大规模移动网络中基于可扩展上下文感知图注意力的无监督异常检测

移动网络运营商必须监控数千个异构网络元素，包括无线接入网和数据包核心，每种元素暴露高维 KPI 时间序列。规模和 incident 标注成本使监督方法难以实用，激励对抗 context 迁移和 nonstationarity 的无监督异常检测。我们提出了 C-MTAD-GAT(Context-aware Multivariate Time-series Anomaly Detection with Graph Attention)，一种 designed to operate as a single shared model across large populations of network elements 的异常检测框架。该模型将时序和特征级图注意力与轻量级静态和动态 context 条件相结合，并采用双头解码器进行重建和多步预测。它产生每元素、每特征的异常得分，通过基于验证残差的无监督阈值转换为 alert。 在随 DC-VAE \cite{garcia2023onemodel} 一起发布的 TELCO 数据集上，C-MTAD-GAT 在 event-level affiliation 和 pointwise F1 指标上均优于先前的图注意力和 VAE 基线方法，同时生成的 alert 更少。我们随后将同一系统应用于来自移动网络运营商的全国规模无线接入和演化数据包核心控制平面计数数据，其已部署。运营商反馈表明，alert 可操作且支持日常监控，显示在不依赖标注 incident 的情况下实现跨域扩展性。