Бул изилдөө, telekom ağlarında üretilen журналдарdeki olay adlarını ve sayısal trafik мааниlerini birlikte işlemek amacıyla E_LogBERT adlı өзүн-өзү көзөмөлдөгөн bir жасалма интеллект yaklaşımı иштеп чыккан. Изилдөөчүлөр, bmon aracından her iki saniyede bir alınan 45 alım–gönderim metriğini zaman damgalı açıklayıcı cümlelere dönüştürmüş; yedi gün boyunca 13.608.000 журнал satırı ve 27.216.000 символдук-sayısal белгич toplamıştır. Model, символдук метрика kimliğini BERT gömmesiyle, dinamik olarak normalleştirilmiş сандык мааниi ise öğrenilebilir bir doğrusal katmanla aynı 768 boyutlu uzayda birleştirmektedir. Изилдөөda E_LogBERT için %92 тууралык, %90 тактык, %89 сезгичтик, %89,5 F1 ve %96 AUC билдирилген. Ancak тыгындашуу энбелгиlerinin nasıl oluşturulduğu, окутуу ve bağımsız test verilerinin nasıl ayrıldığı, жыйынтыктарın kaç tekrarın орточоsı olduğu ve sistemin tıkanıklığı ne kadar önceden öngördüğü түшүндүрүлгөн эмес.

Yaklaşımın temel farkı, классикалык LogBERT modellerinde çoğu zaman silinen veya tek bir [NUM] belirtecine indirgenen sayısal büyüklükleri korumaya изилдөөsıdır. Örneğin modelin yalnızca “Bytes_Rx” olayını değil, bu metriğin güncel мааниinin olağan aralığın neresinde olduğunu da öğrenmesi hedeflenmektedir. E_LogBERT normal журналдарde maskelenen метрикаларi tahmin eden Masked Log Key Prediction ve normal ağ pencerelerini ortak bir gömme merkezi çevresinde toplayan Volume of Hypersphere Minimization hedefleriyle eğitilmektedir. Anomali puanı bu iki sinyalin birleşiminden üretilmektedir.

Түркия жагынан баалоо: Изилдөөnın yaklaşımı Türkiye’deki telekom operatörleri, internet servis sağlayıcıları, veri merkezleri, kurumsal ağlar, belediye ağ altyapıları ve ağ operasyon merkezlerinde trafik жышluğu ile performans sapmalarının erken izlenmesi için araştırılabilir. Uygulamaya geçmeden önce modelin gerçek operatör ağlarından alınmış ve kişisel verilerden arındırılmış журналдарle; farklı түзмөк üreticileri, 4G–5G çekirdek ağları, sabit жетүү sistemleri, IPv4–IPv6 trafiği ve farklı тыгыздык dönemlerinde doğrulanması gerekir. Gerçek тыгындашуу başlangıcı, божомол горизонту, yanlış сигнал maliyeti ve müdahalenin hizmet kalitesine etkisi açık biçimde ölçülmelidir. Изилдөө Türkiye’deki bir operatörde saha тажрыйбаi, ulusal ağ verisi, üretim ortamı güvenilirliği veya киберчабуул tespit başarжылуулук sunmadığından ülkeye özgü başarı катышы doğrudan çıkarılamaz.

Телеком тармак журналдары эмне үчүн татаал маалымат түрү?

Modern iletişim ağlarında yönlendiriciler, sanal ağ işlevleri, güvenlik duvarları, ses platformları ve izleme araçları үзгүлтүксүз журнал üretmektedir. Bu журналдар yalnızca “olay gerçekleşti” bilgisini değil; alınan ve gönderilen байт miktarı, пакет sayжылуулук, düşürülen пакет, CRC hatası, yeniden birleştirme sorunu ve çok noktaya yayın trafiği gibi үзгүлтүксүз değişen сандык мааниleri de taşır.

Изилдөөnın çıkış noktası, geleneksel журнал analiz modellerinin önemli bir bölümünün сандык мааниleri:

• tamamen kaldırması,
• tek bir [NUM] belirtecine dönüştürmesi,
• metinden bağımsız ayrı istatistikler olarak işlemesi

nedeniyle miktar bilgisini kaybetmesidir. “Bytes_Rx = 100” ile “Bytes_Rx = 100.000” aynı символдук olayı temsil etse de ağın durumu açжылуулукndan aynı anlama gelmez. Tıkanıklık ve bazı güvenlik olayları çoğu zaman olay adından değil, мааниlerin büyüklüğü ve zaman içindeki değişiminden anlaşılabilir.

LogBERTтин негизги ыкмасы эмне?

LogBERT, журнал dizilerini doğal dil cümlelerine benzetir. Bir журнал olayını sözcük, zaman içinde art arda gelen журналдарi ise cümle veya dizi olarak ele alır. BERT’in çift yönlü dikkat mekanizması sayesinde bir olayın hem önceki hem de sonraki olaylarla ilişkisi öğrenilebilir.

