APEX: 무선 엣지 운영을 위한 예측 및 이상 탐지용 네트워크 네이티브 시계열 기초 모델

초록

일반적인 시계열 기반 모델은 신호가 버스트성이고 영-과잉이며 프로토콜 계층 간 결합된 무선 네트워크 텔레메트리에 대해 전이 성능이 낮다. 본 논문에서는 엔터프라이즈 AP 텔레메트리 예측을 위한 네트워크 네이티브 디코더 전용 트랜스포머인 APEX를 제안하고, 대표적인 네트워크 작업으로 DHCP 성능 저하 시나리오에서 평가한다. APEX는 약 4,500개의 운영 중인 무선 네트워크(~100K AP 시계열, AP당 34개 메트릭)로부터 수집된 10채널 다변량 텔레메트리로 사전 학습되었으며, APEX-Large(269M, 클라우드)와 APEX-Edge(10.5M, 엣지)의 두 가지 버전으로 제공된다. 192스텝(4일) DHCP 성능 저하 벤치마크에서 APEX-Large는 가장 강력한 기반 모델 베이스라인(Toto) 대비 MAE 18%, SARIMA 대비 38% 감소를 달성하고 이상 탐지 F1=0.93을 기록하며, APEX-Edge는 AP급 엣지 하드웨어에서 1초 미만의 프라이버시 보존 추론을 가능하게 한다. 이러한 결과는 네트워크 네이티브 사전 학습이 사전 대응적 무선 운영을 위한 실용적인 기반이 될 수 있음을 시사한다.

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.