論文の概要: TempOpt - Unsupervised Alarm Relation Learning for Telecommunication Networks

• arxiv url: http://arxiv.org/abs/2508.08814v2
• Date: Wed, 13 Aug 2025 07:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 11:55:47.626636
• Title: TempOpt - Unsupervised Alarm Relation Learning for Telecommunication Networks
• Title（参考訳）: 通信ネットワークのためのTempOpt-Unsupervised Alarm Relation Learning
• Authors: Sathiyanaryanan Sampath, Pratyush Uppuluri, Thirumaran Ekambaram,
• Abstract要約: 通信ネットワークでは、ネットワークノードによって生成された障害警報をネットワーク操作センターで監視する。 監視プロセスは、アクティブアラーム分析、ルートアラーム識別、根本問題の解決などのタスクからなる。 本稿では,既存のアラーム関係学習手法-時間依存性手法の限界を克服し,実践的な新しい非教師付きアラーム関係学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In a telecommunications network, fault alarms generated by network nodes are monitored in a Network Operations Centre (NOC) to ensure network availability and continuous network operations. The monitoring process comprises of tasks such as active alarms analysis, root alarm identification, and resolution of the underlying problem. Each network node potentially can generate alarms of different types, while nodes can be from multiple vendors, a network can have hundreds of nodes thus resulting in an enormous volume of alarms at any time. Since network nodes are inter-connected, a single fault in the network would trigger multiple sequences of alarms across a variety of nodes and from a monitoring point of view, it is a challenging task for a NOC engineer to be aware of relations between the various alarms, when trying to identify, for example, a root alarm on which an action needs to be taken. To effectively identify root alarms, it is essential to learn relation among the alarms for accurate and faster resolution. In this work we propose a novel unsupervised alarm relation learning technique Temporal Optimization (TempOpt) that is practical and overcomes the limitations of an existing class of alarm relational learning method-temporal dependency methods. Experiments have been carried on real-world network datasets, that demonstrate the improved quality of alarm relations learned by TempOpt as compared to temporal dependency method.
• Abstract（参考訳）: 通信ネットワークでは、ネットワークノードによって生成された障害アラームがネットワーク運用センター(NOC)で監視され、ネットワークの可用性と連続的なネットワーク操作が保証される。 監視プロセスは、アクティブアラーム分析、ルートアラーム識別、根本問題の解決などのタスクからなる。 各ネットワークノードは、異なるタイプのアラームを生成することが可能であり、ノードは複数のベンダーから作成することができるが、ネットワークには数百のノードがあるため、いつでも膨大なアラームが発生する。 ネットワークノードは相互接続されているため、ネットワーク内の単一障害は、さまざまなノードにわたる複数のアラームのシーケンスをトリガーし、監視の観点からは、NOCエンジニアが、アクションを取らなければならないルートアラームを識別しようとするとき、様々なアラーム間の関係を認識することは難しいタスクである。 ルートアラームを効果的に識別するには,アラーム間の関係を高精度かつ高速に学習することが不可欠である。 本研究では,既存のアラーム関係学習手法-時間依存性手法の制約を克服し,実用的かつ克服可能な,教師なしアラーム関係学習技術であるテンポラル最適化(TempOpt)を提案する。 実世界のネットワークデータセットで実験が行われ、TempOptが学習したアラーム関係の質を時間依存性法と比較した。

関連論文リスト

• Unsupervised Network Anomaly Detection with Autoencoders and Traffic Images [1.0589208420411014]
  本稿では,現在のネットワーク条件のコンパクトな要約を実現するための,ネットワークトラフィックのイメージベース表現を提案する。 また,異常を効果的に検出する教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2025-05-22T13:19:30Z)
• Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
  NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。 無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。 エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
  論文  参考訳（メタデータ） (2022-12-19T17:54:36Z)
• Alarm-Based Root Cause Analysis in Industrial Processes Using Deep Learning [0.0]
  本研究の目的は,過去のアラームデータを用いた産業用アラームの関係をモデル化することである。 ケーススタディとして、提案モデルは有名なテネシー・イーストマン・プロセスで実装されている。
  論文  参考訳（メタデータ） (2022-03-21T20:10:48Z)
• Detection of Correlated Alarms Using Graph Embedding [0.0]
  本稿では,人工知能を用いたアラーム検出手法を提案する。 提案手法はグラフ埋め込みとアラームクラスタリングに基づいており,アラームの相関を検出する。
  論文  参考訳（メタデータ） (2022-01-17T05:50:45Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)
• 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)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)
• Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
  ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。 本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
  論文  参考訳（メタデータ） (2020-03-13T15:34:33Z)
• Pelican: A Deep Residual Network for Network Intrusion Detection [7.562843347215287]
  我々は、特別に設計された残留ブロックの上に構築されたディープニューラルネットワークであるペリカンを提案する。 ペリカンは、非常に低い誤報率を維持しながら、高い攻撃検出性能を達成することができる。
  論文  参考訳（メタデータ） (2020-01-19T05:07:48Z)

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。