Изилдөөda LogBERT’in iki өзүн-өзү көзөмөлдөгөн hedefi temel alınmıştır:

• Masked Log Key Prediction: Dizideki bazı журнал anahtarları maskelenir ve modelden bağlama bakarak eksik anahtarı tahmin etmesi istenir.
• Volume of Hypersphere Minimization: Normal kabul edilen журнал dizilerinin genel gömmeleri ortak bir merkez çevresinde sıkıştırılır.

Normal örüntülerden ayrılan yeni dizilerin maskeli tahmin doğruluğunun düşmesi veya gömme merkezinden uzaklaşması аномалия işareti olarak kullanılmaktadır.

E_LogBERT кайсы боштукту бутага алат?

Изилдөөчүлөрa göre ana boşluk, символдук журнал anahtarlarıyla ilişkili үзгүлтүксүз мааниlerin aynı bağlamsal model içinde işlenememesidir. E_LogBERT aşağıdaki dört katkıyı öne sürmektedir:

1. Ham bmon çıktılarını zaman damgalı açıklayıcı журнал cümlelerine dönüştürmek,
2. Değişen trafik dağılımına göre динамикалык min–max нормалдаштыруу yapmak,
3. Sembolik ve sayısal girdiler için MLKP ile VHM hedeflerini birlikte kullanmak,
4. Veri toplama, окутуу, аномалия puanlama, сигнал ve görselleştirmeyi 13 modülde birleştirmek.

Маалыматтар кантип чогултулган?

Ağ istatistikleri Linux sistemlerinde çalışan bmon, yani Bandwidth Monitor aracıyla elde edilmiştir. bmon her тармак интерфейси için 45 farklı метрика sağlamaktadır. Her metriğin alınan trafik için Rx ve gönderilen trafik için Tx мааниi bulunduğundan her ölçüm turunda toplam 90 символдук метрика oluşmaktadır.

Ölçülen метрикаларden bazıları şunlardır:

• Bytes ve Packets,
• Dropped ve Errors,
• CRC Error, Frame Error ve FIFO Error,
• Collisions ve Carrier Error,
• IPv6 пакет, teslim, yönlendirme ve yeniden birleştirme sayaçları,
• Multicast ve ICMPv6 göstergeleri.

Veri toplama betiği her dakikanın başlangıcına eşitlenmekte, 60 saniyelik баштапкы kararlılığı beklemekte ve WANbridge arabiriminden iki saniyede bir 45 satır okumaktadır. Her satır şu genel kalıba dönüştürülmektedir:

[убакыт белгиси]: Arabirim: Metric_Rx мааниi X iken Metric_Tx мааниi Y.

Beşinci sayfadaki Şekil 1, solda bmon’un sütunlu ve insan tarafından yorumlanması zor ham çıktжылуулукnı, sağda ise her ölçümü zaman damgalı cümleye dönüştüren biçimlendirilmiş журналдарi көрсөтөт. Bu işlem метрика adını, trafik yönünü, birimi ve сандык мааниi korumaktadır.

Тест чөйрөсү чыныгы оператор тармагы беле?

Hayır. Изилдөө gerçekçi bir test ortamı kurmuştur; ancak veri ticari bir mobil operatörün üretim ağından alınmamıştır. Unified Telecom Platform olarak adlandırılan düzenek şu bileşenlerden oluşmaktadır:

• Zorin OS kullanan fiziksel ana makine,
• 8 çekirdekli 3,0 GHz işlemci,
• 32 GB RAM ve 200 GB SSD,
• 16 GB belleğe sahip NVIDIA T4 GPU,
• KVM/QEMU tabanlı sanal makine yöneticisi,
• internet servis sağlayıcı geçidi rolündeki pfSense sanal makinesi,
• VoIP operatör platformu rolündeki Issabel sanal makinesi,
• iki sanal makineyi bağlayan ve izlenen WANbridge arabirimi.

On beşinci sayfadaki Şekil 6, iki sanal makine üzerinde çalışan sanallaştırılmış ağ işlevlerini, жергиликтүү ağ жетүүini ve geniş аянт ağı шилтемеsını көрсөтөт. Bu yapı kontrollü тажрыйба yapılmasına izin vermektedir; ancak gerçek operatör ağındaki түзмөк çeşitliliği, kullanıcı davranışı, protokol karmaşıklığı ve ölçek aynı düzeyde temsil edilmemektedir.

Маалымат топтомунун көлөмү

Her iki saniyelik ölçümde 45 satır ve 90 Rx/Tx мааниi oluşmaktadır. Beş ölçüm turu birleştirilerek on saniyelik 450 белгичlik pencere hazırlanmakta, dizinin başına [CLS] eklenerek toplam giriş uzunluğu 451’e çıkarılmaktadır.

