論文の概要: Causal Intervention Sequence Analysis for Fault Tracking in Radio Access Networks

• arxiv url: http://arxiv.org/abs/2511.17505v1
• Date: Thu, 02 Oct 2025 14:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.226381
• Title: Causal Intervention Sequence Analysis for Fault Tracking in Radio Access Networks
• Title（参考訳）: 無線アクセスネットワークにおける障害追跡のための因果干渉シーケンス解析
• Authors: Chenhua Shi, Joji Philip, Subhadip Bandyopadhyay, Jayanta Choudhury,
• Abstract要約: 1)根本原因の可能性のある指標を見つけ出し、(2)これらのイベントが展開する正確な順序を明らかにする。 私たちのモデルは、正常な振る舞いを障害に変える因果連鎖を学習します。 モンテカルロのテストでは、正しいトリガーシーケンスを高精度でピンポイントし、速度を失うことなく数百万のデータポイントにスケールする。
• 参考スコア（独自算出の注目度）: 18.99444800453706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To keep modern Radio Access Networks (RAN) running smoothly, operators need to spot the real-world triggers behind Service-Level Agreement (SLA) breaches well before customers feel them. We introduce an AI/ML pipeline that does two things most tools miss: (1) finds the likely root-cause indicators and (2) reveals the exact order in which those events unfold. We start by labeling network data: records linked to past SLA breaches are marked `abnormal', and everything else `normal'. Our model then learns the causal chain that turns normal behavior into a fault. In Monte Carlo tests the approach pinpoints the correct trigger sequence with high precision and scales to millions of data points without loss of speed. These results show that high-resolution, causally ordered insights can move fault management from reactive troubleshooting to proactive prevention.
• Abstract（参考訳）: 最新のRadio Access Networks(RAN)をスムーズに動作させるために、運用担当者は、顧客がそれを感じる前にSLA(Service-Level Agreement)違反の背後にある現実的なトリガーを見つける必要があります。 1)根本原因の可能性のある指標を見つけ出し、(2)これらのイベントが展開する正確な順序を明らかにする。 ネットワークデータのラベル付けから始めます。過去のSLA違反にリンクしたレコードは‘異常’とマークされ、その他はすべて‘正常’です。 私たちのモデルは、正常な振る舞いを障害に変える因果連鎖を学習します。 モンテカルロのテストでは、正しいトリガーシーケンスを高精度でピンポイントし、速度を失うことなく数百万のデータポイントにスケールする。 これらの結果から,高分解能で因果的に秩序づけられた洞察が,障害管理を能動的トラブルシューティングから予防に移行させる可能性が示唆された。

関連論文リスト

• AutoGraphAD: A novel approach using Variational Graph Autoencoders for anomalous network flow detection [2.4159082914715495]
  AutoGraphADは異種変分グラフオートエンコーダに基づく教師なし異常検出手法である。 タイムウィンドウ内でネットワークアクティビティをキャプチャする接続ノードとIPノードで構成された異種グラフで動作する。 約1.18桁の高速トレーニングと1.03桁の高速推論を実現している。
  論文  参考訳（メタデータ） (2025-11-21T10:22:00Z)
• BLADE: Behavior-Level Anomaly Detection Using Network Traffic in Web Services [7.024862094862467]
  BLADEは、Webサービスのための新しい教師なしトラフィック異常検知システムである。 BLADEはフローオートエンコーダを利用して潜在特徴表現を学習し、フロー毎の再構成損失を算出する。 BLADEはカスタムデータセットとCIC-IDS 2017データセットの両方で広く評価されている。
  論文  参考訳（メタデータ） (2025-11-07T12:25:39Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• EagleEye: Attention to Unveil Malicious Event Sequences from Provenance Graphs [1.3359586871482305]
  エンドポイントのセキュリティは、脅威とアタックの進化の性質のため、難しい。 エンドポイントロギングシステムが成熟するにつれて、プロファイランスグラフ表現は洗練された振る舞いルールの作成を可能にします。 本稿では,行動事象の表現にプロファイランスグラフからリッチな特徴を利用する新しいシステムであるEagleEyeを開発し,提示する。
  論文  参考訳（メタデータ） (2024-08-17T14:48:02Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)

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。