电信网络中的故障检测使用双层联邦图神经网络
本研究提出了一种异构多任务学习图神经网络(MTL-GNN),用于检测、定位和分类故障,同时提供故障电阻和电流的估计。使用图神经网络(GNN)学习配电系统的拓扑表示和特征学习,以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点,从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。
Sep, 2023
本文介绍了一种利用生成 AI 模型检测电信网络异常的系统,通过扩散模型对多元时间序列数据进行训练,提出了用于电信网络时间序列异常检测的框架和优于其他技术的扩散模型架构,并通过对真实数据集的实验验证模型提供了可解释的结果,揭示了其局限性并提出了未来研究方向以进一步增强其能力。
Apr, 2024
利用分布式账本技术和图神经网络构建的受信任的体系结构,解决了 6G 环境下联邦学习的挑战,包括隐私保护和安全问题,并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。
Sep, 2023
本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架,使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测,并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现,准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50%通信开销。
Jul, 2020
5G 技术带来了重大的里程碑发展,允许新的应用,如增强现实和自动驾驶车辆。然而,这些改进带来了管理复杂性的增加和对故障处理的特别关注,因为 5G 旨在支持的应用程序严重依赖于高网络性能和低延迟。因此,自动自愈解决方案已经成为处理这一要求的有效方式,允许基于学习的系统自动检测异常并执行根本原因分析 (RCA)。然而,实施这种智能系统存在固有的挑战。首先,在异常检测和 RCA 方面缺乏合适的数据,因为故障场景的标记数据不常见。其次,当前的智能解决方案针对 LTE 网络定制,没有完全捕捉到数据中存在的时空特征。鉴于此,我们利用一个校准的模拟器 Simu5G,生成开源的正常和故障场景数据。使用该数据,我们提出了 Simba,一个在 5G 无线接入网络 (RANs) 中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系,而 Transformer 模型则用于学习数据的时间依赖性。我们实现了 Simba 的原型并对多个故障进行了评估。将结果与现有解决方案进行比较,验证了 Simba 的优越性。
Jun, 2024
通过图神经网络(GNN)发展了一种检测电力网故障的新方法,旨在增强网络运维中的智能故障诊断能力,该方法借助特殊的电气特征提取模型和知识图谱,通过整合节点的历史和未来状态来辅助当前故障检测,并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性,实验证明该方法可在模拟场景中准确定位故障节点,准确率达到 99.53%,此外,图神经网络的特征建模还可定性揭示故障在节点之间的传播情况,提供有价值的故障节点分析洞察。
Nov, 2023
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021
本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型,通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征,并结合节点的空间位置关系,从而大大提高了鲁棒性和 F1 得分。
Feb, 2022
本文提出了一种新的图序列建模和分析框架,用于检测和上下文化标记、流图数据中的异常。该框架通过增加对社区结构的灵活性来推广 Seshadhri 等人的 BTER 模型,并利用该模型进行多尺度图形异常检测。具体来说,通过在更细的级别上聚合概率来构建描述粗略子图的概率模型,并使用这些紧密相关的分层模型同时检测与期望偏差。本文的方法在标记设置中的社区结构、合成数据集和现实世界数据集上,从节点、子图和图形水平准确地检测异常。
Oct, 2014