WBHT：用于检测脉冲网络中黑洞异常的生成式注意力架构
机器学习
2025-07-29 v1 人工智能
摘要
我们提出了 Wasserstein 黑洞变换器 (WBHT) 框架，用于检测通信网络中的黑洞 (BH) 异常。这些异常在不发生故障通知的情况下导致数据包丢失，破坏连接并导致财务损失。WBHT 结合了生成式建模、顺序学习和注意力机制，以提高 BH 异常检测。它将 Wasserstein 生成对抗网络与注意力机制相集成，以实现稳定的训练和准确的异常识别。该模型使用长短期记忆层捕获长期依赖关系，并使用卷积层捕获局部时序模式。一种潜在空间编码机制有助于区分异常网络行为。我们在真实网络数据上进行了测试，WBHT 在现有模型方面取得了显著的改进，F1 分数提升幅度从 1.65% 到 58.76%。其效率和检测以前未被检测到的异常的能力使其成为主动网络监控和安全（尤其是关键任务网络）的有价值工具。
引用
@article{arxiv.2507.20373,
title = {WBHT: A Generative Attention Architecture for Detecting Black Hole Anomalies in Backbone Networks},
author = {Kiymet Kaya and Elif Ak and Sule Gunduz Oguducu},
journal= {arXiv preprint arXiv:2507.20373},
year = {2025}
}