APEX: Um Modelo Fundacional de Séries Temporais Nativo de Rede para Previsão e Detecção de Anomalias para Operações de Borda Sem Fio

Resumo

Modelos de série temporal de propósito geral transferem-se mal para telemetria de redes sem fio, cujos sinais são irregulares, com inflação de zeros e acoplados entre camadas de protocolo. Apresentamos o APEX, um transformador apenas com decodificador nativo de rede para previsão de telemetria de APs empresariais, e o avaliamos na degradação de DHCP como uma tarefa de rede representativa. O APEX é pré-treinado em telemetria multivariada de 10 canais de aproximadamente 4.500 redes sem fio de produção (~100 mil séries temporais de APs, 34 métricas por AP) e está disponível como APEX-Large (269M, nuvem) e APEX-Edge (10,5M, borda). Em um benchmark de degradação de DHCP de 192 etapas (4 dias), o APEX-Large reduz o MAE em 18% em relação à base de modelo fundamental mais forte (Toto) e 38% em relação ao SARIMA, com F1 de detecção de anomalias = 0,93, enquanto o APEX-Edge viabiliza inferência subsegundo com preservação de privacidade em hardware de borda de classe AP. Esses resultados sugerem que o pré-treinamento nativo de rede é uma base prática para operações proativas sem fio.

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.