APEX: Ein netzwerknatives Zeitreihen-Basismodell zur Prognose und Anomalieerkennung für drahtlose Edge-Operationen

Zusammenfassung

Allgemeine grundlegende Zeitreihenmodelle übertragen sich nur schlecht auf Telemetriedaten drahtloser Netzwerke, deren Signale stoßartig, null-inflatiert und schichtübergreifend gekoppelt sind. Wir stellen APEX vor, einen netzwerknativen Decoder-Transformer zur Prognose von Unternehmens-AP-Telemetrie, und evaluieren ihn anhand der DHCP-Verschlechterung als repräsentativer Netzwerkaufgabe. APEX wird auf 10-kanaliger multivariater Telemetrie von ca. 4.500 produktiven WLAN-Netzwerken (ca. 100.000 AP-Zeitreihen, 34 Metriken pro AP) vortrainiert und ist als APEX-Large (269 M Parameter, Cloud) und APEX-Edge (10,5 M Parameter, Edge) verfügbar. Auf einem 192-Schritte (4-Tage)-Benchmark zur DHCP-Verschlechterung reduziert APEX-Large den MAE um 18 % gegenüber der stärksten Foundation-Modell-Baseline (Toto) und um 38 % gegenüber SARIMA, bei einem F1-Wert von 0,93 für die Anomalieerkennung, während APEX-Edge eine subsekundige, datenschutzschützende Inferenz auf AP-ähnlicher Edge-Hardware ermöglicht. Diese Ergebnisse deuten darauf hin, dass netzwerknatives Vortraining eine praktikable Grundlage für proaktiven drahtlosen Betrieb darstellt.

English

Generic time-series foundation models transfer poorly to wireless network telemetry whose signals are bursty, zero-inflated, and coupled across protocol layers. We present APEX, a network-native, decoder-only transformer for forecasting enterprise AP telemetry, and evaluate it on DHCP degradation as a representative network task. APEX is pre-trained on 10-channel multivariate telemetry from ~4,500 production wireless networks (~100K AP time series, 34 metrics per AP), and is available as APEX-Large (269M, cloud) and APEX-Edge (10.5M, edge). On a 192-step (4-day) DHCP degradation benchmark, APEX-Large reduces MAE by 18% over the strongest foundation-model baseline (Toto) and 38% over SARIMA, with anomaly-detection F1 = 0.93, while APEX-Edge enables sub-second, privacy-preserving inference on AP-class edge hardware. These results suggest network-native pre-training is a practical foundation for proactive wireless operations.