APEX: ワイヤレスエッジ運用における予測と異常検知のためのネットワークネイティブ時系列基盤モデル

要旨

汎用的な時系列基盤モデルは、無線ネットワークテレメトリに対して効果的に転移できない。無線ネットワークテレメトリの信号は、バースト性、ゼロ過剰性、およびプロトコル層間での結合性を有する。本稿では、エンタープライズAPテレメトリを予測するためのネットワークネイティブなデコーダ専用トランスフォーマーであるAPEXを提案し、代表的なネットワークタスクとしてDHCP障害評価を行う。APEXは、約4,500の実運用無線ネットワーク（約10万AP時系列、APあたり34メトリクス）からの10チャネル多変量テレメトリで事前学習され、APEX-Large（269M、クラウド向け）とAPEX-Edge（10.5M、エッジ向け）として提供される。192ステップ（4日間）のDHCP障害ベンチマークにおいて、APEX-Largeは最強の基盤モデルベースライン（Toto）と比較してMAEを18%削減し、SARIMAと比較して38%削減し、異常検知F1スコアは0.93を達成する。一方、APEX-EdgeはAPクラスのエッジハードウェア上でサブ秒のプライバシー保護推論を実現する。これらの結果は、ネットワークネイティブな事前学習がプロアクティブな無線運用の実用的基盤であることを示唆している。

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.