可解释且可解释的深度约束自编码器用于O-RAN流量异常检测
信息论
2025-02-14 v1 math.IT
摘要
生成式人工智能技术已成为下一代无线通信系统不可或缺的组成部分，通过实现复杂数据建模和特征提取来提升网络性能。 在开放式无线接入网络（O-RAN）领域，这些网络以其非均匀的体系结构和来自多个供应商的异构组件为特色，部署生成模型为网络管理提供了显著优势，如流量分析、流量预测和异常检测。然而，O-RAN的复杂和动态特性引入了挑战，这些挑战不仅需要精确的检测机制，还需要降低复杂度、提高可扩展性，最重要的是提高可解释性，以促进有效的网络管理。在本研究中，我们引入XAInomaly框架，这是一个用于O-RAN异常检测的可解释且可解释的半监督深度约束自编码器（DeepCAE）设计。我们的方案利用半监督DeepCAE模型的生成式建模能力，学习正常网络行为的压缩、稳健表示，这些表示捕获关键特征，使其能够识别表明异常的偏差。为了解决深度学习模型的黑箱问题，我们提出了一种称为fastshap-C的反应式可解释人工智能（XAI）技术。
引用
@article{arxiv.2502.09194,
title = {XAInomaly: Explainable and Interpretable Deep Contractive Autoencoder for O-RAN Traffic Anomaly Detection},
author = {Osman Tugay Basaran and Falko Dressler},
journal= {arXiv preprint arXiv:2502.09194},
year = {2025}
}
备注
22 pages, 9 Figures, Submitted to Journal (First revision completed)