論文の概要: Dynamic Management of a Deep Learning-Based Anomaly Detection System for 5G Networks
- arxiv url: http://arxiv.org/abs/2601.15177v1
- Date: Wed, 21 Jan 2026 16:54:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-22 21:27:50.467055
- Title: Dynamic Management of a Deep Learning-Based Anomaly Detection System for 5G Networks
- Title（参考訳）: 5Gネットワークのためのディープラーニングに基づく異常検出システムの動的管理
- Authors: Lorenzo Fernández Maimó, Alberto Huertas Celdrán, Manuel Gil Pérez, Félix J. García Clemente, Gregorio Martínez Pérez,
- Abstract要約: Fogとモバイルエッジコンピューティング(MEC)は、今後の第5世代(5G)モバイルネットワークにおいて重要な役割を果たす。
本稿では,5G モバイルネットワークにおける MEC 指向のソリューションを提案し,リアルタイムかつ自律的にネットワーク異常を検出する。
- 参考スコア（独自算出の注目度）: 7.9589094448209705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fog and mobile edge computing (MEC) will play a key role in the upcoming fifth generation (5G) mobile networks to support decentralized applications, data analytics and management into the network itself by using a highly distributed compute model. Furthermore, increasing attention is paid to providing user-centric cybersecurity solutions, which particularly require collecting, processing and analyzing significantly large amount of data traffic and huge number of network connections in 5G networks. In this regard, this paper proposes a MEC-oriented solution in 5G mobile networks to detect network anomalies in real-time and in autonomic way. Our proposal uses deep learning techniques to analyze network flows and to detect network anomalies. Moreover, it uses policies in order to provide an efficient and dynamic management system of the computing resources used in the anomaly detection process. The paper presents relevant aspects of the deployment of the proposal and experimental results to show its performance.
- Abstract（参考訳）: フォッグとモバイルエッジコンピューティング(MEC)は、高度に分散された計算モデルを使用して、分散化されたアプリケーション、データ分析、ネットワーク自体の管理をサポートする、今後の第5世代(5G)モバイルネットワークにおいて重要な役割を果たす。
さらに、ユーザ中心のサイバーセキュリティソリューションの提供に注意が払われており、特に5Gネットワークにおける大量のデータトラフィックと膨大な数のネットワーク接続の収集、処理、分析を必要としている。
本稿では,5Gモバイルネットワークにおいて,リアルタイムかつ自律的にネットワーク異常を検出するためのMEC指向のソリューションを提案する。
提案手法は,ネットワークフローを分析し,ネットワーク異常を検出するためのディープラーニング技術である。
さらに、異常検出プロセスで使用されるコンピューティングリソースの効率的な動的管理システムを提供するためにポリシーを使用する。
本稿では,提案手法の展開と,その性能を示す実験結果について述べる。
関連論文リスト
- 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) - Distributing Intelligence in 6G Programmable Data Planes for Effective In-Network Intrusion Prevention [2.563180814294141]
本研究の目的は、将来のプログラマブルネットワークの典型的なデータプレーンのデバイスが異常検出機能を有し、完全に分散した方法で協調してML対応侵入防止システムとして機能する破壊的パラダイムを提案することである。
報告された概念実証実験は、提案されたパラダイムによって、デバイス全体のCPUやRAMリソースの削減を図りながら、効果的かつ良好な精度で作業することが可能であることを実証している。
論文 参考訳（メタデータ） (2024-10-31T15:14:15Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳（メタデータ） (2022-11-15T13:00:25Z) - An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and
Characterization [3.5573601621032935]
本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。
ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
論文 参考訳（メタデータ） (2022-09-21T15:21:59Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - A Model Drift Detection and Adaptation Framework for 5G Core Networks [3.5573601621032935]
本稿では,5Gコアネットワークのためのモデルドリフト検出および適応モジュールを提案する。
5Gコアネットワークの機能プロトタイプを使用して、ユーザの振る舞いのドリフトをエミュレートし、提案したフレームワークをデプロイしてテストする。
論文 参考訳（メタデータ） (2022-08-08T13:29:38Z) - Towards Supporting Intelligence in 5G/6G Core Networks: NWDAF
Implementation and Initial Analysis [3.5573601621032935]
本稿では,NWDAFをオープンソースソフトウェアを用いて開発した5Gネットワークに組み込む。
5Gネットワークの期待される限界は,6Gネットワーク開発へのモチベーションとして議論される。
論文 参考訳（メタデータ） (2022-05-30T14:15:46Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge
Intelligence [76.96698721128406]
モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。
本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
論文 参考訳（メタデータ） (2022-01-27T10:02:54Z) - Q-Learning for Conflict Resolution in B5G Network Automation [0.9625436987364907]
この研究は、中央集権的なオーケストレーションの代替として、ネットワーク自動化におけるコンフリクト解決のための広範囲なインテリジェンスを探求する。
ネットワーク自動化のためのQラーニング分散アプローチを提案し,ネットワークスライス自動スケーリングへの応用について検討した。
論文 参考訳（メタデータ） (2021-07-28T11:00:16Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z)
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。