Чийки эсептегичтерден кайсы тармак көрсөткүчтөрү чыгарылат?

Изилдөө bmon sayaçlarının bazı üst düzey göstergeler için kullanılabileceğini белгилейт. Ağ arabirimi kullanım катышы:

\[ U=\frac{T}{C} \]

şeklinde tanımlanmıştır. Burada \(T\) trafik ылдамдыкı, \(C\) ise arabirimin toplam kapasitesidir.

Paket teslim катышы:

\[ PDR=\frac{\sum N_R}{\sum N_S}\times100 \]

olarak verilmiştir. \(\sum N_S\) gönderilen, \(\sum N_R\) alınan пакет sayжылуулукnı көрсөтөт.

Etkin aktarım ылдамдыкı ise булакta:

\[ \mathrm{Throughput}=PDR\times\mathrm{Data\ Rate} \]

ilişkisiyle ifade edilmiştir.

Изилдөөчүлөр belirli sayaçların birlikte artmasını operasyonel ipucu olarak yorumlamaktadır:

• Dropped ve FIFO Error artışı tampon taşmasına,
• CRC Error ile Frame Error artışı fiziksel шилтеме sorunlarına,
• Collision ile Carrier Error artışı çift yön ayarı veya donanım sorununa,
• yüksek пакет sayжылуулук ile düşük байт miktarı küçük пакетli trafik taşmasına

işaret eчыгымlir. Bunlar изилдөөnın teşhis açıklamalarıdır; E_LogBERT тажрыйбаларinde her bir olay için ayrı neden sınıflandırması yapılmamıştır.

Сандык маанилер BERTке кантип өткөрүлгөн?

Изилдөө her giriş konumunda iki bilgi kaynağı bulunduğunu белгилейт:

• Metrik adı gibi ayrık символдук kimlik,
• Normalleştirilmiş үзгүлтүксүз sayısal büyüklük.

Sembolik метрика adı, BERT’in sözcük gömme матрицаinden 768 boyutlu bir vektöre dönüştürülmektedir. Sayısal маани ise:

nn.Linear(1, 768)

katmanı aracılığıyla aynı boyuta izdüşürülmektedir. İki vektör toplanarak modele aktarılmaktadır. Toplama işlemi, BERT’in sözcük, konum ve tür gömmelerini toplamasına benzetilmiştir.

Bu yaklaşımın amaçladığı temsil şu сүрөтde özetlenebilir:

\[ \mathbf{e}_i= \mathbf{e}_{metric,i} + \mathbf{e}_{numeric,i} + \mathbf{e}_{position,i}. \]

Ancak булак metinde aynı мөөнөтç başka bir yerde “метрика adı ile normalleştirilmiş мааниin tek karma белгичte birleştirilmesi” şeklinde açıklanmaktadır. Eğer her farklı сандык маани sözcük dağarcığının parçası olsaydı 92 белгичlik sabit sözlük mümkün olmazdı. Bu nedenle gerçek uygulamanın ayrı символдук gömme ve sayısal izdüşüm yaklaşımı olması daha tutarlı görünmektedir; fakat булак bu ayrımı açık ve çelişkisiz biçimde vermemektedir.

Динамикалык min–max нормалдаштыруу

Sayısal мааниler güncel en küçük ve en büyük мааниlere göre normalize edilmektedir. Genel min–maks dönüşümü:

\[ v_{norm}= \frac{v-v_{min}} {v_{max}-v_{min}} \]

biçimindedir.

Изилдөө bu sınırların yeni trafik мааниleri geldikçe güncellendiğini белгилейт. Böylece sistemin sabit elle ayarlanmış aralıklara bağımlılığı azaltılmak istenmektedir. Ancak:

• minimum ve maksimum мааниlerin hangi zaman penceresinde tutulduğu,
• uç мааниlerin ölçeği bozmasının nasıl önlendiği,
• test verisinin нормалдаштыруу istatistiklerine sızıp sızmadığı,
• ani dağılım değişiminde geçmiş мааниlerin nasıl unutulduğu

түшүндүрүлгөн эмес.

Masked Log Key Prediction максаты

[CLS] dışındaki белгичтерin %15’i кокус maskelenmektedir. Son Transformer katmanındaki gizli vektör, 92 символдук sınıf üzerinde olasılık dağılımına çevrilmektedir:

\[ \mathbf{y}_m= \operatorname{softmax} \left( \mathbf{W}_{MLKP}\mathbf{H}_m+\mathbf{b}_{MLKP} \right). \]

Model normal журнал dizilerinde maskelenen метрикаларi doğru tahmin etmeyi öğrenmektedir. Yeni bir dizi olağan bağlamsal örüntülere uymuyorsa maskeli tahmin doğruluğunun düşmesi beklenmektedir.

