APEX: A Network-Native Time-Series Foundation Model for Forecasting and Anomaly Detection for Wireless Edge Operations

📄 arXiv: 2606.11553v1 📥 PDF

作者: Swadhin Pradhan, Niloo Bahadori, Peiman Amini

分类: cs.LG

发布日期: 2026-06-10

备注: 5 pages, 1 figure, 4 tables. Discusses a network-native time-series foundation model for wireless edge operations

💡 一句话要点

提出APEX以解决无线网络遥测预测与异常检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 异常检测 无线网络 深度学习 变换器模型 边缘计算 网络遥测

📋 核心要点

  1. 现有的通用时间序列模型在处理无线网络遥测时效果不佳，无法有效应对信号的突发性和复杂性。
  2. APEX是一个专为无线网络设计的解码器变换器，通过在多通道遥测数据上进行预训练，提升了预测和异常检测的能力。
  3. 在DHCP降级基准测试中，APEX-Large显著降低了MAE，并在异常检测任务中取得了高达0.93的F1值，显示出其优越性能。

📝 摘要（中文）

现有的通用时间序列基础模型在无线网络遥测中表现不佳，主要由于信号的突发性、零膨胀性和协议层之间的耦合性。本文提出了APEX，一个网络原生的解码器仅变换器，用于预测企业接入点遥测，并在DHCP降级这一典型网络任务上进行了评估。APEX在来自约4500个生产无线网络的10通道多变量遥测数据上进行预训练，结果表明APEX-Large在192步的DHCP降级基准测试中，相较于最强的基础模型基线（Toto）减少了18%的平均绝对误差（MAE），并且在异常检测上F1值达到了0.93，APEX-Edge则实现了在接入点级边缘硬件上的亚秒级、隐私保护推理。这些结果表明，网络原生的预训练为主动无线操作提供了实用基础。

🔬 方法详解

问题定义：本文旨在解决无线网络遥测中时间序列预测和异常检测的挑战，现有模型在处理突发性和零膨胀信号时表现不佳，导致预测准确性低下。

核心思路：APEX通过设计一个网络原生的解码器变换器，专注于无线网络的特性，利用多通道遥测数据进行预训练，从而提高模型的适应性和预测能力。

技术框架：APEX的整体架构包括数据预处理、模型预训练和推理三个主要阶段。模型采用解码器结构，专注于时间序列数据的特征提取和预测。

关键创新：APEX的核心创新在于其网络原生的设计理念，使其能够有效捕捉无线网络遥测信号的复杂性，与传统的通用模型相比，具有更好的适应性和性能。

关键设计：APEX-Large和APEX-Edge分别具有269M和10.5M的参数量，采用特定的损失函数和网络结构以优化预测精度，并支持在边缘设备上进行隐私保护的快速推理。

🖼️ 关键图片

fig_0

📊 实验亮点

在192步的DHCP降级基准测试中，APEX-Large相较于最强基线模型Toto减少了18%的平均绝对误差（MAE），并且在异常检测任务中F1值达到了0.93，显示出其在无线网络遥测中的优越性能。APEX-Edge则实现了在边缘硬件上的亚秒级推理，具有良好的隐私保护能力。

🎯 应用场景

APEX的研究成果在无线网络管理、故障检测和性能优化等领域具有广泛的应用潜力。通过提高预测和异常检测的准确性，APEX能够帮助网络运营商更有效地管理网络资源，提升用户体验，并降低运营成本。未来，APEX的设计理念也可能被应用于其他领域的时间序列分析。

📄 摘要（原文）

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.