APEX : un modèle de fondation natif du réseau pour séries temporelles destiné à la prévision et à la détection d'anomalies pour les opérations en périphérie sans fil

Résumé

Les modèles génériques de séries temporelles se transfèrent mal aux données de télémétrie des réseaux sans fil, dont les signaux sont sporadiques, surabondants de zéros et couplés entre les couches protocolaires. Nous présentons APEX, un transformateur natif du réseau, à décodeur seul, pour la prévision de la télémétrie des points d'accès (AP) en environnement professionnel, et l'évaluons sur la dégradation du protocole DHCP en tant que tâche réseau représentative. APEX est pré-entraîné sur des données de télémétrie multivariées à 10 canaux provenant d'environ 4 500 réseaux sans fil en production (~100 000 séries temporelles d'AP, 34 métriques par AP), et est disponible en version APEX-Large (269 M, cloud) et APEX-Edge (10,5 M, périphérie). Sur un benchmark de dégradation DHCP de 192 pas (4 jours), APEX-Large réduit l'erreur absolue moyenne (MAE) de 18 % par rapport à la meilleure ligne de base fondation-modèle (Toto) et de 38 % par rapport à SARIMA, avec un score F1 de détection d'anomalies de 0,93, tandis qu'APEX-Edge permet une inférence en moins d'une seconde, respectueuse de la vie privée, sur du matériel périphérique de type AP. Ces résultats suggèrent que le pré-entraînement natif du réseau constitue une base pratique pour des opérations sans fil proactives.

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.