Kaynakta çapraz entropi denkleminin gösterimi açık değildir; tahmin olasılığı ile gerçek sınıf göstergesi aynı sembolle yazılmış görünmektedir. Amaçlanan жоготуу, gerçek sınıf göstergesi ile tahmin edilen olasılığın standart çapraz entropisidir.

Volume of Hypersphere Minimization максаты

Her dizinin genel durumu [CLS] belirtecinin 768 boyutlu gömmesiyle temsil edilmektedir. Başlangıçtaki normal dizilerden bir merkez hesaplanmaktadır:

\[ \mathbf{c}= \frac{1}{N_{init}} \sum_{n=1}^{N_{init}} \mathbf{H}_{[CLS],n}. \]

Merkez daha sonra sabit tutulmakta ve normal dizilerin gömmeleri bu merkeze yaklaştırılmaktadır:

\[ L_{VHM}= \frac{1}{B} \sum_{b=1}^{B} \left\| \mathbf{H}_{[CLS],b}-\mathbf{c} \right\|_2^2. \]

Böylece normal ağ durumlarının yüksek boyutlu uzayda kompakt bir küme oluşturması amaçlanmaktadır. Olağan çapraz метрика ilişkilerini bozan dizilerin merkezden daha uzakta kalması beklenmektedir.

Жалпы окутуу максаты

İki өзүн-өзү көзөмөлдөгөн жоготуу ağırlıklı olarak birleştirilmiştir:

\[ L_{total}= \alpha L_{MLKP} + \beta L_{VHM}. \]

Kaynakta genellikle \(\alpha=0{,}5\) ve \(\beta=0{,}5\) kullanıldığı, ayrıca:

\[ \alpha+\beta=1 \]

koşulunun korunduğu belirtilmektedir.

Аномалия упайы кантип эсептелет?

Modelin аномалия упайы, maskeli tahmin doğruluğu ile VHM merkez uzaklığını bir araya getirmektedir:

\[ A(S)= 1- \left[ \alpha\,MLKP_{norm}(S) + \beta\left(1-VHM_{norm}(S)\right) \right]. \]

Puan sıfıra yaklaştıkça dizinin normal, bire yaklaştıkça anormal kabul edilmesi amaçlanmaktadır. Изилдөөda üç operasyonel bölge билдирилген:

Bu eşiklerin ROC analizi, validasyon optimizasyonu veya operasyonel maliyet hesabıyla nasıl belirlendiği gösterilmemiştir. Ayrıca булак, \(\alpha\) ve \(\beta\) мааниlerinin ikisi de sıfır olduğunda puanın 1 olacağını açıklamaktadır. Bu durum daha önce verilen \(\alpha+\beta=1\) чектөөıyla bağdaşmamaktadır.

E_LogBERT моделинин көлөмү

Model değiştirilmiş BERT-Base çekirdeği kullanmaktadır:

• 12 Transformer katmanı,
• 768 gizli boyut,
• 12 dikkat başlığı,
• 451 giriş konumu,
• 90 метрика ve 2 özel белгичten oluşan 92 öğelik sözlük.

Изилдөөda toplam eğitilebilir параметр sayжылуулук 86.691.164 olarak verilmiştir. Standart BERT-Base’in yaklaşık 30 bin sözcüklük gömme таблицаsu yerine 92 метрикаlik küçük sözlük kullanılması sözcük gömme katmanını küçültmektedir. Transformer çekirdeğinin büyük bölümü ise korunmaktadır.

Параметр таблицасындагы маселелер

On birinci ve yirmi dördüncü sayfalardaki параметр таблицаsunda bazı teknik belirsizlikler bulunmaktadır:

• Dikkat bölümünde \(W_V\) iki kez yazılmıştır; satırlardan birinin çıkış izdüşümü \(W_O\) olması muhtemeldir.
• Sayısal маани için açıklanan Linear(1,768) katmanının 768 ağırlık ve 768 bias параметрsi таблицаda görünmemektedir.
• VHM için 768’den 1’e dönüşüm 768 параметр olarak verilmiş, olası bias belirtilmemiştir.
• Tablodaki tek tek kalemler standart BERT katmanındaki bütün bias terimlerini açık biçimde göstermemektedir.

Bu nedenle bildirilen toplam sayı model kodu olmadan yalnızca таблицаdan bağımsız biçimde doğrulanamamaktadır.

Он үч модулдуу система архитектурасы

Sekizinci sayfadaki Şekil 2, model çevresinde çalışan 13 yazılım modülünü bir kilit biçiminde көрсөтөт:

Dokuzuncu sayfadaki Şekil 3, sistemi altı aşamaya ayırmaktadır:

1. Altyapı ve veri üretimi,
2. Yapılandırma ve veri nesneleri,
3. Ön işleme ve on saniyelik pencerelerin hazırlanması,
4. Model окутууi ve чыгаруу,
5. Anomali puanlama ve kayıt,
6. Görselleştirme ile tahmin.

