مقاله تشخیص خطا در شبکه‌های مخابراتی با استفاده از شبکه‌های عصبی گراف فدرال دو سطحی

چکیده

5G and Beyond Networks become increasingly complex and heterogeneous, with diversified and high requirements from a wide variety of emerging applications. The complexity and diversity of Telecom networks place an increasing strain on maintenance and operation efforts. Moreover, the strict security and privacy requirements present a challenge for mobile operators to leverage network data. To detect network faults, and mitigate future failures, prior work focused on leveraging traditional ML/DL methods to locate anomalies in networks. The current approaches, although powerful, do not consider the intertwined nature of embedded and software-intensive Radio Access Network systems. In this paper, we propose a Bi-level Federated Graph Neural Network anomaly detection and diagnosis model that is able to detect anomalies in Telecom networks in a privacy-preserving manner, while minimizing communication costs. Our method revolves around conceptualizing Telecom data as a bi-level temporal Graph Neural Networks. The first graph captures the interactions between different RAN nodes that are exposed to different deployment scenarios in the network, while each individual Radio Access Network node is further elaborated into its software (SW) execution graph. Additionally, we use Federated Learning to address privacy and security limitations. Furthermore, we study the performance of anomaly detection model under three settings: (1) Centralized (2) Federated Learning and (3) Personalized Federated Learning using real-world data from an operational network. Our comprehensive experiments showed that Personalized Federated Temporal Graph Neural Networks method outperforms the most commonly used techniques for Anomaly Detection.

چکیده به فارسی (ترجمه ماشینی)

شبکه های 5G و فراتر از آن به طور فزاینده ای پیچیده و ناهمگن می شوند ، با نیازهای متنوع و زیاد از طیف گسترده ای از برنامه های نوظهور.پیچیدگی و تنوع شبکه های مخابراتی فشار بیشتری در تلاش برای نگهداری و عملکرد ایجاد می کند.علاوه بر این ، الزامات سختگیرانه امنیتی و حریم خصوصی برای اپراتورهای تلفن همراه برای بهره گیری از داده های شبکه مشکلی ایجاد می کند.برای تشخیص گسل های شبکه و کاهش خرابی های آینده ، کار قبلی با تمرکز بر استفاده از روشهای سنتی ML/DL برای یافتن ناهنجاری ها در شبکه ها متمرکز شده است.رویکردهای فعلی ، گرچه قدرتمند است ، اما ماهیت درهم تنیده سیستم های دسترسی رادیویی تعبیه شده و نرم افزاری را در نظر نمی گیرند.در این مقاله ، ما یک مدل تشخیص و تشخیص شبکه عصبی از شبکه عصبی نمودار دو سطح را پیشنهاد می کنیم که قادر به تشخیص ناهنجاری ها در شبکه های مخابراتی به صورت حفظ حریم خصوصی است ، در حالی که هزینه های ارتباطی را به حداقل می رساند.روش ما حول مفهوم سازی داده های مخابراتی به عنوان یک شبکه عصبی نمودار زمانی دو سطح است.نمودار اول تعامل بین گره های مختلف RAN را که در معرض سناریوهای مختلف استقرار در شبکه قرار دارند ، ضبط می کند ، در حالی که هر گره شبکه دسترسی رادیویی جداگانه بیشتر در نمودار اجرای نرم افزار (SW) خود توضیح داده می شود.علاوه بر این ، ما از یادگیری فدرال برای پرداختن به محدودیت های حریم خصوصی و امنیتی استفاده می کنیم.علاوه بر این ، ما عملکرد مدل تشخیص ناهنجاری را تحت سه تنظیمات بررسی می کنیم: (1) متمرکز (2) یادگیری فدرال و (3) یادگیری فدرال شخصی با استفاده از داده های دنیای واقعی از یک شبکه عملیاتی.آزمایش های جامع ما نشان داد که روش شبکه های عصبی نمودار زمانی فدراسیون شخصی ، متداول ترین تکنیک های برای تشخیص ناهنجاری است.