Исследователи представили гибридный фреймворк активного онлайн-обучения, предназначенный для обнаружения сбоев в оптических сетях. Метод эффективно адаптируется к изменениям данных (concept drift), используя селективную маркировку на основе пороговых значений. Это позволяет поддерживать высокую точность прогнозирования при минимальных затратах на разметку потоковых данных, что критически важно для высоконагруженных телекоммуникационных систем.

Основная проблема при мониторинге сетевой инфраструктуры заключается в постоянном изменении паттернов трафика и типов ошибок. Традиционные модели быстро устаревают, а полная переразметка данных требует значительных ресурсов. Новый подход решает эту задачу через «умный» отбор образцов: система запрашивает экспертную оценку только для тех случаев, где модель наиболее неуверенна в своем прогнозе.

Результаты тестирования показывают, что предложенный алгоритм достигает показателей точности и AUC, сопоставимых с обучением на полных наборах данных. При этом система демонстрирует крайне низкую задержку, что делает её пригодной для внедрения в реальные системы мониторинга в реальном времени, где скорость реакции на сбой определяет стабильность всей сети.

Ключевые факты

  • Метод требует разметки всего 3,4% от общего объема потоковых данных для поддержания актуальности модели.
  • Алгоритм использует стратегию селективной маркировки на основе маржинального анализа (margin-based).
  • Внедрение фреймворка обеспечивает точность и AUC, близкие к «потолочным» значениям для статических моделей.
  • Задержка при обработке данных остается пренебрежимо малой по сравнению со стандартным инференсом.