On dördüncü sayfadaki Şekil 5 bütün modüllerin dosya, параметр, model ağırlığı, сигнал ve журнал агымlarını ayrıntılı olarak көрсөтөт. Mimari kapsamlıdır; ancak şeklin karmaşıklığı, sistemin yeniden uygulanabilmesi için tek başına yeterli değildir. Modül булак kodları ve arayüz şemaları paylaşılmamıştır.

Реалдуу убакыттагы иш кантип аныкталган?

Sistem iki saniyede bir yeni ölçüm almakta, beş ölçüm turundan on saniyelik dizi oluşturmakta ve окутуу, чыгаруу ile сигнал мөөнөтcini on saniyelik döngüde yürütmeyi бутага алат.

Beşinci sayfada veri toplama betiğinin test donanımında işlemci kullanımının %5’in altında kaldığı билдирилген. Ancak:

• BERT modelinin tek dizi чыгаруу мөөнөтsi,
• текстураz dönemlik окутууin gerçek мөөнөтsi,
• on saniyelik zaman sınırının kaç döngüde karşılandığı,
• GPU belleği ve энергия tüketimi,
• eş zamanlı birden fazla arabirimde ölçeklenme

ölçülmemiştir. Bu nedenle “реалдуу убакыттагы” niteliği mimari hedef ve gösterim düzeyindedir; tam performans kıyaslamasıyla doğrulanmış değildir.

Жандуу көрсөткүч панели

On ikinci ve yirmi yedinci sayfalardaki Şekil 4, Streamlit tabanlı canlı izleme panelini көрсөтөт. Görselde:

• 156 toplam olay,
• 0,408 аномалия упайы,
• “No Congestion” durumu,
• 0,874 F1 мааниi,
• “Excellent” veri kalitesi,
• zaman içinde аномалия упайы,
• olası ve yaklaşan тыгындашуу eşikleri

yer almaktadır. Gösterge paneli sistemin çalışır bir prototipinin bulunduğunu колдойт. Ancak tek ekran сүрөтsü, сигнал doğruluğunu veya uzun мөөнөтli üretim güvenilirliğini kanıtlamaz.

Салыштырма жыйынтыктар

On yedinci sayfadaki Şekil 7, beş ölçütte E_LogBERT sütunlarının KTeleBERT sütunlarından yüksek olduğunu көрсөтөт. Ancak karşılaştırma protokolü түшүндүрүлгөн эмес:

• KTeleBERT’in aynı veri üzerinde yeniden eğitilip eğitilmediği,
• гиперпараметрlerin nasıl seçildiği,
• iki modelin aynı окутуу ve тест бөлүнүшүni kullanıp kullanmadığı,
• жыйынтыктарın tek изилдөө mı yoksa tekrarların орточоsı mı olduğu

belirtilmemektedir.

Özet LogBERT’in de geride bırагымldığını söylemektedir; buna karşın жыйынтык таблицаsu veya grafiğinde temel LogBERT için сандык маани sunulmamıştır.

Эпоха санынын таасири

Şekil 8, E_LogBERT doğruluğunun текстураzuncu dönemde %92’ye ulaştığını, on birinci dönemde aynı kaldığını ve daha sonra azaldığını көрсөтөт. Изилдөөчүлөр текстураz dönemi тууралык ile zaman maliyeti arasındaki uygun denge olarak seçmiştir.

Düşüş fazla окутууe veya veri агымındaki değişime bağlanabilir; ancak изилдөө окутуу ve doğrulama жоготууlarını, кокус tohumları veya tekrarlı тажрыйбаларi vermediğinden bunun gerçekten aşırı öğrenme olduğu kesinleştirilemez.

“Тыгын божомолу” менен “аномалия аныктоо” ортосундагы айырма

Изилдөөnın баалооsinde önemli bir kavramsal sınır bulunmaktadır. Anomali tespiti, güncel veya geçmiş penceredeki örüntünün normalden sapıp sapmadığını belirler. Gelecek тыгындашуу tahmini ise:

• gelecekteki hedef zamanı,
• öngörü ufkunu,
• gerçekleşen тыгындашуу başlangıcını,
• tahminden olaya kadar geçen мөөнөтyi,
• erken uyarının yanlış сигнал ve kaçırma oranlarını

gerektirir.

E_LogBERT’in аномалия упайы ayrıntılı biçimde verilmiş, fakat gelecek durum kestiriminin hedefi ve баалоо өлчөмдөрү sunulmamıştır. Bu nedenle изилдөө, реалдуу убакыттагы аномалия izleme yeteneğine ilişkin kanıt sunmakta; tıkanıklığı belirli bir мөөнөт önceden tahmin ettiğini aynı açıklıkta далилдебейт.

