Adaptive WAN Link Anomaly Detection Using Lightweight Packet-Level Features for Branch-to-HQ Network Stability
Notice bibliographique
Résumé
Maintaining stable Wide Area Network (WAN) connectivity between branch offices and centralized headquarters infrastructure is essential for the reliable operation of modern enterprise systems. However, WAN links frequently experience performance degradation caused by congestion, routing instability, and intermittent packet loss, which can significantly disrupt enterprise services such as cloud applications, real-time communications, and data synchronization. This study proposes a lightweight anomaly detection framework designed to monitor branch-to-headquarters WAN links using packet-level telemetry features. The framework utilizes compact statistical indicators derived from packet transmission behaviour, including packet loss ratio, latency deviation, and jitter variance, to characterize network performance conditions. An adaptive anomaly detection model is implemented using a dynamic threshold formulation that adjusts detection boundaries based on the moving average and statistical variance of observed network metrics. The proposed model enables real-time identification of network anomalies while maintaining low computational overhead suitable for deployment on resource-constrained branch routers. Experimental evaluation was conducted using simulated WAN environments representing stable traffic conditions, congestion-induced anomalies, and intermittent packet loss events. The results demonstrate that the lightweight monitoring framework achieves high detection accuracy while maintaining low false-positive rates and reduced detection latency compared with conventional monitoring approaches. The findings indicate that combining packet-level feature engineering with adaptive statistical detection provides an effective and scalable solution for improving WAN stability monitoring in distributed enterprise networks.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».