Fugu-MT 論文翻訳(概要): Automated Fault Detection in 5G Core Networks Using Large Language Models

論文の概要: Automated Fault Detection in 5G Core Networks Using Large Language Models

arxiv url: http://arxiv.org/abs/2512.19697v1
Date: Mon, 24 Nov 2025 15:55:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-29 00:37:57.075164
Title: Automated Fault Detection in 5G Core Networks Using Large Language Models
Title（参考訳）: 大規模言語モデルを用いた5Gコアネットワークの故障自動検出
Authors: Parsa Hatami, Ahmadreza Majlesara, Ali Majlesi, Babak Hossein Khalaj,
Abstract要約: 本研究では,大規模言語モデル(LLM)を用いてネットワーク故障検出と分類を自動化する。データセットには、さまざまなネットワークコンポーネント(pod)からのログに加えて、システム記述、ラウンドトリップ時間(RTT)テスト、ポッドステータス情報などの補完データが含まれている。このデータセット上のAPIによりGPT-4.1ナノモデルを微調整し,ベースモデルと比較して欠陥検出精度が大幅に向上した。
参考スコア（独自算出の注目度）: 0.9041331849728441
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rapid growth of data volume in modern telecommunication networks and the continuous expansion of their scale, maintaining high reliability has become a critical requirement. These networks support a wide range of applications and services, including highly sensitive and mission-critical ones, which demand rapid and accurate detection and resolution of network errors. Traditional fault-diagnosis methods are no longer efficient for such complex environments.\cite{b1} In this study, we leverage Large Language Models (LLMs) to automate network fault detection and classification. Various types of network errors were intentionally injected into a Kubernetes-based test network, and data were collected under both healthy and faulty conditions. The dataset includes logs from different network components (pods), along with complementary data such as system descriptions, events, Round Trip Time (RTT) tests, and pod status information. The dataset covers common fault types such as pod failure, pod kill, network delay, network loss, and disk I/O failures. We fine-tuned the GPT-4.1 nano model via its API on this dataset, resulting in a significant improvement in fault-detection accuracy compared to the base model. These findings highlight the potential of LLM-based approaches for achieving closed-loop, and operator-free fault management, which can enhance network reliability and reduce downtime-related operational costs for service providers.
Abstract（参考訳）: 現代の通信ネットワークにおけるデータボリュームの急激な増加と、そのスケールの継続的な拡大により、信頼性の維持が重要な要件となっている。これらのネットワークは、高度に敏感でミッションクリティカルなアプリケーションを含む幅広いアプリケーションやサービスをサポートし、ネットワークエラーの迅速かつ正確な検出と解決を要求する。従来の故障診断法は、そのような複雑な環境においてもはや効率的ではない。本稿では,大規模言語モデル(LLM)を用いてネットワーク故障検出と分類を自動化する。さまざまなタイプのネットワークエラーがKubernetesベースのテストネットワークに意図的に注入され、データは正常な状態と障害のある状態の両方で収集された。データセットには、さまざまなネットワークコンポーネント(pod)からのログに加えて、システム記述やイベント、ラウンドトリップ時間(RTT)テスト、ポッドステータス情報など、補完的なデータが含まれている。このデータセットは、ポッド障害、ポッドキル、ネットワーク遅延、ネットワーク損失、ディスクI/O障害などの一般的な障害タイプをカバーする。このデータセット上のAPIを用いてGPT-4.1ナノモデルを微調整し,ベースモデルと比較して欠陥検出精度が大幅に向上した。これらの知見は, ネットワークの信頼性を高め, サービスプロバイダのダウンタイムに関連する運用コストを削減できる, クローズドループを実現するためのLCMベースのアプローチの可能性を明らかにするものである。

関連論文リスト

HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。既存の手法の精度、F1スコア、精度を著しく上回っている。
論文参考訳（メタデータ） (2025-11-06T16:15:19Z)
Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
論文参考訳（メタデータ） (2025-04-22T07:42:07Z)
NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文参考訳（メタデータ） (2024-12-30T00:47:49Z)
Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。ディープラーニングによる異常検出が重要な方向として現れている。エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文参考訳（メタデータ） (2024-11-06T15:38:31Z)
Root Cause Analysis of Anomalies in 5G RAN Using Graph Neural Network and Transformer [0.9895793818721335]
5G無線アクセスネットワーク(RAN)における異常検出と根本原因解析のための最先端手法を提案する。グラフネットワークを利用して空間的関係をキャプチャし、Transformerモデルを使用してデータの時間的依存関係を学習する。結果は、Simbaの優位性を確認するために、既存のソリューションと比較される。
論文参考訳（メタデータ） (2024-06-21T20:34:08Z)
Robust Multimodal Failure Detection for Microservice Systems [32.25907616511765]
AnoFusionは、マイクロサービスシステムに対する教師なしの障害検出アプローチである。異種マルチモーダルデータの相関を学習し、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合する。これはそれぞれ0.857と0.922のF1スコアを達成し、最先端の故障検出手法より優れている。
論文参考訳（メタデータ） (2023-05-30T12:39:42Z)
Anomaly Detection Dataset for Industrial Control Systems [1.2234742322758418]
産業制御システム(ICS)はサイバー攻撃の対象となり、ますます脆弱になりつつある。機械学習アルゴリズムを評価するのに適したデータセットがないことは、課題である。本稿では、教師付きおよび教師なしMLベースのIDS評価のためのネットワークデータとプロセス状態変数ログを提供する「ICS-Flow」データセットを提案する。
論文参考訳（メタデータ） (2023-05-11T14:52:19Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
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)
Proactive Network Maintenance using Fast, Accurate Anomaly Localization and Classification on 1-D Data Series [2.8876310962094727]
PNM(Proactive Network maintenance)は、ネットワークからのデータを使用してネットワークの障害を特定し、特定する概念である。本稿では,Deep Convolutional Neural Networksを利用して,データ系列上の異常や事象を効率的かつ正確に検出するアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-17T04:27:20Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。