APEX: Un modelo fundamental de series temporales nativo de red para pronóstico y detección de anomalías en operaciones de borde inalámbrico

Resumen

Los modelos base de series temporales genéricos se transfieren mal a la telemetría de redes inalámbricas, cuyas señales son intermitentes, presentan inflación de ceros y están acopladas entre capas de protocolo. Presentamos APEX, un transformador nativo de la red, solo con decodificador, para pronosticar la telemetría empresarial de puntos de acceso (AP), y lo evaluamos en la degradación de DHCP como tarea de red representativa. APEX se preentrena con telemetría multivariante de 10 canales de aproximadamente 4,500 redes inalámbricas de producción (~100,000 series temporales de AP, 34 métricas por AP), y está disponible como APEX-Large (269M, en la nube) y APEX-Edge (10.5M, en el borde). En un punto de referencia de degradación de DHCP de 192 pasos (4 días), APEX-Large reduce el MAE en un 18% respecto al modelo base más fuerte (Toto) y en un 38% respecto a SARIMA, con un F1 de detección de anomalías de 0.93, mientras que APEX-Edge permite una inferencia subsegundo que preserva la privacidad en hardware de borde de clase AP. Estos resultados sugieren que el preentrenamiento nativo de la red es una base práctica para las operaciones inalámbricas proactivas.

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.