Fault Detection in Telecom Networks using Bi-level Federated Graph Neural Networks

要約

5G 以降のネットワークはますます複雑かつ異種化しており、さまざまな新しいアプリケーションからの多様で高度な要件が求められます。
電気通信ネットワークの複雑さと多様性により、メンテナンスと運用の負担が増大しています。
さらに、セキュリティとプライバシーの厳格な要件により、携帯電話事業者がネットワーク データを活用することが困難になります。
ネットワーク障害を検出し、将来の障害を軽減するために、これまでの研究では、従来の ML/DL 手法を活用してネットワーク内の異常を特定することに重点が置かれていました。
現在のアプローチは強力ではありますが、組み込み無線アクセス ネットワーク システムとソフトウェア集約型の無線アクセス ネットワーク システムの絡み合った性質を考慮していません。
この論文では、通信コストを最小限に抑えながら、プライバシーを保護した方法で通信ネットワークの異常を検出できる、二層フェデレーテッド グラフ ニューラル ネットワークの異常検出および診断モデルを提案します。
私たちの手法は、通信データを 2 レベルの時間グラフ ニューラル ネットワークとして概念化することを中心に展開しています。
最初のグラフは、ネットワーク内のさまざまな展開シナリオにさらされているさまざまな RAN ノード間の相互作用をキャプチャしており、個々の無線アクセス ネットワーク ノードはソフトウェア (SW) 実行グラフにさらに精緻化されています。
さらに、プライバシーとセキュリティの制限に対処するために Federated Learning を使用します。
さらに、運用ネットワークからの実世界データを使用して、(1) 集中型 (2) フェデレーテッド ラーニング (3) パーソナライズされたフェデレーテッド ラーニングの 3 つの設定の下で異常検出モデルのパフォーマンスを調査します。
私たちの包括的な実験により、パーソナライズされたフェデレーテッド テンポラル グラフ ニューラル ネットワーク手法が、異常検出に最も一般的に使用される手法よりも優れていることがわかりました。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google