A Novel Framework for Optical Layer Device Board Failure Localization in Optical Transport Network
Notice bibliographique
Résumé
This paper presents a novel framework called Failure-Alarm Correlation Tree based Failure Localization (FACT-FL), designed to localize failed optical layer device boards in an Optical Transport Network (OTN). Specifically, FACT-FL aims to construct a set of FACTs by correlating the failed boards and alarms, where each FACT takes one failed board and its correlated alarms as the root and leaves, respectively. Furthermore, a FACT consists of a suite of kth order Failure-Alarm Correlation Chains (k-FACCs) with different order values of k. Each k-FACC indicates the chain-like correlation established by k alarms due to one common failed board. To identify all previously undetected k-FACCs, a set of binary classifiers is trained that characterizes each k-FACC from various dimensions, including time, network topology, traffic distribution, and board/alarm attributes. Eventually, an integer linear programming (ILP) problem is formulated to extract the most likely FACT(s) from those k-FACCs. Extensive case studies demonstrate the superior results of FACT-FL in terms of metrics evaluating the identified failed boards and root alarms. We also analyze its performance under different maximum order values of k and environmental changes, including failure scenarios, network topologies, traffic distributions, and noise alarms.
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 | 0,001 |
| 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 ».