論文の概要: TelApart: Differentiating Network Faults from Customer-Premise Faults in Cable Broadband Networks
- arxiv url: http://arxiv.org/abs/2412.09740v1
- Date: Thu, 12 Dec 2024 22:07:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-16 15:01:42.768988
- Title: TelApart: Differentiating Network Faults from Customer-Premise Faults in Cable Broadband Networks
- Title（参考訳）: TelApart:ケーブルブロードバンドネットワークにおけるネットワーク障害とカスタマプリミズ障害の区別
- Authors: Jiyao Hu, Zhenyu Zhou, Xiaowei Yang,
- Abstract要約: 本稿では,ケーブルブロードバンドネットワークの故障診断システムであるTelApartを紹介する。
TelApartの設計と統合することは、同じ異常パターンを共有するケーブルデバイスをグループ化する教師なしの機械学習モデルである。
我々は,ケーブルISPが提供した実世界のデータを用いて,TelApartが様々な種類の障害を効果的に識別できることを示す。
- 参考スコア（独自算出の注目度）: 12.235603878539546
- License:
- Abstract: Two types of radio frequency (RF) impairments frequently occur in a cable broadband network: impairments that occur inside a cable network and impairments occur at the edge of the broadband network, i.e., in a subscriber's premise. Differentiating these two types of faults is important, as different faults require different types of technical personnel to repair them. Presently, the cable industry lacks publicly available tools to automatically diagnose the type of fault. In this work, we present TelApart, a fault diagnosis system for cable broadband networks. TelApart uses telemetry data collected by the Proactive Network Maintenance (PNM) infrastructure in cable networks to effectively differentiate the type of fault. Integral to TelApart's design is an unsupervised machine learning model that groups cable devices sharing similar anomalous patterns together. We use metrics derived from an ISP's customer trouble tickets to programmatically tune the model's hyper-parameters so that an ISP can deploy TelApart in various conditions without hand-tuning its hyper-parameters. We also address the data challenge that the telemetry data collected by the PNM system contain numerous missing, duplicated, and unaligned data points. Using real-world data contributed by a cable ISP, we show that TelApart can effectively identify different types of faults.
- Abstract（参考訳）: ケーブルブロードバンドネットワークでは2種類の電波障害が頻繁に発生し、ケーブルネットワーク内で発生する障害とブロードバンドネットワークの端で発生する障害、すなわち加入者の前提で発生する障害である。
これらの2つの断層の区別は、異なる断層が修理に異なる種類の技術要員を必要とするため重要である。
現在、ケーブル業界は、障害のタイプを自動的に診断するツールが公開されていない。
本稿では,ケーブルブロードバンドネットワークの故障診断システムであるTelApartについて述べる。
TelApartは、ケーブルネットワークにおけるPNM(Proactive Network maintenance)インフラストラクチャによって収集されたテレメトリデータを使用して、障害のタイプを効果的に区別する。
TelApartの設計と統合することは、同じ異常パターンを共有するケーブルデバイスをグループ化する教師なしの機械学習モデルである。
我々は、ISPの顧客のトラブルチケットから派生したメトリクスを使用して、モデルのハイパーパラメータをプログラム的にチューニングし、ISPがハイパーパラメータを手動で調整することなく、さまざまな条件でTelApartをデプロイできるようにします。
また、PNMシステムによって収集されたテレメトリデータには、欠落、重複、不整合のデータポイントが多数含まれている。
ケーブルISPが提供した実世界のデータを用いて、TelApartは様々な種類の障害を効果的に識別できることを示す。
関連論文リスト
- Flow Graph-Based Classification of Defects4J Faults [49.38684825106323]
Defects4Jのようなソフトウェア障害データセットは、個々の障害の位置と修復を提供するが、障害の特徴は示さない。
本稿では,プログラムの制御およびデータフローグラフ表現に基づく,新たな直接故障分類手法を提案する。
論文 参考訳（メタデータ） (2025-02-04T13:10:28Z) - Improving the Reliability of Cable Broadband Networks via Proactive Network Maintenance [12.235603878539546]
ケーブルブロードバンドネットワークは、アメリカ合衆国で広く普及している数少ない「ラストマイル」ブロードバンド技術の一つである。
パブリックドメインの既存のツールは、高い偽陽性率を禁止しています。
PNMデータに機械学習技術を適用する最初のパブリックドメインシステムであるCableMonを提案する。
論文 参考訳（メタデータ） (2024-12-12T18:49:11Z) - Communication-Efficient Federated Learning over Wireless Channels via Gradient Sketching [23.523969065599193]
帯域制限の無線チャネルに適したFPS(Federated Proximal Sketching)を提案する。
FPSはバンド幅のボトルネックに対処し、効率的な圧縮を可能にするためにカウントスケッチデータ構造を使用する。
合成および実世界の両方のデータセットにおける最先端手法と比較して,FPSの安定性,精度,効率性を実証する。
論文 参考訳（メタデータ） (2024-10-30T20:01:08Z) - Parameter-tuning-free data entry error unlearning with adaptive
selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。
本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。
このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文 参考訳（メタデータ） (2024-02-06T14:04:31Z) - Continual learning for surface defect segmentation by subnetwork
creation and selection [55.2480439325792]
破滅的な忘れを伴わずにセグメンテーションタスクを実行する,新たな連続的(あるいは寿命の長い)学習アルゴリズムを導入する。
この方法は、2つの異なる表面欠陥分割問題に適用され、漸進的に学習される。
当社のアプローチでは,すべてのトレーニングデータ(すべての欠陥)を同時に見る場合,共同トレーニングと同等の結果が得られます。
論文 参考訳（メタデータ） (2023-12-08T15:28:50Z) - Fault Monitoring in Passive Optical Networks using Machine Learning
Techniques [0.0]
PONシステムにおける障害監視のための機械学習(ML)アプローチを提案する。
実験的な光時間領域反射法(OTDR)データを用いて検証する。
論文 参考訳（メタデータ） (2023-07-08T09:59:19Z) - Faulty Branch Identification in Passive Optical Networks using Machine
Learning [0.0]
パッシブ光ネットワーク(PON)は有望なブロードバンドアクセスネットワークソリューションとなっている。
PONシステムはネットワークの障害を素早く特定し、ローカライズするために、常に監視されなければならない。
機械学習(ML)ベースのアプローチは、PONシステムにおける光学的欠陥を管理する大きな可能性を示している。
論文 参考訳（メタデータ） (2023-04-03T20:59:16Z) - 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) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - Condition Assessment of Stay Cables through Enhanced Time Series
Classification Using a Deep Learning Approach [4.648677931378919]
本研究では,無傷状態からバイアスパターンを認識し,測定ケーブル力によるケーブル損傷を検知するデータ駆動方式を提案する。
提案手法は, ケーブルを損傷したケーブル架設橋上で試験した。
論文 参考訳（メタデータ） (2021-01-11T05:08:19Z) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳（メタデータ） (2020-07-03T16:31:15Z)
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。