論文の概要: Explainable Anomaly Detection in 5G Networks through Continuous Time Graphs

• arxiv url: http://arxiv.org/abs/2611.06225v1
• Date: Wed, 04 Nov 2026 09:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.044754
• Title: Explainable Anomaly Detection in 5G Networks through Continuous Time Graphs
• Title（参考訳）: 連続時間グラフによる5Gネットワークにおける説明可能な異常検出
• Abstract要約: 本稿では,動的グラフとしての5Gネットワーク交換の形式化を提案し,グラフに基づく学習の分野での手法を適用し,異常を効果的に検出する。 この表現は、シーケンシャルおよびトポロジ的コンテキストを同時にキャプチャしながら、パケットレベルのセマンティック内容のきめ細かい分析を可能にする。
• 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: 5G networks increasingly resemble distributed systems in their design. It then becomes crucial to move beyond traditional network-based detection methods and to explore alternative approaches. In this work, we propose a formalization of 5G network exchanges as a dynamic graph, on which we apply techniques from the field of graph-based learning to detect anomalies effectively. This representation allows for fine-grained analysis of packet-level semantic content, while simultaneously capturing sequential and topological contexts, both of which are essential for identifying sophisticated and multi-stage attacks. To assess the effectiveness of this formalism, we evaluate it with the most popular dynamic graph models, demonstrating its potential for 5G anomaly detection.
• Abstract（参考訳）: 5Gネットワークは、ますます分散システムに似ています。 そして、従来のネットワークベースの検出方法を超えて、代替アプローチを検討することが重要になります。 本研究では,動的グラフとしての5Gネットワーク交換の形式化を提案し,グラフに基づく学習の分野での手法を適用し,異常を効果的に検出する。 この表現は、パケットレベルのセマンティック内容のきめ細かい分析を可能にし、同時にシーケンシャルおよびトポロジ的コンテキストをキャプチャする。 このフォーマリズムの有効性を評価するため、最も人気のある動的グラフモデルを用いて評価し、5G異常検出の可能性を示した。

関連論文リスト

• Multi-domain anomaly detection in a 5G network [0.0]
  本稿では,3次元の交通相関によるマルチドメイン異常検出手法を提案する。 これらの領域を独立して考えるのに限られる従来のアプローチとは異なり、我々の手法はそれらの相関を研究して、グローバルで一貫性があり、説明可能な異常の見解を得る。
  論文  参考訳（メタデータ） (2025-06-04T07:40:08Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• A Deep Learning Framework for Evaluating Dynamic Network Generative Models and Anomaly Detection [0.0]
  本稿では,DGSP-GCN(グラフ畳み込みネットワークに基づく動的グラフ類似度予測)を提案する。 グラフ畳み込みネットワークと動的グラフ信号処理技術を統合し、生成モデルを評価し、動的ネットワークの異常を検出する統一的なソリューションを提供する。 WikiMath、Chickenpox、PedalMe、MontevideoBus、MetraLaの5つの実世界のデータセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-15T09:19:09Z)
• Anomaly Detection in Dynamic Graphs: A Comprehensive Survey [0.23020018305241333]
  本稿では,動的グラフを用いた異常検出の包括的,概念的概要について述べる。 既存のグラフベースの異常検出(AD)技術とその動的ネットワークへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-31T18:54:00Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Latent Evolution Model for Change Point Detection in Time-varying Networks [11.442584422147368]
  グラフベースの変化点検出(CPD)は、時間変化ネットワークにおける異常グラフの発見において、不可能な役割を担っている。 実際には、ソーシャルネットワーク、トラフィックネットワーク、レーティングネットワークといった現実世界のグラフは、時間とともに常に進化している。 潜在進化モデルを用いた動的グラフの新しいCPD法を提案する。
  論文  参考訳（メタデータ） (2022-12-17T07:39:35Z)
• Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
  DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。 本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。 提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-06-18T02:27:19Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。