Federated-learning-assisted failure management in microwave networks

Faults are unavoidable and cause network downtime and degradation of large and complex communication networks. The need for fault management capabilities for improving network reliability is critical to rectifying these faults. Current communication networks are moving towards the distributed environment enabling these networks to transport heterogeneous multimedia information across end-to-end connections. An advanced fault management system is thus required for such communication networks. Fault Management provides information on the status of the network by locating, detecting, and identifying, network problems thereby increasing network reliability. A large portion of next-generation (6G) services and applications, such as cloud computing, video streaming, and smart working platforms, have strict availability requirements and must be available at all times from any location on the network. Because of the increased use of these apps, internet service providers (ISPs) are being forced to develop new solutions to deliver Ultra-Reliable Low-Latency Communication (URLLC). As 5G communication networks become more widely implemented worldwide, both business and academics have begun to go beyond 5G and towards 6G communications. It is widely assumed that 6G will be founded on pervasive Artificial Intelligence (AI) to provide data-driven Machine Learning (ML) solutions in heterogeneous and massive-scale networks. Traditional ML approaches, on the other hand, need centralized data gathering and processing by a single server, which is becoming a bottleneck to large-scale applications in daily life as privacy concerns grow. In this context we present a failure management system based on Federated Learning that protects data privacy by performing local detection model training and inference. Not only is privacy protected in this method, but devices may also profit from their peers' expertise by transmitting just their changes to a distant server, which aggregates the latter and provides an enhanced detection model with participating devices. We do extensive tests on the SIAE dataset, an Italian company that provided us with genuine data to assess the efficacy of the suggested strategy. Experiment findings show that the suggested Federated Learning detection model outperforms the isolated model in terms of accuracy.

I guasti sono inevitabili e causano tempi di inattività della rete e il degrado di reti di comunicazione grandi e complesse. Diventa fondamentale quindi la capacità di gestione degli errori per migliorare l'affidabilità della rete e correggere questi errori. Le attuali reti di comunicazione si stanno spostando verso l'ambiente distribuito che consente a queste reti di trasportare informazioni multimediali eterogenee attraverso connessioni end-to-end. Per tali reti di comunicazione è quindi necessario un sistema avanzato di gestione dei guasti. La gestione dei guasti fornisce informazioni sullo stato della rete individuando, rilevando e identificando i problemi di rete, aumentando così l'affidabilità della rete. Una gran parte dei servizi e delle applicazioni di nuova generazione (6G), come il cloud computing, lo streaming video e le piattaforme di smart working, hanno requisiti di disponibilità rigorosi e devono essere sempre disponibili da qualsiasi punto della rete. A causa del maggiore utilizzo di queste applicazioni, i provider di servizi Internet (ISP) sono costretti a sviluppare nuove soluzioni per fornire una comunicazione a bassa latenza ultra affidabile (Ultra-Reliable Low-Latency Communication - URLLC). Man mano che le reti di comunicazione 5G si sviluppano sempre di più in tutto il mondo, sia le imprese che gli istituti accademici hanno iniziato ad andare oltre il 5G e verso le comunicazioni 6G. È ampiamente ipotizzato che il 6G sarà fondato sull'intelligenza artificiale pervasiva (AI) per fornire soluzioni di Machine Learning (ML) basate sui dati in reti eterogenee e su larga scala. Gli approcci ML tradizionali, d'altro canto, richiedono la raccolta e l'elaborazione centralizzata dei dati da parte di un singolo server, che sta diventando un collo di bottiglia per le applicazioni su larga scala nella vita quotidiana man mano che crescono i problemi di privacy. In questo contesto presentiamo un sistema di gestione dei guasti basato su Federated Learning che protegge la privacy dei dati eseguendo l'addestramento e l'inferenza del modello di rilevamento locale. Non solo la privacy è protetta con questo metodo, ma i dispositivi possono anche trarre vantaggio dall'esperienza di altri dispositivi trasmettendo solo le loro modifiche ad un server remoto che aggrega il dispositivo e fornisce un modello di rilevamento avanzato con i dispositivi partecipanti. Effettuiamo test approfonditi sul dataset SIAE, azienda italiana che ci ha fornito dati veritieri per valutare l'efficacia della strategia suggerita. I risultati dell'esperimento mostrano che il modello di rilevamento del Federated Learning suggerito supera il modello distribuito in termini di accuratezza.