Sztuczna inteligencja będzie przewidywać ukryte awarie sieci
Badacze z Politechniki w Stambule opracowali metodę analizowania ruchu internetowego. Sztuczna inteligencja ma wychwytywać sygnały zapowiadające ukryte awarie sieci i dawać operatorom więcej czasu na reakcję.
Router działa, ale pakiety znikają
.Router może sprawiać wrażenie sprawnego, a jednocześnie odrzucać część pakietów danych bez powiadomienia nadawcy. Inżynierowie określają takie sytuacje jako „czarne dziury”, po angielsku black holes. Zakłócenie może dotyczyć wybranych przepływów danych. Użytkownicy często zauważają problem dopiero wtedy, gdy pojawiają się kłopoty z połączeniem.
Zespół z udziałem naukowców Istanbul Technical University (ITU) przedstawił model analizujący ruch w sieciach szkieletowych. Badanie opisano w 2025 r. w „IEEE Transactions on Network and Service Management”.
System uwzględnia trzy rodzaje anomalii. Pojedynczy pomiar może wyraźnie odbiegać od pozostałych. Może też wyglądać zwyczajnie, lecz występować o nietypowej porze. W innym przypadku dopiero seria pozornie prawidłowych pomiarów tworzy podejrzany układ. Odpowiada to anomaliom punktowym, kontekstowym i zbiorowym.
Model uczy się bez oznaczonych awarii
.Potwierdzone przykłady takich usterek trudno zebrać, ponieważ często nie towarzyszą im jednoznaczne komunikaty. Badacze zastosowali uczenie maszynowe bez nadzoru: model analizuje dane, których wcześniej nie oznaczono jako prawidłowych albo związanych z awarią.
Metoda łączy grupowanie danych, analizę szeregów czasowych i głębokie uczenie. Najpierw identyfikuje wyraźne odchylenia, następnie wygładza je na potrzeby analizy typowego ruchu. W ostatnim etapie bada sekwencje pomiarów, szukając mniej oczywistych wzorców.
Według komunikatu ITU do testów wykorzystano 17 280 obserwacji z sieci szkieletowej dostawcy internetu, zbieranych co pięć minut przez 60 dni. Dane nie zawierały jednak potwierdzonej listy „czarnych dziur”, co ogranicza możliwość oceny trafności prognoz rzeczywistych awarii.
Autorzy wykorzystali również zbiory UNSW-NB15 i ToN_IoT, przekształcone w szeregi czasowe. Zawierają one oznaczone anomalie i aktywność związaną z atakami, a nie potwierdzone przypadki takich awarii. Według ITU w tych testach wykrywalność sięgała 98 proc., a wskaźnik F1 wynosił około 90 proc. F1 łączy precyzję wskazań z wykrywalnością. Wyników nie można utożsamiać ze skutecznością przewidywania rzeczywistych „czarnych dziur”.
Co może zyskać operator
.W komunikacie ITU opisano rozpoznawanie wzorców związanych z potencjalnymi awariami w pięciominutowym horyzoncie prognozy. Nie dowodzi to jednak, że system ostrzega o rzeczywistych awariach z takim wyprzedzeniem.
Jeśli dalsze testy potwierdzą przydatność metody, mogłaby ona wspierać odporność infrastruktury cyfrowej. Operatorzy mogliby wcześniej sprawdzić router lub przekierować ruch. Badanie nie wykazało jednak zapobiegania awariom internetu w praktyce.
Skuteczność rozwiązania może zależeć od sieci i danych treningowych. Zmiany infrastruktury mogą wymagać ponownego trenowania modelu. Autorzy wskazują też potrzebę testów w różnych sieciach i rozwijania wyjaśnialnej AI, aby operatorzy mogli zrozumieć powody alarmów.
Szymon Ślubowski
