Leveraging Spatiotemporal Relations for Predicting Potential Link Failures
Notice bibliographique
Résumé
Being able to predict link failures in advance would be of great benefit to network operators. We use Machine Learning (ML) techniques to extract temporal and spatial relations from real network data and use them to predict link failures. We use Interior Gateway Protocol (IGP) configuration changes as a guide to achieve this. We predict link failures in the next five days based on data collected from the previous five days. We propose a modified Variational Auto Encoder (VAE) model to compress the higher dimensional dataset into a latent space that captures time-based relations in the data. We demonstrate that five days is the smallest look-back window of time required to get satisfactory prediction results. Using feature importance plots, we learned that the VAE model was able to capture intricate time-based dependencies in the error counter features to achieve good performance. In addition, using a Graph Convolutional Network (GCN), we were able to aggregate data from neighboring links to improve the model's performance. Neighbors up to two hops away carried relevant information in IGP metric settings and in traffic metric counter features. The relevance of the correlation of the features in time and space is confirmed using standard feature importance wrapper methods. Finally, by combining the VAE and GCN components, we were able to extract spatial and temporal features in conjunction, leading to further improvements. These ML approaches significantly improve existing manual methods of tracking metrics in time and space currently followed by the operator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».