション学習という3つの条件下での異常検出モデルの性能について検討した。 包括的実験により,パーソナライズされた時間的グラフニューラルネットワーク法は,異常検出に最もよく用いられる手法よりも優れていることが示された。

関連論文リスト

• Fault Detection in Mobile Networks Using Diffusion Models [0.0]
  本稿では,生成型AIモデルを用いて通信網の異常を検出するシステムを提案する。 拡散モデルを用いて、異常検出のためのモデルを訓練するいくつかの戦略を評価する。
  論文  参考訳（メタデータ） (2024-04-14T12:59:35Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction [0.0]
  ANOMULYは、多重化動的ネットワークのための教師なしエッジ異常検出フレームワークである。 我々は、ANOMULYが、脳疾患や障害を示す可能性のある異常な脳活動を理解するための新しいツールとして、どのように使われるかを示す。
  論文  参考訳（メタデータ） (2022-11-15T18:25:40Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks [6.631773993784724]
  そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。 HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
  論文  参考訳（メタデータ） (2021-04-12T13:36:32Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
  GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。 GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。 提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
  論文  参考訳（メタデータ） (2021-02-22T16:42:37Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)

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。