基于双层联邦图神经网络的电信网络故障检测
机器学习
2023-11-27 v1 网络与互联网体系结构
摘要
5G及更高代际网络变得日益复杂与异构，来自各类新兴应用的多样化且高标准的需求不断涌现。电信网络的复杂性与多样性给维护与运营工作带来越来越大的压力。此外，严格的安全与隐私要求给移动运营商利用网络数据带来了挑战。为检测网络故障并缓解未来故障，已有工作聚焦于借助传统ML/DL方法定位网络中的异常。当前方法虽强大，却未考虑嵌入式且软件密集的无线接入网络系统相互交织的特性。在本文中，我们提出一种双层联邦图神经网络异常检测与诊断模型，能够以隐私保护的方式检测电信网络中的异常，同时将通信成本降至最低。我们的方法围绕将电信数据概念化为双层时序图神经网络展开。第一层图捕获网络中暴露于不同部署场景的不同RAN节点间的交互，而每个独立的无线接入网络节点进一步被细化为自身的软件（SW）执行图。此外，我们使用联邦学习来解决隐私与安全限制。进而，我们在三种设定下研究异常检测模型的性能：（1）集中式（2）联邦学习（3）个性化联邦学习，所用数据来自一个实际运营网络。我们全面的实验表明，个性化联邦时序图神经网络方法优于最常用的异常检测技术。
引用
@article{arxiv.2311.14469,
title = {Fault Detection in Telecom Networks using Bi-level Federated Graph Neural Networks},
author = {R. Bourgerie and T. Zanouda},
journal= {arXiv preprint arXiv:2311.14469},
year = {2023}
}
备注
This paper has been accepted as part of the The 2nd International Workshop on Federated Learning with Graph Data, colocated at EEE ICDM 2023