Киберчабуул аныктоо көрсөтүлгөнбү?

Изилдөө DDoS, küçük пакетli sel trafiği ve olağan dışı bant genişliği artışlarının teorik olarak bmon sayaçlarında görülebileceğini белгилейт. Ancak тажрыйбаларde:

• belirli bir saldırı senaryosu,
• kontrollü saldırı enjeksiyonu,
• saldırı türü энбелгиi,
• saldırı başına сезгичтик,
• yanlış pozitif analizi

sunulmamıştır. Bu nedenle E_LogBERT’in киберчабуулları erken tespit ettiği sonucu бул изилдөөdan çıkarılamaz.

Изилдөөнүн күчтүү жактары

• Sayısal мааниlerin журнал analizinde kaybolması açık bir uygulama sorunu olarak ele alınmıştır.
• Yedi gün boyunca yüksek zaman çözünürlüklü veri toplanmıştır.
• Ham ağ sayaçları zaman damgalı ve açıklayıcı biçime dönüştürülmüştür.
• Rx ve Tx мааниleri ayrı kimliklerle korunmuştur.
• Öz-denetimli öğrenme, энбелгиlenmiş аномалия gereksinimini azaltmayı бутага алат.
• Veri toplama, model, сигнал ve görselleştirme tek modüler sistemde birleştirilmiştir.
• Çalışan canlı izleme paneli сунушталган.
• Parametre sayжылуулук, yazılım bağımlılıkları ve test donanımı билдирилген.
• Kesinlik, сезгичтик, F1 ve AUC yalnızca doğruluğa ek olarak verilmiştir.
• LoRA, federatif öğrenme ve farklı operatörlerde doğrulama gereksinimi gelecek изилдөө olarak kabul edilmiştir.

Изилдөөnın чектөөлөрı

• Изилдөө рецензиядан өткөн эмес.
• Veriler ticari bir operatörün üretim ağı yerine kontrollü bir sanal test ortamından alınmıştır.
• Veri yalnızca yedi журнал tek bir ortamı kapsamaktadır.
• Tıkanıklık örneklerinin nasıl üretildiği ve gerçek энбелгиlerin nasıl belirlendiği түшүндүрүлгөн эмес.
• Eğitim, doğrulama ve тест бөлүнүшү verilmemiştir.
• Zamansal veri sızıntжылуулукnın nasıl önlendiği түшүндүрүлгөн эмес.
• Sınıf dağılımı ve karışıklık матрицаi ham мааниleri bulunmamaktadır.
• Çoklu окутуу tekrarı, standart sapma ve güven aralığı verilmemiştir.
• KTeleBERT karşılaştırmasının aynı koşullarda yapıldığı gösterilmemiştir.
• Temel LogBERT için sayısal karşılaştırma sonucu sunulmamıştır.
• Gelecek божомол горизонту ve erken uyarı мөөнөтsi ölçülmemiştir.
• Dinamik нормалдаштырууnin ayrıntılı algoritması түшүндүрүлгөн эмес.
• Karma белгич açıklaması kendi içinde tutarlı değildir.
• Parametre таблицаsunda eksik veya yinelenen satırlar vardır.
• Anomali eşikleri için doğrulama analizi sunulmamıştır.
• Sürekli окутууin model sürüklenmesi veya anormal veriyi normal olarak öğrenmesi riski incelenmemiştir.
• Model чыгаруу мөөнөтsi ve uçtan uca gecikme ölçülmemiştir.
• Kod, veri, model ağırlıkları ve yeniden üretim betikleri paylaşılmamıştır.
• Siber saldırı tespit performansı тажрыйбаsel olarak sınanmamıştır.

Изилдөө neyi колдойт?

• Sembolik метрика adı ile sayısal büyüklüğün aynı BERT tabanlı modelde işlenebileceğini көрсөтөт.
• bmon çıktılarının zaman damgalı açıklayıcı журнал dizilerine dönüştürülebileceğini көрсөтөт.
• MLKP ve VHM hedeflerinin karma метрика dizilerinde birlikte uygulanabileceğini көрсөтөт.
• On saniyelik pencereler üzerinde аномалия упайы üreten çalışan bir prototip sunmaktadır.
• Kontrollü UTP verisinde bildirilen ölçütlerde KTeleBERT temel sonucundan daha yüksek мааниler elde edildiğini көрсөтөт.
• Gerçek zamanlı көрсөткүч панели ve сигнал kayıt altyapжылуулукnın aynı mimariye bağlanabileceğini көрсөтөт.

Изилдөө neyi далилдебейт?

