APEX: Сетевая фундаментальная модель временных рядов для прогнозирования и обнаружения аномалий в операциях беспроводной границы

Аннотация

Универсальные фундаментальные модели временных рядов плохо переносятся на телеметрию беспроводных сетей, сигналы которой отличаются импульсностью, избыточностью нулей и взаимосвязью на разных уровнях протокола. Мы представляем APEX — сетевой трансформер только с декодером для прогнозирования телеметрии корпоративных точек доступа (AP) и оцениваем его на задаче деградации DHCP как репрезентативной сетевой задаче. APEX предварительно обучен на 10-канальной многомерной телеметрии от ~4 500 производственных беспроводных сетей (~100 000 временных рядов AP, 34 метрики на AP) и доступен в версиях APEX-Large (269M, облако) и APEX-Edge (10,5M, периферия). На эталонном тесте деградации DHCP длительностью 192 шага (4 дня) APEX-Large снижает MAE на 18% по сравнению с наиболее сильным фундаментальным базовым решением (Toto) и на 38% по сравнению с SARIMA, достигая F1 для обнаружения аномалий = 0,93, тогда как APEX-Edge обеспечивает субсекундный вывод с сохранением конфиденциальности на периферийном оборудовании класса AP. Эти результаты свидетельствуют о том, что сетевое предварительное обучение является практической основой для проактивного управления беспроводными сетями.

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.