Fugu-MT 論文翻訳(概要): Adaptive Two-Stage Online Learning for Service-Affecting Failure Detection in Mobile Core Networks

論文の概要: Adaptive Two-Stage Online Learning for Service-Affecting Failure Detection in Mobile Core Networks

arxiv url: http://arxiv.org/abs/2607.18522v1
Date: Mon, 20 Jul 2026 21:33:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.247547
Title: Adaptive Two-Stage Online Learning for Service-Affecting Failure Detection in Mobile Core Networks
Title（参考訳）: モバイルコアネットワークにおけるサービス影響障害検出のための適応型2段階オンライン学習
Abstract要約: 本稿では,モバイルコアネットワークにおけるトラフィックベース障害検出のための2段階オンライン学習フレームワークを提案する。このフレームワークは、事前評価プロトコルの下で完全にオンラインで動作し、計算オーバーヘッドの少ない連続的な適応を可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mobile network operators monitor aggregated traffic volumes to assess the operational health of core network infrastructure. Reliable failure detection is challenging due to strong temporal structure, non-stationarity, measurement artefacts, and extreme class imbalance, which limit static threshold-based monitoring. This paper proposes a two-stage online learning framework for traffic-based failure detection in mobile core networks. Stage I incrementally models normal traffic dynamics using lightweight regression with time-aware features. Stage II analyses prediction residuals together with contextual indicators to detect genuine service-affecting network failures. The framework operates fully online under a prequential evaluation protocol, enabling continuous adaptation with low computational overhead. Across linear and non-linear models, the proposed two-stage architecture achieves the best precision-recall trade-off, attaining the highest recall, F1-score, and AUC at acceptable false positive rates. These results demonstrate the importance of explicit residual decomposition for reliable failure detection in streaming mobile core network data.
Abstract（参考訳）: モバイルネットワークオペレータは、集約されたトラフィックボリュームを監視し、コアネットワークインフラストラクチャの運用状態を評価する。信頼性の高い障害検出は、強い時間構造、非定常性、測定アーチファクト、静的しきい値に基づく監視を制限する極端なクラス不均衡のために難しい。本稿では,モバイルコアネットワークにおけるトラフィックベース障害検出のための2段階オンライン学習フレームワークを提案する。ステージIは、時間認識機能を備えた軽量回帰を使用して、通常のトラフィックダイナミクスを漸進的にモデル化する。ステージIIでは、予測残差とコンテキストインジケータを併用して、真のサービス影響ネットワーク障害を検出する。このフレームワークは、事前評価プロトコルの下で完全にオンラインで動作し、計算オーバーヘッドの少ない連続的な適応を可能にする。線形および非線形モデル全体では、提案された2段階アーキテクチャは、最も高いリコール、F1スコア、AUCを許容される偽陽性率で達成し、最良の精度のリコールトレードオフを達成する。これらの結果は、ストリーミングモバイルコアネットワークデータにおいて、信頼性の高い故障検出のための明示的な残留分解の重要性を示している。

関連論文リスト

A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。通信遅延とオペレーターの物理的に知覚できない未モデル化の環境障害。本稿では,一方的な遠隔操作フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-11T01:51:08Z)
On the Prediction of Wi-Fi Performance through Deep Learning [0.11726720776908521]
このコントリビューションは、成功率を示す重要な指標であるフレームデリバリ比率(FDR)の予測に焦点を当てている。この分析は、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory Network(LSTM)の2つのディープラーニングモデルに焦点を当てている。予備的な結果は、両方のモデルが最小限の情報から、FDRの進化を精度良く予測できることを示している。
論文参考訳（メタデータ） (2025-11-28T21:22:07Z)
Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
論文参考訳（メタデータ） (2025-09-20T11:02:50Z)
Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems [1.1265248232450553]
本稿では,生パケット列上の一般化可能な侵入検出のための自己教師付きコントラスト学習手法を提案する。本フレームワークは,既存のNetFlow自己管理手法と比較して,優れた性能を示す。我々のモデルは,ラベル付き限られたデータを用いた教師付き侵入検知のための強力なベースラインを提供する。
論文参考訳（メタデータ） (2025-05-12T13:42:00Z)
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)
Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach [12.549916064729313]
本稿では拡散型トラフィック行列解析フレームワークDiffusion-TMを提案する。我々は,データセットに5%の既知値が残されている場合でも,我々のフレームワークが有望な結果を得ることができることを示す。
論文参考訳（メタデータ） (2024-11-29T06:20:34Z)
Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
概念の漂流に適応することは、機械学習において難しい課題である。通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
論文参考訳（メタデータ） (2024-04-08T08:47:46Z)
Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文参考訳（メタデータ） (2023-03-18T16:40:10Z)
Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文参考訳（メタデータ） (2022-08-31T18:19:25Z)
Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文参考訳（メタデータ） (2021-03-18T08:47:56Z)
Online Monitoring for Neural Network Based Monocular Pedestrian Pose Estimation [31.70516575859656]
人為的・形復元ネットワークのためのモデルベース・学習型モニタを提案・評価する。データからの損失を効果的に予測する方法を学習するAdversarially-Trained Online Monitorを導入する。
論文参考訳（メタデータ） (2020-05-11T21:40:41Z)

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。