論文の概要: Uncovering Issues in the Radio Access Network by Looking at the Neighbors

• arxiv url: http://arxiv.org/abs/2504.14686v1
• Date: Sun, 20 Apr 2025 17:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 20:49:11.903769
• Title: Uncovering Issues in the Radio Access Network by Looking at the Neighbors
• Title（参考訳）: 隣人から見た無線アクセスネットワークの問題点
• Authors: José Suárez-Varela, Andra Lutu,
• Abstract要約: RAN Mobile ネットワーク用のコンテキストアノマリー dEectiontitor である c-ANEMON について述べる。 本手法は, 個々の細胞の挙動を局所的に解析することにより, 変動を捉える。 提案手法におけるGNNモデルは,これまで見つからなかった領域の細胞に効果的に一般化することを示す。
• 参考スコア（独自算出の注目度）: 1.0548283943423917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile network operators (MNOs) manage Radio Access Networks (RANs) with massive amounts of cells over multiple radio generations (2G-5G). To handle such complexity, operations teams rely on monitoring systems, including anomaly detection tools that identify unexpected behaviors. In this paper, we present c-ANEMON, a Contextual ANomaly dEtection MONitor for the RAN based on Graph Neural Networks (GNNs). Our solution captures spatio-temporal variations by analyzing the behavior of individual cells in relation to their local neighborhoods, enabling the detection of anomalies that are independent of external mobility factors. This, in turn, allows focusing on anomalies associated with network issues (e.g., misconfigurations, equipment failures). We evaluate c-ANEMON using real-world data from a large European metropolitan area (7,890 cells; 3 months). First, we show that the GNN model within our solution generalizes effectively to cells from previously unseen areas, suggesting the possibility of using a single model across extensive deployment regions. Then, we analyze the anomalies detected by c-ANEMON through manual inspection and define several categories of long-lasting anomalies (6+ hours). Notably, 45.95% of these anomalies fall into a category that is more likely to require intervention by operations teams.
• Abstract（参考訳）: 移動ネットワークオペレータ (MNO) は、複数の無線世代 (2G-5G) にまたがる大量のセルを持つ無線アクセスネットワーク (RAN) を管理する。 このような複雑性に対処するため、運用チームは、予期しない振る舞いを識別する異常検出ツールを含む、監視システムに依存している。 本稿では、グラフニューラルネットワーク(GNN)に基づくRANのためのコンテキストアノマリーdEtection MONitorであるc-ANEMONについて述べる。 本手法は,各細胞の局所的な挙動を解析し,外部移動因子に依存しない異常の検出を可能にすることで,時空間変動を捉える。 これにより、ネットワークの問題(例えば、設定ミス、機器の故障など)に関連する異常に焦点を当てることが可能になる。 欧州の大都市圏(7,890細胞、3ヶ月)の実際のデータを用いてc-ANEMONを評価した。 まず、我々のソリューション内のGNNモデルが、これまで見つからなかった領域のセルに効果的に一般化できることを示し、広範に展開された領域で単一のモデルを使用することの可能性を示す。 その後,手動検査により検出された異常を解析し,長期異常(6時間以上)のいくつかのカテゴリを定義した。 注目すべきは、これらの異常の45.95%が、運用チームによる介入を必要とする可能性のあるカテゴリに分類されていることである。

関連論文リスト

• Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks [0.18416014644193066]
  本稿では,半自律型アノマルールマイナを提案する。 これは離散データと時系列データの両方に適用できる。 無線アクセスネットワーク(RAN)異常検出ユースケース用に調整されている。
  論文  参考訳（メタデータ） (2025-01-11T15:42:25Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• Detecting Contextual Network Anomalies with Graph Neural Networks [4.671648049111933]
  ネットワークトラフィック計測におけるコンテキスト異常検出として,この問題を定式化する。 本稿では,GNNをベースとした独自のソリューションを提案し,起点決定フロー上のトラフィック異常を検出する。 その結果, 本法で検出された異常は, ベースラインが検出した異常と非常に相補的であることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T12:45:43Z)
• ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
  時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。 近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。 本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-13T02:17:19Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• 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)
• 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)
• TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks [1.9290392443571387]
  本稿では,時系列中の異常を検出するため,TAnoGanと呼ばれる新しいGANベースの教師なし手法を提案する。 さまざまな領域をカバーする46のリアルタイム時系列データセットを用いて,TAnoGanを評価した。
  論文  参考訳（メタデータ） (2020-08-21T16:24:51Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。