On Board-Level Failure Localization in Optical Transport Networks Using Graph Neural Network
Notice bibliographique
Résumé
This paper investigates a novel framework for board-level failure localization in the Optical Transport Networks (OTN), dubbed Board-Alarm Propagation Tree based Failure Localization (BAPT-FL). Foremost, a collection of functional graphs (FGs) is garnered by iteratively tagging each board in the network topology, serving as the ground of the proposed framework. Concretely, BAPT-FL is designed to build a range of BAPTs by correlating the tagged boards and alarms involved in the FGs, where each BAPT deems a failed board and its corre-lated alarms as the root and leaves, respectively. To evaluate the edge weights of potential BAPTs induced by FGs, a graph neural network (GNN) with the graph transformer operator is employed as an edge classifier, which characterizes each vertex/edge from diverse dimensions including time, traffic distribution, network topology, and board/alarm attributes. Subsequently, we frame an integer linear programming (ILP) problem to construct the best possible BAPT(s). Extensive case studies are conducted to showcase BAPT-FL's advantage over its counterparts in terms of the metrics assessing the identified failed boards/root alarms. We also delve into its performance in volatile environmental variations such as diverse 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 | 0,001 |
| 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 ».