面向网络数字孪生的超5G网络故障分类
机器学习
2024-06-12 v1 人工智能
网络与互联网体系结构
摘要
第五代（5G）核心网络在网络数字孪生（NDTs）中是一个包含众多组件的复杂系统，产生大量数据。由于罕见故障类型的存在，这些数据在多类别分类中常导致类别不平衡。为解决这一问题，我们提出了一种将图傅里叶变换（GFT）集成到为 NDTs 设计的消息传递神经网络（MPNN）中的新方法。该方法利用 GFT 将数据转换为图，从而解决类别不平衡问题，而 MPNN 则提取特征并建模网络组件之间的依赖关系。该结合方法在真实和模拟 NDT 环境中识别故障类型，展示了其在 5G 和超越5G（B5G）网络中准确故障分类的潜力。此外，MPNN 在端到端设置下擅长学习邻居中复杂的局部结构。广泛的实验表明，所提出的方法能够在三个多类别领域数据集中识别故障类型，这些数据集在真实网络和 NDT 环境中的多个故障点进行了测试。结果表明，所提出的 GFT-MPNN 能够准确地对 B5G 网络中的网络故障进行分类，尤其是在用于检测故障类型的 NDTs 中发挥作用。
引用
@article{arxiv.2406.06595,
title = {Beyond 5G Network Failure Classification for Network Digital Twin Using Graph Neural Network},
author = {Abubakar Isah and Ibrahim Aliyu and Jaechan Shim and Hoyong Ryu and Jinsul Kim},
journal= {arXiv preprint arXiv:2406.06595},
year = {2024}
}