• E_LogBERT’in gerçek bir mobil operatör ağında %92 тууралыкla çalışacağını далилдебейт.
• Tıkanıklığı belirli bir мөөнөт önceden tahmin ettiğini nicel olarak göstermemektedir.
• KTeleBERT ve LogBERT’ten bütün маалымат топтомдоруnde daha iyi olduğunu далилдебейт.
• Modelin farklı түзмөк üreticileri ve operatör журналдарine yeniden окутуу olmadan aktarılacağını göstermemektedir.
• Siber saldırı türlerini tespit veya sınıflandırdığını göstermemektedir.
• 0,825 ve 0,960 eşiklerinin evrensel olarak geçerli olduğunu göstermemektedir.
• Sürekli çevrim içi окутууin güvenli biçimde model sürüklenmesini önlediğini далилдебейт.
• On saniyelik bütün окутуу ve чыгаруу işlemlerinin belirtilen donanımda her zaman tamamlandığını göstermemektedir.
• Üretim ortamı kullanılabilirliği, hata toleransı veya uzun мөөнөтli işletme kararlılığı sunmamaktadır.
• Güneş энергияli UTP yapжылуулукnın энергия натыйжалууliğini veya karbon etkisini ölçmemektedir.

Өткөн, бүгүн жана келечек жагынан мааниси

Geçmişte ağ izleme büyük ölçüde sabit eşiklere, kural tabanlı сигнал sistemlerine ve insan tarafından hazırlanan gösterge panellerine dayanmıştır. Daha sonra istatistiksel ыкмаler ve журнал dizilerini öğrenen derin ağlar иштелип чыккан. LogBERT gibi modeller bağlamsal olay ilişkilerini öğrenmiş, ancak çoğu uygulamada сандык мааниler ikincil veya жоготуу bilgi olarak kalmıştır.

Bugün açжылуулукndan E_LogBERT’in önemli yönü, журнал olayının adı ile ölçülen sayısal büyüklüğü ortak bir bağlam içinde ele almaya изилдөөsıdır. Bu fikir ağ tıkanıklığı dışında sunucu yükü, veri merkezi performansı, bulut hizmetleri ve endüstriyel telemetri gibi karma журнал sistemlerine de uyarlanabilir.

Gelecekte ыкмаin gerçek мааниi, farklı operatörlerde bağımsız doğrulama, açık veri ve kod, gelecekteki тыгындашуу için tanımlı божомол горизонту, çevrim içi öğrenme güvenliği ve uç түзмөк performansı gösterildiğinde anlaşılabilecektir. Изилдөөчүлөрın önerdiği LoRA ve federatif öğrenme, veri gizliliği ile hesaplama maliyetini azaltma açжылуулукndan araştırılabilir; ancak bu белгилер mevcut изилдөөda uygulanmış değildir.

Изилдөөнүн ыкмасы жана табылгалары

Изилдөө дизайнынын техникалык кыскача мазмуну

Билдирилген негизги аткарым

Şekillerin bilimsel işlevi

Жыйынтыктарды кайра өндүрүү үчүн жетишпеген маалыматтар

• Tıkanıklık sınıfının açık ve ölçülebilir tanımı,
• Normal ve tıkanık örnek sayıları,
• Etiketleme veya olay üretme protokolü,
• Zamana dayalı окутуу–doğrulama–тест бөлүнүшү,
• Rastgele tohumlar ve окутуу tekrarları,
• KTeleBERT ve LogBERT гиперпараметрleri,
• Dinamik нормалдаштыруу penceresi,
• Anomali eşiklerinin seçim ыкмаi,
• Model чыгаруу ve окутуу gecikmeleri,
• Kaynak kodu ve sürüm bilgileri,
• Eğitilmiş model ağırlıkları,
• Ham veya anonimleştirilmiş маалымат топтому.

Техникалык чечмелөө

E_LogBERT’in en anlamlı araştırma fikri, ağ günlüğündeki метрика kimliğini ve sayısal büyüklüğü ayrı fakat ortak boyutlu gömmeler olarak işlemektir. Bu yaklaşım, yalnızca olay sırasını öğrenen modellerin kaçırdığı miktar ilişkilerini dikkat mekanizmasına taşıyabilir.

Bununla birlikte bildirilen yüksek sınıflandırma мааниlerinin kanıt gücü баалоо protokolüne bağlıdır. Aynı yedi журнал zaman dizisinden кокус ayrılmış örtüşen pencereler окутуу ve testte birlikte kullanıldıysa, komşu pencereler arasındaki büyük benzerlik жыйынтыктарı yapay olarak yükseltebilir. Kaynak bölme ыкмаini açıklamadığı için bu olasılık dışlanamamaktadır.

Benzer biçimde, gerçek тыгындашуу энбелгиi tanımlanmadan %92 тууралык tek başına operasyonel anlam taşımaz. Tıkanıklığın kapasite kullanımı, gecikme, пакет kaybı veya hizmet kalitesi eşiğiyle ilişkilendirilmesi ve modelin bu eşiği ne kadar önceden öngördüğünün ölçülmesi gerekir.

Булак жана метод эскертүүсү

Изилдөөnın tam özgün adı: E_LogBERT: Enhanced LogBERT for Realistic Telecom Networks Traffic

Yazarlar: Kareem A. Mostafa, El-Sayed Soliman A. Said, Abdelhady A. Ammar, Sayed A. Nouh ve M. Zaki.

Yazar sıralaması: SSRN расмий kaydındaki sıra korunmuştur.

Eş katkı: Изилдөөnın katkı beyanı bütün yazarların makalenin hazırlanmasına eşit katkı sağladığını белгилейт.

Sorumlu yazar: Kareem A. Mostafa. SSRN kaydında “Contact Author” olarak gösterilmektedir.

Kurum 1: Al-Azhar University, Cairo – Faculty of Engineering, Nasr City, Cairo 11371, Mжылуулукr. Kareem A. Mostafa için билдирилген.

Kurum 2: Al-Azhar University, Qena 83513, Mжылуулукr. El-Sayed Soliman A. Said için билдирилген.

Diğer kurumlar: Abdelhady A. Ammar, Sayed A. Nouh ve M. Zaki’nin kurum байланыштарı yüklenen sürümde ve SSRN расмий kaydında yer almamaktadır.

DOI:10.2139/ssrn.6992595

Resmî булак шилтемеsı:SSRN расмий kayıt sayfası

Yayın platformu: SSRN.

Yükleme tarihi: 24 Haziran 2026.

Yayın yılı: 2026.

Sayfa sayжылуулук: 30.

Dergi: Belirli bir рецензентli dergi adı veya kabul edilmiş dergi sürümü bu булакta yer almamaktadır.

Hakemli yayınevi: Bulunmamaktadır. SSRN bir препринт dağıtım platformudur.

Kaynak türü: Ağ test ortamında veri toplayan, karma символдук-sayısal BERT modeli ve modüler реалдуу убакыттагы izleme prototipi sunan препринт araştırma makalesi.

Hakemlik durumu: Изилдөө рецензиядан өткөн эмес. Dosyanın bütün sayfalarında “Preprint not peer reviewed” uyarжылуулук bulunmaktadır.

Finansman: Açık жетүү finansmanının Science, Technology & Innovation Funding Authority ile Egyptian Knowledge Bank iş birliği tarafından sağlandığı билдирилген. Araştırmanın teknik geliştirme bütçesi veya ayrı proje numarası bildirilmemiştir.

Yazar katkıları: Bütün yazarların özgün fikirlerin geliştirilmesine, makalenin yazılmasına ve bütün bölümlerin incelenmesine eşit katkı sağladığı билдирилген.

Çıkar çatışması: Yazarlar rekabet eden menfaat bulunmadığını beyan etmiştir.

Veri ve materyal жетүүi: “Not applicable” olarak билдирилген. Veri deposu veya anonimleştirilmiş журнал kümesi sunulmamıştır.

Kod ve model жетүүi: Kaynak kodu, model ağırlığı, bağımlılık kilit dosyası veya yeniden üretim пакетi шилтемеsı verilmemiştir.

Temel doğrulama sınırı: Изилдөө, kontrollü UTP test ortamında yüksek performans мааниleri bildirmektedir; ancak bağımsız тест бөлүнүшү, тыгындашуу энбелгиleme ыкмаi, божомол горизонту ve tekrar belirsizlikleri sunulmadığından %92 тууралык gerçek operatör ağı için doğrulanmış performans olarak yorumlanamaz.

Mimari tutarlılık uyarжылуулук: Karma белгич üretimi булакta iki farklı biçimde açıklanmıştır. Parametre таблицаsunda yinelenen \(W_V\) satırı ve eksik sayısal izdüşüm katmanı bulunmaktadır. Bu noktalar sessizce düzeltilmemiştir.

Anomali puanı uyarжылуулук: Eğitim ağırlıkları için \(\alpha+\beta=1\) koşulu verilirken, daha sonra \(\alpha=\beta=0\) durumu yorumlanmıştır. Bu iki tanım matematiksel olarak birlikte geçerli değildir.

Tahmin iddiası sınırı: Изилдөө anlık аномалия упайы ve тыгындашуу sınıflandırması sunmaktadır; gelecekteki tıkanıklığın kaç saniye veya dakika önceden öngörüldüğünü ölçen ayrı bir тажрыйба bulunmamaktadır.

Bu Türkçe içerik yalnızca yüklenen изилдөөnın metni, denklemleri, таблицаları, sistem şemaları, көрсөткүч панели ve bildirilen тажрыйба жыйынтыктарı temel alınarak hazırlanmıştır. Изилдөөda bulunmayan bir operatör saha başarжылуулук, киберчабуул tespit doğruluğu, üretim ortamı güvenilirliği veya Türkiye’ye özgü performans iddiası eklenmemiştir.